Programa Estadistico

Manuel Miguel Ramos lvarez
Curso de Anlisis de investigaciones con programas Informticos I-1

1

UNIVERSIDAD DE JAN

Mat er i al del cur so Anl i si s de dat os pr ocedent es de i nv est i gaci ones
medi ant e pr ogr amas i nf or mt i cos

ndi ce

M
M
M
A
A
A
T
T
T
E
E
E
R
R
R
I
I
I
A
A
A
L
L
L

I
I
I

M
M
M
O
O
O
D
D
D
E
E
E
L
L
L
O
O
O

D
D
D
E
E
E

A
A
A
N
N
N
L
L
L
I
I
I
S
S
S
I
I
I
S
S
S

1. Modelo general de anlisis estadstico aplicado ........................................................... 2
1.1. Modelo de etapas basado en los principios de Modelizacin Lineal y de comprensin
inductiva .................................................................................................................. 2
1.1.1. Introduccin a la modelizacin estadstica ..................................................... 2
1.1.2. El Modelo de actuacin propuesto ................................................................ 3
1.1.3. Especificacin e identificacin del modelo ...................................................... 4
1.1.4. Estimacin de los parmetros del modelo...................................................... 4
1.1.5. Evaluacin del modelo................................................................................ 5
1.1.6. Resumen del modelo.................................................................................. 8
1.1.7. Interpretacin del modelo ......................................................................... 11
1.2. Variantes del Modelo general en funcin del tipo de diseo de investigacin........... 12
1.3. Aplicaciones en diferentes mbitos de investigacin ........................................... 14
1.3.1. Aplicaciones en Ciencias Experimentales ..................................................... 14
1.3.2. Aplicaciones en Ciencias Comportamentales, Salud, Psicologa, educativa y mbito
social. 15
1.3.3. La formalizacin de los diferentes tipos de aplicaciones ................................. 16


2

1. Modelo general de anlisis estadstico aplicado
o Modelo de etapas basado en los principios de Modelizacin Lineal y de
comprensin inductiva.
o Variantes del Modelo general en funcin del tipo de diseo de
investigacin.
o Aplicaciones en Ciencias Experimentales.
o Aplicaciones en Ciencias Comportamentales

1.1. Modelo de etapas basado en los principios de Modelizacin
Lineal y de comprensin inductiva

1.1.1. Introduccin a la modelizacin estadstica

Principio nuclear: el tipo de investigacin realizada orienta el tipo de anlisis que es posible
aplicar a los datos obtenidos. Pero el tipo de investigacin no determina el tipo de tcnica
estadstica sino la interpretacin de los resultados de aplicar la misma.
o En el tipo descriptivo no cabe explicar los datos, sino slo describirlos y, llegado
el caso, resumirlos.
o En el tipo experimental, la variable medida pasa a ser metodolgicamente
entendida como una variable dependiente, y la variable manipulada en variable
independiente. La primera es una causa posible de la dependiente, una
explicacin de los cambios observados en sta.
o En el tipo cuasiexperimental, suele hablarse de variable criterio equiparable a
dependiente- y predictor -comparable a independiente-.

En general, ha habido una dispersin importante en cuanto a las tcnicas de anlisis
disponibles. Actualmente, se tiende a l a i nt egr aci n de l os di f er ent es anl i si s dent r o
de un mar co comn, el Modelo Lineal General y el Modelo Lineal Generalizado en el que
se asume como principio nuclear la regresin lineal multivariada.

Presentamos el modelo esquema de t r abaj o basado en l a Model i zaci n Est adst i ca
de Ramos, Catena y Trujillo (2004), que se basa en dicha perspectiva. Como un esquema
general de anlisis que sirva para organizar todas las acciones y decisiones propias del
anlisis de los datos y la extraccin de sus implicaciones.
.


3

1.1.2. El Modelo de actuacin propuesto
CUADRO 6.1: Esquema de trabajo basado en la perspectiva analtica de modelizacin
Adaptado a partir de Ramos, M.M.; Catena, A. y Trujillo, H. (2004). Manual de Mt odos y Tcnicas de
I nvest igacin en Ciencias Del Comport amient o. Madrid: Biblioteca Nueva.

