Hipótesis

ESTADÍSTICA APLICADA

Modelaje Tr a m a d e l a Causalidad

Ti p o s d e E s t u d i o s

RESUMEN CLASE 8.7.13
 La mayoría de veces se empieza por la pregunta de investigación  Porqué no empezar por lo que se va a medir?
 Variables: Nominales, Ordinales, Intervalo, Razón

 Variables: Censuradas, Derivadas,

LatentesLatent

variable.pdf

HIPOTESIS

MODELAJE

E=

2 mc

TRAMA DE LA CAUSALIDAD

TIPOS DE ESTUDIOS Tipo de Estudio Aleatorización Manipulacion Observación (Descriptivo) NO NO Cuasi-Experimental NO Si Experimental Si Si .

Salinidad y frecuencia de riego En cada caso se sembraron “ plantulas ”. se estudio la posibilidad de cultivar en las mejores condiciones Mangle Rojo. Para ello se seleccionaron tres factores: Tipo de tierra.ESTUDIOS FACTORIALES  Ejemplo: En Monterrico en el año 1989. . y luego se midió cada semana durante 6 meses. se midió la altura inicial.

FACTORIALES .

Arcillosa(a3) Salinidad (B) = 15%(b1). Dos veces por semana(c2) . Arenosa(a2). 30%(b2) Frecuencia Riego (C) = Una vez por semana(c1).ARREGLO FACTORIAL Tipo de Tierra (A) = Franca(a1).

TABLA FACTORIAL a1 c1 c2 b1 a1b1c1 a1b1c2 b2 a1b2c1 a1b2c2 b1 a2b1c1 a2b1c2 a2 b2 a2b2c1 a2b2c2 b1 a3b1c1 a3b1c2 a3 b2 a3b2c1 a3b2c2 El concepto más importante es la INTERACCION .

puede estar presente en muchas investigaciones.CONFOUNDING El confoundig o Factor de Confusión. el principio se puede explicar con lo que hoy se conoce como error de McMahon: .

CONFOUNDING Tomar Café Hipertensión Fumar .

. queso bajo en grasas y carne de pollo y pavo.  En definitiva. Para llegar a esta conclusión. los compradores (y presumiblemente consumidores) de vino se llevaban a casa más alimentos saludables que los que compraban cer veza . leche. De este modo identificaron que los compradores habituales de vino también adquirían más cantidad de aceitunas. bebidas azucaradas y azúcar. patatas fritas.5 millones de compras. verduras. la dieta de los bebedores de vino es más saludable que la que siguen los bebedores habituales de cer veza. durante 6 meses los autores del estudio analizaron la relación entre los volúmenes de vino y cer veza adquiridos por los clientes de dos supermercados daneses y el contenido del resto de su carrito de la compra. mantequilla y margarina. quienes adquirían más cantidad de cer veza estaban también más predispuestos a llevar se también a casa platos preparados. Un dato a tener en cuenta dado que tanto el vino como la cer veza tienen propiedades nutritivas y antioxidantes que hacen que su consumo moderado sea saludable.EJEMPLO CONFOUNDING  Según un estudio que publicó la revista British Medical Journal. salsas. lo que supuso en total revisar 3. frutas. Sin embargo.

4. 2.TERCERA SESION ANALISIS PRELIMINAR Auditar los datos Tamizaje de datos Análisis gráfico preliminar (Exploratory data analysis) Preparación de las tablas para el análisis. 3. . 1.

AUDITAR LOS DATOS .

AUDITAR LOS DATOS .

AUDITAR DATOS .

AUDITAR DE DATOS .

AUDITAR DE DATOS .

pdf .MANUAL PARA EL ENCUESTADOR EL MANUAL ES FUNDAMENTAL Y NO PUEDE FALTARENCUESTA NACIONAL DE INNOVACION\Manual para el Encuestador Diagramación V2.

TAMIZAJE DE DATOS 1. es decir saber cómo se introdujeron los datos: si hubo codificación cómo se hizo. Lo segundo.pdf .xls 3. cuántas personas participaron en introducir los datos. si los datos son cuatitativos. BASE DE DATOS RIESGO CARDIOVASCULAR USAC 2002. será encontrar los “ outiliers ” o datos extremos. El protocolo fue el siguienteRIESGO CARDIOVASCULAR USAC 2002. 2. Lo primero será el “ pedigre ” de los datos. Cómo se introdujeron las fechas.

