Análisis Estadístico

Fallas mas comunes.

1

http://www.socialresearchmethods.net/kb/yinyangmap.php

2

3

4

5 .

Transcripción Verificación ANALISIS DESCRIPTIVO INICIAL Univariado Multivariado ( 2.BASES DE DATOS. Elementos y variables.3 o 4 variables simultaneamente) 6 .

PROPUESTAS DE MODELOS Objetivo. ¿ Como se colectaron los elementos y se hicieron las mediciones? Escalas de Medición Papel de las variables en la teoría e hipótesis: independientes (causales) dependientes (efectos) factores de confusión Intervinientes Supuestos del modelo a la luz de la teoría y el diseño 7 . Diseño.

datos INTERPRETACION 8 . teoría. transformaciones MODELOS “ADECUADOS” Objetivos .PRUEBAS DE MODELOS “corridas”. ajustes ¿resultados plausibles? Diagnostico de los modelos. supuestos.

9 .

10 .

usar intervalos de confianza.2%. Puede haber resultados significativos al 7. RECOMENDACIÓN Reportar valores de P. procedimientos para inferencia simultanea.NIVEL DE SIGNIFICANCIA Usar el 5 o el 1 % de significancia no es absolutamente indispensable. INFERENCIA SIMULTANEA Es muy grave efectuar muchas pruebas de significancia y reportar solo las significativas. Se aumenta mucho la probabilidad de error tipo I en alguna de ellas. 11 .

RECOMENDACIÓN Reportar el “tamaño del efecto” en prueba de t. aun con efectos muy pequeños.Con muestras grandes se tienen resultados significativos. Error Estándar de = X1-X2 X1  X 2 S n 2 Tamaño Tamaño del efecto de muestra 12 .

RECOMENDACIÓN Reportar el “tamaño del efecto” en prueba de F. SCHo glerror x Valor de F = SCError glHo Tamaño del efecto Tamaño de muestra SCEmr  SCEmc glEmc x 13 SCEmc glEmr  glE mc .

Efectos como ese o mayores no pueden ocurrir fácilmente sólo por azar.Efecto observado Error estándar El efecto si es significativo. 14 .

15 .Efecto observado Error estándar El efecto no es significativo. Efectos como ese o mayores pueden ocurrir fácilmente sólo por azar.

El error estándar depende de: 1. homogenización . Efecto Y1  Y2 . b. . dependiendo del error estándar.. bloques 16 covariables. El efecto no es significativo. mediciones.El diseño de investigación en particular tipo de elementos. etc.Nótese que un efecto observado de la misma magnitud puede ser considerado significativo o no. 2.. r Error estándar El efecto es significativo. control de variación.el tamaño de muestra(s).

No es lo mismo significancia estadística que significancia práctica.RECOMENDACIÓN Considerar que “tamaño del efecto” es de interes práctico. Ausencia de evidencia no es evidencia de ausencia. El no encontrar efectos significativos no implica que éstos no existan 17 .

I. Good (1988) ha sugerido usar los valores de P. P  100  2 Donde n es el tamaño de muestra en la prueba de significancia 18 . digamos 100. Entonces se reemplaza la P de la prueba por : 1 n  min  . estandarizados a un tamaño de muestra fijo.

Los diseños y modelos son buenos en algunos aspectos y malos en otros. RECOMENDACIÓN Valorar las fallas y las potencialidades de los diseños y los modelos que se consideran “adecuados” 19 . Es decir que sea el bueno en todo.No existe el diseño o el modelo bueno.

Con unidades mas grandes hay menos variabilidad. Vx V1 RECOMENDACIÓN Vx  b x x Usar una unidad o elemento lo mas pequeño posible. y considerar el número de repeticiones necesario para tener potencia aceptable de rechazar Ho.La forma y tamaño de la unidad de estudio puede variar. usando el tamaño del efecto que es el considerado mínimo que vale la pena detectar. O bien que produzca intervalos de confianza pequeños. que represente el fenómeno en estudio (Validez externa). pero no interesa disminuir esa variabilidad. lo que interesa es disminuir errores estándar de los estimadores de interés. 20 . que resulte práctico su uso.

el tamaño de muestra se debe obtener para que se tenga una probabilidad de error tipo 2.El numero de repeticiones o tamaño de muestra no puede ser el mismo para todas las investigaciones. En estudios descriptivos se fija la magnitud del error de estimación.2) ciando el tamaño del efecto es la que se desea detectar como mínimo. conviene valorar varias estrategias y elegir alguna. RECOMENDACIÓN En los estudios comparativos. y se obtiene la n que lo produce. Todo lo anterior se basa en la teoría estadística. pero también hay que considerar aspectos prácticos y económicos. dada (0. 21 . Con cierta subjetividad.