Comprobacin
Supuestos
Identificacin Modelo
H
0
v
Evaluacin Modelo Contraste Hiptesis
AMP-COM y AMP-SAT
Resumen Modelo
ADECUADO?
S
Ajuste Modelo
No
Predicciones
Intervalos confidenciales vs.
potencia estadstica
Interpretacin Identificacin variables
extraas
Variaciones
s/ Diseo

4

1.1.3. Especificacin e identificacin del modelo

Abrir fichero:
ModGeneralAnalisis.xls
Ver Hoja Datos
En trminos operativos la cuestin fundamental de una investigacin es la especificacin de
cmo se relacionan las dos variables implicadas, el predictor o variable independiente
manipulada (X) y el criterio o variable dependiente que se mide (Y).
La forma de esta relacin vendr especificada por la hiptesis de investigacin y requiere la
especificacin de par met r os, que sintetizan las ideas principales del modelo.
Dicha relacin explicar los datos aunque no de una manera perfecta: parte de los cambios
observados en el criterio no pueda ser explicada por el predictor, sino que se debe al error.
DATOS = MODELO + ERROR
Y = f(X) + E

Usualmente una medida para valorar la adecuacin de la hiptesis es el error (o residual): a
mayor error, peor modelo y viceversa.
Aproximacin: cunto error es tolerable? La respuesta a esta pregunta no puede
establecerse en trminos absolutos sino relativos.
o Se formula un modelo de partida, aunque sea muy bsico, que se tomar como
referencia, Compact o o r est r i ngi do (COM) no incluye los parmetros crticos y
ser el modelo de referencia.
o Y se compara con uno alternativo, el del investigador, Ampl i ado o
i ncr ement ado (AMP) es el que incluye los parmetros que capturan las ideas
mantenidas en la hiptesis.
Ver Hoja ModLineal1

Ejemplo:
COM: Y =
0
+ E
AMP: Y =
0
+
1
X + E

El obj et i v o: const r ui r model os que sean una buena r epr esent aci n de l os dat os,
haci endo el er r or t an pequeo como sea posi bl e y de l a maner a ms si mpl e
posi bl e.

1.1.4. Estimacin de los parmetros del modelo

El segundo paso del proceso de modelizacin estadstica consiste en estimar el valor de los
parmetros a partir de los datos.
Mediante uno de tres mtodos estadsticos que garantizan en trminos generales las
propiedades deseabl es de los estimadores (consistencia, carencia de sesgo, eficiencia y
suficiencia), cuyo uso depende del contexto:
o Mxima verosimilitud
o Los momentos
o Mnimos cuadrados (clsico).
Lgica: encontrar unos valores de los parmetros que hagan lo ms pequea posible la
diferencia entre las predicciones y los datos observados, o lo que es lo mismo, hacer
mni mo el er r or cuadr t i co par a el conj unt o de l os dat os, lo cual se hace para cada
tipo de modelo. Finalmente se divide por el nmero de grados de libertad asociados.

Una vez estimados los parmetros, slo queda ajustar el modelo, es decir realizar las
predicciones del modelo para cada dato y calcular el error cuadrtico.


5

1.1.5. Evaluacin del modelo

Ver Hoja ModLineal2
El tercer gran paso es evaluar el modelo de trabajo o Ampliado.
Este proceso es relativo, respecto de un modelo equivalente de tipo Compacto; segn una
perspectiva condi ci onal que permite evaluar la pertinencia de los parmetros crticos.

