Ayúdanos a dar forma a GoConqr. ¿Qué deberíamos añadir?

Mapa mental

Capítulo 10 Análisis de datos cuantitativos

Katherine Miranda Español

Capítulo 10 Análisis de datos cuantitativos

Contenido del mapa

Capítulo 10 Análisis de datos cuantitativos

  1. Prueba de hipótesis Hay dos tipos de análisis estadísticos que pueden realizarse para probar hipótesis: los análisis paramétricos y los no paramétricos.

  2. Análisis paramétricos Para realizar análisis paramétricos debe partirse de los siguientes supuestos:19 1. La distribución poblacional de la variable dependiente es normal: el universo tiene una distribución normal. 2. El nivel de medición de las variables es por intervalos o razón. 3. Cuando dos o más poblaciones son estudiadas, tienen una varianza homogénea: las poblaciones en cuestión poseen una dispersión similar en sus distribuciones.

    • ¿Cuáles son los métodos o las pruebas estadísticas paramétricas más utilizados? Existen diversas pruebas paramétricas, pero las más utilizadas son: • Coeficiente de correlación de Pearson y regresión lineal. • Prueba t. • Prueba de contraste de la diferencia de proporciones. • Análisis de varianza unidireccional (ANOVA en un sentido). • Análisis de varianza factorial (ANOVA). • Análisis de covarianza (ANCOVA).
    • ¿Qué es el coeficiente de correlación de Pearson? Es una prueba estadística para analizar la relación entre dos variables medidas en un nivel por intervalos o de razón. Se le conoce también como “coeficiente producto-momento”. Se simboliza: r Hipótesis a probar: correlacional, del tipo de “a mayor X, mayor Y”, “a mayor X, menor Y”, “altos valores en X están asociados con altos valores en Y”, “altos valores en X se asocian con bajos valores de Y”. La hipótesis de investigación señala que la correlación es significativa. Variables: dos. La prueba en sí no considera a una como independiente y a otra como dependiente, ya que no evalúa la causalidad. La noción de causa-efecto (independiente-dependiente) es posible establecerla teóricamente, pero la prueba no asume dicha causalidad.
      • Interpretación: el coeficiente r de Pearson puede variar de −1.00 a +1.00, donde: −1.00 = correlación negativa perfecta. (“A mayor X, menor Y”, de manera proporcional. Es decir, cada vez que X aumenta una unidad, Y disminuye siempre una cantidad constante). Esto también se aplica “a menor X, mayor Y”. −0.90 = Correlación negativa muy fuerte. −0.75 = Correlación negativa considerable. −0.50 = Correlación negativa media. −0.25 = Correlación negativa débil. −0.10 = Correlación negativa muy débil. 0.00 = No existe correlación alguna entre las variables. +0.10 = Correlación positiva muy débil. +0.25 = Correlación positiva débil. +0.50 = Correlación positiva media. +0.75 = Correlación positiva considerable. +0.90 = Correlación positiva muy fuerte. +1.00 = Correlación positiva perfecta (“A mayor X, mayor Y” o “a menor X, menor Y”, de manera proporcional. Cada vez que X aumenta, Y aumenta siempre una cantidad constante).
  3. ¿Qué es la regresión lineal? Es un modelo estadístico para estimar el efecto de una variable sobre otra. Está asociado con el coeficiente r de Pearson. Brinda la oportunidad de predecir las puntuaciones de una variable a partir de las puntuaciones de la otra variable. Entre mayor sea la correlación entre las variables (covariación), mayor capacidad de predicción. Hipótesis: correlacionales y causales. Variables: dos. Una se considera como independiente y otra como dependiente. Pero, para poder hacerlo, debe tenerse un sólido sustento teórico. Nivel de medición de las variables: intervalos o razón. Procedimiento e interpretación: la regresión lineal se determina con base en el diagrama de dispersión.

  4. ¿Qué es la prueba t? Es una prueba estadística para evaluar si dos grupos difieren entre sí de manera significativa respecto a sus medias en una variable. Se simboliza: t.

    • Hipótesis: de diferencia entre dos grupos. La hipótesis de investigación propone que los grupos difieren entre sí de manera significativa y la hipótesis nula plantea que los grupos no difieren significativamente.
    • Variables: la comparación se realiza sobre una variable (regularmente y de manera teórica: dependiente). Si hay diferentes variables, se efectuarán varias pruebas t (una por cada variable), y la razón que motiva la creación de los grupos puede ser una variable independiente
    • Nivel de medición de la variable de comparación: intervalos o razón. Cálculo e interpretación: el valor t es calculado por el programa estadístico.21 Los programas, por ejemplo SPSS, arrojan una tabla con varios resultados, de los cuales los más necesarios para interpretar son el valor t y su significancia. Veamos un ejemplo y la interpretación.22
  5. ¿Qué es el tamaño del efecto? Al comparar grupos, en este caso con la prueba t, es importante determinar el tamaño del efecto, que es una medida de la “fuerza” de la diferencia de las medias u otros valores considerados