También la metodología se va corrigiendo y aumentando a medida que conocemos mas sobre un 22 aspecto de la realidad. de varianzas.Por considerar el método científico único. provenientes de estudios previos. es común que no se tomen en cuenta las investigaciones previas con objetivos. efectos de bloques o estratos. correlaciones y otros aspectos estadísticos. . RECOMENDACIÓN Reportar y discutir aspectos metodológicos tales como tamaño de error experimental. diseños y análisis semejantes. magnitudes de R2. Estas consideraciones son útiles en la planeación de cada investigación. infalible y ya establecido. de variables auxiliares.

RECOMENDACIÓN Teoría sustantiva Metodología Teoría estadística Realidad 23 .

¿Pruebas paramétricas o no paramétricas? ¿Análisis multivariado o varios univariados?. Esta ayuda. cuidando la inferencia multivariada.De manera falsa se plantean alternativas como: ¿Contrastes o prueba de Tukey?. etc. RECOMENDACIONES Usar varias posibilidades de análisis. no determina las conclusiones. No hay método bueno. al usar varias técnicas permite confirmar resultados bajo diferentes supuestos o bien valorar las diferencias. 24 . ¿Covariables o bloques?.

. Pueden cambiar los criterios según objetivo. diseño 25 y supuestos. R2 de menos de 0. etc. correlaciones de menos de 0. los bloques en laboratorio o invernadero no sirven. Así. el numero de repeticiones es 4. se dice: CV de mas de 30% es malo.30 no sirven. Esto ocurre al aplicar un único criterio metodológico a condiciones distintas a las que se generaron. tras muestras para una determinación química.50 no sirve.Es común hacer generalizaciones incorrectas. los valores normales para varias mediciones en humanos se aplican siempre. RECOMENDACIÓN Valorar las condiciones en que se generaron esos criterios y las de la propia investigación.

26 . no es el único medios disponible. lo cual dificulta la interpretación. se pueden usar covariables. RECOMENDACIÓN Valorar en cada caso las ventajas de usar bloques y otros procedimientos. El supuesto de homogeneidad de unidades dentro del bloque debe revisarse. homogeneidad de varianzas y disminuir la variabilidad. Además el supuesto muy común de no interacción de bloques con tratamientos.Si bien el uso de bloques es excelente para controlar factores de confusión. los bloques no son ortogonales con los tratamientos. Si no hay balance. acercar mas los errores a la normalidad.

escuelas. Localidades. corrales. Usar la correlación intraclase (en muestreo esto produce el el DEFF. En caso de mediciones repetidas. Esto introduce correlación entre elementos dentro de cada grupo. grupos. hay que usar los métodos 27 adecuados. individuos. efecto de diseño) y error de restricción. etc. También se llama pseudorepeticiones. . hospitales. No es lo mismo 10 gatos medidos 5 veces cada uno.Es común que al obtener los elementos de la muestra se tengan grupos de unidades que tienen factores aleatorios comunes. RECOMENDACIÓN Considerar los grupos como una unidad de estudio mayor y adecuar los métodos estadísticos. que 50 gatos medidos una sóla vez.