( )
2
( )
i icom
i
SCE COM Y Y =

( )
2
( )
i iAmp
i
SCE AMP Y Y =

Ahora podemos computar la reduccin neta del error, o la reduccin proporcional de AMP
respecto de COM:
Reduccin neta de error:
( )
2
( ) ( )
iCOM iAMP
i
SCR SCE COM SCE AMP Y Y = =

Reduccin proporcional de error:
( ) ( ) ( )
1
( ) ( ) ( )
SCE COM SCE AMP SCE AMP SCR
RPE
SCE COM SCE COM SCE COM
= = =

RPE oscila entre 0 y 1, es semejante a una razn de correlacin,
2
.
En resumen, los trminos se relacionan segn la siguiente ecuacin:

Re
( ) (
duccion Error
Error Error prevalece
debida Modelo AMP
Original debido Modelo AMP
SCE COM SCR SCE AMP) = +
_ _

An queda una cuestin por zanjar.Cmo decidir si un porcentaje de reduccin RPE
(pongamos por caso un 40%) es suficientemente grande para justificar el parmetro
adicional. Para ello se recurre a la estadstica inferencial y especialmente al Cont r ast e
de Hi pt esi s Est adst i cas de una Hiptesis Nula (los parmetros AMP vs. COM no
aportan nada significativo) frente a una Alternativa (los parmetros AMP vs. COM s
aportan significativamente).
El estadstico de contraste:

/( )
(1 ) /( )
AMP COM
k
AMP
RPE NP NP
F
PRE N NP
=

Sigue un modelo F:
; k R
F F

Y para adoptar decisiones se opera a partir de una regla de decisin probabilstica:
Se fija el nivel de significacin alfa, lo que determina un valor crtico.
Se compara el valor concreto observado en el estadstico de contraste con su valor
crtico, y se r echaza H
0
(contra H
0
/a favor de H
1
) cuando el primero supere al segundo.
La regla tambin puede consistir en una comparacin de probabilidades, en lugar de
valores del estadstico. Si la probabilidad exacta del estadstico es menor o igual que alfa
entonces nos inclinamos hacia el rechazado de H
0
, y no se rechaza en caso contrario.


6
Eval uaci n del model o- I I
CUADRO 6.8. Tabla resumen del proceso de anlisis estadstico
Adaptado a partir de Ramos, M.M.; Catena, A. y Trujillo, H. (2004). Manual de Mtodos y Tcnicas de Investigacin en
Ciencias Del Comportamiento. Madrid: Biblioteca Nueva.

Equivalencias perspectiva clsica con Modelizacin
La Reduccin Error dada por el modelo AMP equivale a la Estimacin del Efecto de
Tratamiento (Variabilidad Entre:
j ) o Regresin
El Error que prevalece dado el modelo AMP equivale a la estimacin del Error
(Varibilidad Intra:
`
( ) i j ) o Residual
El Error asociado al modelo Compacto equivale a la Estimacin de Variabilidad Total.

Fuente SC
( ) gl
MC F
k
RPE p
Reduccin,
MCR
MC
( )
SCR
SCE COM AMP COM
SCR
MCR
NP NP
=
SCR
NP
AMP
-
NP
COM

( )
k
p F * Modelo
AMP
Error del
( )
AMP
SC AMP
MC
N NP
=
N-
NP
AMP

Modelo
AMP
SCe(AMP)
SCe(COM)
N-
NP
COM

Total
*p

Aclaraciones:

; k
F F
R
; El estadstico F
k
sigue el Modelo F segn la probabilidad alfa,
AMP COM
R NP NP = como grados de libertad del numerador y
AMP
N NP = como
grados de libertad del numerador.
Regla de decisin: p< si p(Fk)


7

Ampl i aci n: La l gi ca del cont r ast e de Hi pt esi s Est adst i cas

Definimos una medida de di scr epanci a entre la muestra y lo hipotetizado en H
0
.
Entonces estimamos el error tpico de la misma, es decir las fluctuaciones debidas a
error lo que se llama error tpico del estadstico-
y calculamos una medida relativa de la discrepancia, est adst i co de cont r ast e (que
vamos a denotar con el subndice k para referirnos a los datos muestrales).
Dicho estadstico tendr que seguir un modelo de distribucin conocido que nos permita
asociar una probabilidad a cada valor del mismo.
Finalmente se establece una r egl a: si la discrepancia es muy grande, entendiendo por
ello que hay una probabilidad muy pequea de encontrar dicho valor cuando H
0
es
cierta, nos inclinaremos en cont r a de dicha hiptesis nula y en caso contrario nos
inclinaremos a favor de la misma.
Por tanto, definir un contraste de significacin requiere una medida de discrepancia y
una regla para juzgar qu discrepancias son "demasiado" grandes. Est o se l ogr a
f i j ando un ni vel de si gni f i caci n ( l a pr obabi l i dad al f a) en el model o de
di st r i buci n que l e asumi mos y det er mi nando una r egi n de r echazo.
La r egl a de deci si n queda, pues, como: se compara el valor concreto observado en el
estadstico de contraste (o emprico) con su valor crtico (o terico), y se r echaza H
0