  6. ¿Qué es la prueba de diferencia de proporciones? s una prueba estadística para analizar si dos proporciones o porcentajes difieren significativamente entre sí. Hipótesis: de diferencia de proporciones en dos grupos. Variable: la comparación se realiza sobre una variable. Si hay varias, se efectuará una prueba de diferencia de proporciones por variable. Nivel de medición de la variable de comparación: cualquier nivel, incluso por intervalos o razón, pero siempre expresados en proporciones o porcentajes. Procedimiento e interpretación: este análisis puede realizarse muy fácilmente en el programa STATS®, subprograma: Diferencia de dos proporciones (Difference-Two Percentages). Se colocan el número de casos y el porcentaje obtenido para cada grupo y se calcula. Eso es todo. No se necesita de fórmulas y tablas como se hacía anteriormente.

  7. ¿Qué es el análisis de varianza unidireccional o de un factor? (ANOVA one-way) Es una prueba estadística para analizar si más de dos grupos difieren significativamente entre sí en cuanto a sus medias y varianzas. La prueba t se aplica para dos grupos y el análisis de varianza unidireccional se usa para tres, cuatro o más grupos. Aunque con dos grupos se puede utilizar también. Hipótesis: de diferencia entre más de dos grupos. La hipótesis de investigación propone que los grupos difieren significativamente entre sí y la hipótesis nula propone que los grupos no difieren significativamente. Variables: una variable independiente y una variable dependiente. Nivel de medición de las variables: la variable independiente es categórica y la dependiente es por intervalos o razón.

    • Análisis de varianza Prueba estadística para analizar si más de dos grupos difieren entre sí de manera significativa en sus medias y varianzas.
  8. Análisis no paramétricos Para realizar los análisis no paramétricos debe partirse de las siguientes consideraciones:29 1. La mayoría de estos análisis no requieren de presupuestos acerca de la forma de la distribución poblacional. Aceptan distribuciones no normales (distribuciones “libres”). 2. Las variables no necesariamente tienen que estar medidas en un nivel por intervalos o de razón; pueden analizar datos nominales u ordinales. De hecho, si se quieren aplicar análisis no paramétricos a datos por intervalos o razón, éstos necesitan resumirse a categorías discretas (a unas cuantas). Las variables deben ser categóricas.

    • ¿Cuáles son los métodos o las pruebas estadísticas no paramétricas más utilizados? Las pruebas no paramétricas más utilizadas son:30 1. La chi cuadrada o 2. 2. Los coeficientes de correlación e independencia para tabulaciones cruzadas. 3. Los coeficientes de correlación por rangos ordenados de Spearman y Kendall.
      • ¿Qué es la Chi cuadrada o  2? Es una prueba estadística para evaluar hipótesis acerca de la relación entre dos variables categóricas. Se simboliza:  2. Hipótesis por probar: correlacionales. Variables involucradas: dos. La prueba Chi cuadrada no considera relaciones causales. Nivel de medición de las variables: nominal u ordinal (o intervalos o razón reducidos a ordinales). Procedimiento: se calcula por medio de una tabla de contingencia o tabulación cruzada, que es un cuadro de dos dimensiones y cada dimensión contiene una variable. A su vez, cada variable se subdivide en dos o más categorías.
  9. ¿Qué son los coeficientes de correlación e independencia para tabulaciones cruzadas? Además de la Chi cuadrada, hay otros coeficientes para evaluar si las variables incluidas en la tabla de contingencia o tabulación cruzada están correlacionadas. En la tabla 10.19 se describen los coeficientes más importantes para tal finalidad.31

  10. ¿Qué otra aplicación tienen las tablas de contingencia? Las tablas de contingencia, además de servir para el cálculo de Chi cuadrada y otros coeficientes, son útiles para describir conjuntamente dos o más variables. Esto se efectúa al convertir las frecuencias observadas en frecuencias relativas o porcentajes. En una tabulación cruzada puede haber tres tipos de porcentajes respecto de cada celda. • Porcentaje en relación con el total de frecuencias observadas (“N ” o “n” de muestra). • Porcentaje en relación con el total marginal de la columna. • Porcentaje en relación con el total marginal del renglón. Veamos con un ejemplo hipotético de una tabla 2  2 con las variables género y preferencia por un conductor televisivo. Las frecuencias observadas serían:

    • Coeficientes rho de Spearman y tau de Kendall Son medidas de correlación para variables en un nivel de medición ordinal; los individuos o unidades de la muestra pueden ordenarse por rangos

Imágenes y archivos del mapa

  • Capítulo 10 Análisis de datos cuantitativos
  • Capítulo 10 Análisis de datos cuantitativos

Información

Descripción
Mapa Mental sobre Capítulo 10 Análisis de datos cuantitativos, creado por Katherine Miranda el 28/04/2020.
Visitas
0
Valoración

Escríbenos

¿Sobre qué es tu mensaje?

¿Qué deberíamos añadir?