28 . Toda conclusión esta condicionada a la validez de los supuestos teóricos y metodológicos. Así sus resultados se consideran inapelables. a la luz de la teoría. F. A esto se le ha llamado diagnóstico del modelo. regresión.Se tiene excesiva confianza en los métodos mas usados como prueba de t. Ji cuadrada. etc. RECOMENDACIÓN En cada caso hay que valorar los supuestos del modelo usado. diseño y los datos disponibles.

especialmente la fe en el “método 29 cientifico” y la estadistica. Un experimento no demuestra sin lugar a dudas la causalidad. . En particular tener una posición filosófica que rechace todo tipo de dogmatismos. Indagar las explicaciones alternativas. Si hay significancia no se comprueba una hipótesis científica. RECOMENDACIÓN Conocer los alcances de las metodologías usadas. ni un método científico infalible y obligado. las bases teóricas. Siempre hay explicaciones alternativas y subjetividad. las posibilidades de errores. una teoría o la existencia de algo.La correlación no implica causalidad. No hay objetividad absoluta.

con corazonadas e intuiciones. Si esto no es posible. . Esto se aplica a la estadística. serán mas acertadas. una liberación de responsabilidades y a la vez. garantía de validez. usar el sentido común. que mientras los que las hacen estén mas entrenados y adentrados en la teoría. fundadas en razonamientos lógicos y procedimientos establecidos como adecuados. ¡¡¡esto no es posible!!! RECOMENDACIÓN Tomar decisiones lo mas objetivamente que se pueda. al igual que al resto de los 30 elementos de la investigación.Es común buscar en toda decisión en el proceso de investigación un apoyo metodológico. como una receta.

La forma de medir un concepto puede variar según los propósitos de la investigación o la 31 teoría postulada. etc. Validez predictiva. Validez relativa al constructo. Convergente y discriminante. Por ejemplo escalas para el dolor o preferencias. . Es decir el grado en que las definiciones operacionales. de contenido. Validez de traslación: validez de “cara”. nitrógeno como cantidad de proteínas. morbimortalidad como medida de salud.Frecuentemente se usan mediciones que pueden no relejar adecuadamente los conceptos que se pretenden medir. reflejan los conceptos. RECOMENDACIÓN. Concurrente.-Ponderar la validez de constructo de las mediciones.

32 .

33 .

34 .

35 .

36 .

Por ejemplo solo estudiar relaciones bivariadas. vg la “Paradoja de Simpson”. conduce al error.-Usar mas el análisis multivariado.Si bien el principio de parsimonia se toma como bueno para la ciencia. modelos con sólo efectos principales. factores de confusión. si se toma como obligado y estrecho. interacciones. Usar modelos intermedios. Es error por que puede haber variables intervinientes. ni muy simples ni muy complejos 37 (interacciones de 4 factores) . Solo cuando no hay interacciones de cierto orden interpretar las de orden menor. con términos cuadráticos. como un supuesto filosófico. RECOMENDACIÓN. Explorar modelos con interacciones de dos y tres factores.

F. Si la muestra es grande se puede tener residuos que no se ajustan a la normal. Hosmer-Lemeshow. gracias al teorema central de limite. en comparación con otros modelos y su concordancia con los aspectos teóricos. 38 Robustez de la F. . Bondad de ajuste a la normal de los residuos. t. etc. Pero con muestras grandes se tiende a rechazar cualquier hipótesis estadística. RECOMENDACIÓN Valorar el modelo además de su ajuste a los datos. Ramsey.Es común que se juzgue si un modelo es adecuado con una prueba global de ajuste.

o incluso en un estudio descriptivo para ver sólo la asociacion de la 39 variable dicotómica con la numérica. una t significativa apoya una hipótesis de causalidad entre un factor posible causal dicotómico y un efecto posible medido en escala numérica. independientemente del propósito de la investigación. . de la base teórica y el diseño del estudio.Es común que un procedimiento estadístico sea considerado siempre con igual valor para el avance del conocimiento.Debe valorarse todo en el contexto de la investigación. o en un estudio observacional comparativo. Vg. Por ejemplo la t de “Student” puede usarse en un experimento con buen control de factores de confusion.. RECOMENDACIÓN.

RECOMENDACIÓN. b).Un análisis discriminante se puede usar cuando menos para : a).Tipificar en forma multivariada a las k poblaciones. Buscar nuevas aplicaciones de técnicas 40 conocidas con o sin modificación de las mismas.. c)..Asociar p variables numéricas con una categórica con k categorías.. .Clasificar un futuro elemento en uno de k grupos en base a p variables numéricas.. El análisis de conglomerados es una solución al problema de la multicolinealidad y para simplificar asociaciones múltiples.

Sign up to vote on this title
UsefulNot useful