(contra H
0
/a favor de H
1
) cuando el primero supere al segundo y a la inversa.

Ejemplo de Contraste de Hiptesis sobre el Modelo de Distribucin F con los parmetros: a=4;
n=10; 0.05F3;36=2.87

Valor Crtico de F
Alfa o nivel de
significacin


8

1.1.6. Resumen del modelo

La ltima etapa es la discusin o interpretacin de los resultados obtenidos: en qu medida
el modelo es compatible con la hiptesis de investigacin.
Sea como fuere, el modelo es resumido mediante un conjunto de informaciones.
o La descripcin de los datos, bsicamente medidas de tendencia central y de
variabilidad (i.e. medias y varianzas).
o Los clculos de la fase de evaluacin y ajuste, como lo es el valor de los
parmetros, su error asociado y la probabilidad de rechazar o no la hiptesis
nula.
o Si la hiptesis nula especifica el valor de un parmetro y el contraste conduce a
rechazarlo, conviene indicar cul es la estimacin ms plausible para el
parmetro a la vista de los datos; es decir estimacin por i nt er v al os
conf i denci al es.
o Por otro lado, normalmente se controla la magnitud del error tipo I, mediante la
eleccin de la regin de rechazo, seleccionando un nivel de significacin exigente
(0,05 0,01). Sin embargo, no sucede lo mismo con el control del er r or t i po I I ,
cuyo control es ms complejo y suele descuidarse con mayor frecuencia.
o Adems, podra suceder que identificsemos fuentes de variacin sistemtica que
no habamos previsto en el momento de realizar la investigacin, pero de las
cuales disponemos de informacin y mejorar el modelo en ltima instancia.

I nt er val os conf i denci al es
Inferencia basada en la estimacin de parmetros: los mejores estimadores de los
parmetros poblacionales son precisamente los estadsticos equiparables (i.e. la media
muestral de la poblacional).
Esta estimacin punt ual es poco informativa, mejor la variante de la estimacin mediante
i nt er v al os de conf i anza. Dicha estimacin implica pocos clculos respecto al contraste de
hiptesis:
; R
F MC
n

-

Se estima una gama de valores (centrada en el estimador puntual) que capturarn el valor
real del parmetro con una probabilidad equivalente al nivel de confianza 1-. De forma,
que la magnitud del mismo depender del valor de alfa y de la cantidad de error que
nuestro modelo deja sin explicar.


9

Resumen del model o- I I

Pot enci a est adst i ca
Un contraste implica la deci si n ent r e dos hi pt esi s: la hiptesis nula, H
0
, que es la que
contrastamos, y una hiptesis alternativa, H
1
, que est implcita en el rechazo de la nula.
As, realmente tenemos dos pr obabi l i dades, alfa y beta, asociadas respectivamente a los
dos tipos de error que se pueden cometer en la nueva situacin.
Lo ms frecuente es controlar la magni t ud del er r or t i po I a travs de la eleccin de la
regin de rechazo pero no sucede lo mismo con el control del er r or t i po I I ya que depende
de una serie de factores, entre los que destacan:
o La magnitud -tamao- del efecto del tratamiento.
o La magnitud -tamao- de la muestra empleada.
o La magnitud de varianza error (S
e
2
).
o El nivel de significacin o probabilidad de cometer error tipo I.
La base viene dada por la est i maci n del ef ect o de t r at ami ent o puesto que los dems
factores ya sabemos estimarlos.
o El estadstico F confunde el efecto del tratamiento y el tamao muestral. En
pocas palabras, la medida RPE es una estimacin del efecto del tratamiento que
no depende del tamao muestral.
o El problema es que esa estimacin es segada, puesto que se apoya en
estimaciones muestrales y tiende a producir valores mayores que el real. Kelley
(1935) propuso un estimador insesgado:
2
1 (1 )
COM
AMP
N NP
RPE
N NP