Errores de copiado y pegado . 4. Errores de referencia: una fórmula utiliza una celda incorrecta. 3. Usar números en una fórmula: no necesariamente un error pero considerado mala práctica.TAMIZAJE DE DATOS 4. Por último: Powell et al . cuándo eliminar toda la variable. Errores lógicos: una fórmula mal utilizada 2. Cómo recuperar datos faltantes. Datos faltantes: regla del 25%. Examinaron los errores más frecuentes en las hojas de calculo usadas para bases de datos: 1. (2009).

los error pueden ser considerables.TAMIZAJE DE DATOS 5. Errores por omitir datos y que serán utilizados por una fórmula. Y considerando que en una base de datos se utilizan muchas fórmulas. Los autores encontraron que del 1 al 2% de todas las fórmulas analizadas contenían errores. Errores en la introducción de los datos 6. .

ANALISIS EXPLORATORIO DE DATOS  Permite  Permite  Permite  Permite probar normalidad descubrir datos extremos descubrir subpoblaciones encontrar relaciones espaciales .

SISTOLICA 80 100 120 140 160 180 BOX PLOT .

BOX PLOT 80 100 120 SISTOLICA 140 160 180 .

EDAD 20 30 40 50 60 BOX PLOT .

BOX PLOT 20 30 40 EDAD 50 60 .

BOX PLOT .

AJUSTE POR SEXO F F M M f m 80 100 120 140 160 180 80 100 120 140 160 180 80 100 120 140 160 180 SISTOLICA Graphs by SEXO Notar que la forma incorrecta de introducir los datos ocasiona estas gráficas .

AED CUALITATIVO .

AED CUALITATIVO .

AED CUALITATIVO .

. Cuántos sistemas existen? Los más conocidos son APA y VANCOUVER . Qué sistema utilizará para construir las tablas? En Ciencias Sociales el Sistema APA es muy utilizado 2.CONSTRUCCION PRELIMINAR DE TABLAS 1.

CONSTRUCCION PRELIMINAR DE TABLAS OTROS SISTEMAS: .

pdf .TABLAS EN APA  Cap.5 Visualización.

CAUSA Y EFECTO 4TA. SESION INFERENCIA ESTADISTICA  La inferencia estadística implica llegar a una conclusión respecto a una población basado en información de una muestra. usando la probabilidad para indicar el nivel de confiabilidad de esa conclusión INFERENCIA CAUSAL  Implica hacer conclusiones entre asociaciones de variables basados en una lista de criterios o condiciones aplicadas a los resultados de un estudio científico .

 Intervalos de Confianza  Nivel de Significancia -p. médico y de salud pública.value . social. SESION INFERENCIA ESTADISTICA INFERENCIA CAUSAL  Considera la totalidad de la evidencia para declarar causalidad  Proporciona bases solidas para acciones a nivel individual.CAUSA Y EFECTO 4TA.

se vuelven cuasi-experimentales. Entonces es recomendable usar Propensity Scoring .  Cuando no se puede ALEATORIZAR.INFERENCIA CAUSAL  El mejor estudio para llevar a cabo la relación causa-efecto son los estudios experimentales  El principio de un estudio experimental es la MANIPULACION y la ALEATORIZACIÓN.

INFERENCIA CAUSAL  En 1856 el filosofo John Stuart Mill. estableció tres métodos para formular hipótesis respecto a la etiología de las enfermedades: .

INFERENCIA CAUSAL .

INFERENCIA CAUSAL .

INFERENCIA CAUSAL .

INFERENCIA CAUSAL .

INFERENCIA CAUSAL .

INFERENCIA CAUSAL .

relacionado con el riesgo de un evento cardiovascular. no es posible la asignación aleatoria. . no es posible de manera ordinaria hacer comparaciones. por lo tanto en una población en donde existen “sujetos tratados” y “no tratados”.  Por ejemplo el uso de aspirina y el no uso de aspirina en hombres y mujeres de 40 años o más de edad.PROPENSIT Y SCORING  En los estudios cuasi.experimentales.

PROPENSIT Y SCORING  Si se utiliza el método de Propensity scoring. el cual consiste en “aparear” ( matching) los sujetos con la mayor cantidad de covariables posibles .

PROPENSIT Y SCORING .

PROPENSIT Y SCORING .

EJEMPLO: VASO DE LECHE VARIABLES AJUSTADAS .

Sign up to vote on this title
UsefulNot useful