La estimacin de la pot enci a estadstica es, por la cantidad de factores que intervienen,
bastante compleja, pero se puede aproximar a partir de delta (parmetro de no centralidad
en el modelo F, tambin conocido como lambda). A partir de aqu, se puede estimar la
potencia para cualquier tipo de parmetro poblacional, como las medias, varianzas,
correlaciones, proporciones, etc.; teniendo en cuenta el modelo de distribucin no
centralizado que corresponde a los mismos, as como los parmetros de dicha distribucin.
o La probabilidad o valor de la variable aleatoria, los grados de libertad asociados y
al que se aade el parmetro delta, de no centralidad.
1

es el efecto del tratamiento y v son grados de libertad asociados al error.

El clculo de la potencia a partir de delta es complejo. En general, se han usado tres
aproximaciones diferentes:
1) Tablas de potencia de Pearson-Hartley (1951, 1972). Requieren el cmputo de
2
, que combina el tamao muestral (n) con el efecto del tratamiento.
2
j A
n =
2) Algunos paquetes estadsticos, como Statistica, tienen un mdulo adicional que
permite estimar la potencia de diferentes tipos de contrastes de Hiptesis pero
tambin permite estudios de optimizacin.
3) Transformacin de Severo-Zellen. En primer lugar se estima el parmetro de no
centralidad lambda y a continuacin la probabilidad del mismo segn una
aproximacin a la distribucin normal.


10
Resumen del model o- I I I

FIGURA 6.3. La distribucin F No Centralizada para la estimacin de la potencia estadstica,
Tomado de Ramos, M.M.; Catena, A. y Trujillo, H. (2004). Manual de Mtodos y Tcnicas de Investigacin en Ciencias Del
Comportamiento. Madrid: Biblioteca Nueva.


11

1.1.7. Interpretacin del modelo

El ltimo paso de la estrategia de modelizacin es la adopcin de conclusiones sobre la
hiptesis.
Junto a los problemas relacionados con la validez interna y/o externa y de constructo, hay
otras amenazas que tienen que ver con la propia conclusin estadstica. Bsicamente hay
dos fuentes de procedencia de las mismas, los que proceden de los propios cmputos
estadsticos y los que tienen que ver ms bien con el error asociado al diseo.

Se recomienda tener presente el CUADRO 6.10. Amenazas a la validez de la conclusin
estadstica: razones por las que las inferencias sobre la covariacin entre dos variables pueden ser
incorrectas, del manual de Ramos, M.M.; Catena, A. y Trujillo, H. (2004). Manual de Mtodos y Tcnicas de
Investigacin en Ciencias Del Comportamiento. Madrid: Biblioteca Nueva.

Significacin estadstica versus emprica de los resultados

En el modelo presentado, el contraste de hiptesis no es el final del proceso de anlisis de
los resultados de una investigacin. El resumen del modelo incluye, adems, otros informes
de los resultados, como lo es el tamao del efecto del tratamiento, la potencia estadstica
y/o los intervalos confidenciales.
Pero hay ms. La prctica analtica ha llevado a dejar en segundo plano el objetivo de la
investigacin. El hecho de que se rechace o no la hiptesis nula nada nos dice sobre lo que
aportan los datos de la investigacin en relacin a la hiptesis o el modelo terico que
motiv el estudio. Al gunos aut or es como Meehl ( 1978) pi ensan que t ant a
obcecaci n con el cont r ast e de hi pt esi s ha empobr eci do el desar r ol l o t er i co de
ci er t as di sci pl i nas.
Importante diferenciacin: la significacin estadstica frente a la significacin prctica o
utilidad de los resultados.
Un resultado negativo del contraste de hiptesis estadsticas no implica que no haya un
efecto del tratamiento (de la manipulacin) sino que dicho efecto no permite excluir de
manera convincente la accin del azar o de la variabilidad como explicacin alternativa del
efecto observado.
En este punto de nuevo tenemos que apelar al tipo de estimaciones que hemos incluido en
la fase de resumen del modelo como gua de las decisiones en torno a la relevancia prctica
del efecto de tratamiento y el concepto ms directo es el de la magni t ud del ef ect o de
t r at ami ent o.


12
1.2. Variantes del Modelo general en funcin del tipo de diseo de
investigacin
I nt r oducci n

El esquema de trabajo basado en la modelizacin es aplicable en general a un amplio
espectro de diseos. Es ah precisamente donde reside su punto ms fuerte como enfoque
analtico.
La mayora de los criterios que presentaremos son complementarios, de manera que el
diseo quedar especificado completamente al aplicarlos todos. Por ejemplo, podramos
tener el anlisis detallado de diseos Factoriales Entregrupos Multivariados segn la
variante ANOVA.
En algunos de los casos la aplicacin de la modelizacin es prcticamente directa, lo nico
que se requiere es la derivacin apropiada del estadstico de contraste. En cambio, en otros
casos, se requiere la inclusin de conceptos adicionales para poder aplicar dicho esquema.
Este es el caso fundamentalmente de los diseos categricos.


13
2. Variaciones de la perspectiva de Modelizacin en funcin del tipo de diseo (Cuadro 6.11, tomado de
Ramos, M.M.; Catena, A. y Trujillo, H. (2004). Manual de Mtodos y Tcnicas de Investigacin en Ciencias Del Comportamiento.
Madrid: Biblioteca Nueva).

MUESTRAS
(MANIPULACIN
VARIABLES X)
Independientes
(var. Entre)
Relacionadas
(var. Intra)
ESCALA MEDIDA
VARIABLES
X Cuantitat.-Y Cuantitat.
Regresin
X Categrica-Y Cuantitat.
ANOVA
X Cuantitat.-Y Categrica
Regresin Logstica
X Categrica-Y Categrica
Categricos
X
NMERO
VARIABLES
Y
Unifactorial
Regres. Simple
Factorial
Regres. Mltiple
Univariado
Regres. Lineal
Multivariado
Regres. Cannica
COMPLEJIDAD
MODELO
(GENERALIDAD
HIPTESIS)
Anlisis
Global
Anlisis
Detallado de
Contrastes
A priori
Tendencias
A Posteriori
CASOS
ESPECIALES
Control
Estadstico
Modelos
Longitudinales
No Equilibrados
Configuracin
Incompleta:
Anidados,
Jerrquicos,

14

1.3. Aplicaciones en diferentes mbitos de investigacin

1.3.1. Aplicaciones en Ciencias Experimentales

A continuacin se centran ejemplos de Quimiometra en el anlisis de datos medioambientales
para ilustrar los principales tipos de diseo y de tcnicas de anlisis relevantes.

Descr i pt i vo
Estudiar en detalle las emisiones de un contaminante en estaciones mediante monitoreo
atmosfrico: Valores promedio, dispersin a travs de diferentes momentos temporales,
modelo de distribucin a travs del tiempo, etc.; deteccin de valores extremos y puntos
anmalos.

Ex per i ment al - Cuasi ex per i ment al . Cont r ast e de una muest r a.
Comparar los promedios de un contaminante obtenido a partir de una muestra con criterios
externos, como lmites de alerta, valores impuestos por la norma tipo ISO de calidad), lmites
de seguridad.

Ex per i ment al - Cuasi ex per i ment al . Cont r ast e de dos muest r as.
Comparar los promedios de estado de contaminacin en dos estaciones diferentes
(mm.independientes, diseo Entregrupos).
Comparar los promedios de estado de contaminacin emitidos por una estacin en dos
momentos diferentes (mm. Dependientes, diseo Intrasujetos).

Cuasi ex per i ment al . Cont r ast e de a- muest r as t i po ANOVA.
Comparar los promedios de un contaminante en diferentes reas (i.e. urbana, rural, industrial).

Ex per i ment al . Cont r ast e de a- muest r as t i po ANOVA.
Estudiar el efecto de diferentes tipos de tratamientos preventivos sobre los promedios de un
contaminante.

Cor r el aci onal t i po Regr esi n.
Estudiar la posible relacin entre las concentraciones presentes de dos contaminantes.
Estudiar la posible relacin entre la concentracin de un contaminante y algn parmetro
metereolgico (i.e. viento, temperatura, humedad relativa, etc.).

Ser i es Tempor al es
Abstraccin del patrn de comportamiento de un agente contaminante a travs del tiempo.

Cat egr i cos.
Estudio de la frecuencia con la que se rebasa la norma de calidad en dos lugares antes y
despus de extremar las medidas de control.

Mul t i var i ados
Estudio de variables determinadas experimentalmente por muestras diferentes, examinando
simultneamente ms de una medida de contaminacin.


15
1.3.2. Aplicaciones en Ciencias Comportamentales, Salud, Psicologa,
educativa y mbito social.
A continuacin se centran ejemplos de peritajes psicolgicos en el anlisis de datos de investigaciones
para ilustrar los principales tipos de diseo y de tcnicas de anlisis relevantes.

Descr i pt i vo
Un colaborador del investigador es seleccionado para formar parte de un jurado y entonces se aprovecha
la ocasin para investigar la problemtica de inters. Para ello se elaboraron una serie de conductas que
seran exploradas durante la adopcin de decisiones y deliberaciones mediante una metodologa
observacional. Dichas conductas reflejaran diferentes actitudes valores que podran influenciar las
decisiones segn las teoras sociales ms relevantes. El objetivo es estudiar en detalle dichas conductas:
valores promedio, dispersin a travs de diferentes momentos temporales, modelo de distribucin a
travs del tiempo, etc.; deteccin de valores extremos y puntos anmalos.

Ex per i ment al - Cuasi ex per i ment al . Cont r ast e de una muest r a.
A un grupo de jurados se le instruye en una serie de habilidades o estrategias de razonamiento para evitar
sesgos, con ejemplos generales. Entonces se midi a todos los participantes del estudio en una tarea que
presenta de manera esquemtica un proceso judicial y se les pide adoptar decisiones. El estudio tuvo
lugar en una dependencia anexa a las salas del juzgado y mediante un ordenador PC. Interesa, pues,
averiguar si las decisiones promedio estn o no sesgadas.
Ex per i ment al - Cuasi ex per i ment al . Cont r ast e de dos muest r as.
Supongamos que a un segundo grupo de la investigacin precedente se le instruye en habilidades de
razonamiento matemtico que impliquen un esfuerzo y tiempo similar a las del grupo anterior. En dicho
contexto interesa comparar el grado de sesgo de las decisiones promedio en ambos grupos para ver si
difieren o no. Este es un caso de mm.independientes o diseo Entregrupos.
Alternativamente supongamos que las medidas del estudio original se tomaron realmente en dos
momentos temporales: inmediatamente despus de la fase de entrenamiento y tras un mes, con objeto
de evaluar el grado mantenimiento de los efectos del programa de entrenamiento. Este es un caso de
mm. Dependientes o diseo Intrasujetos.
Ex per i ment al - Cuasi ex per i ment al . Cont r ast e de a- muest r as t i po ANOVA.
Finalmente, a un tercer grupo de las investigaciones precedentes se le entrena en habilidades para evitar
sesgos pero sobre ejemplos concretos relevantes al contexto judicial. La participacin en cada uno de los
tres grupos se realiz al azar. En dicho contexto interesa comparar el grado de sesgo de las decisiones
promedio entre los tres grupos para ver si difieren o no.

Cor r el aci onal t i po Regr esi n.
En otra fase de la investigacin interes ms bien medir diferentes variables de personalidad con objeto
de aislar posibles predictores de las decisiones sesgadas. A una muestra amplia de personas seleccionadas
para participar en jurados se les administr un conjunto de cuestionarios y se les midi en diferentes
variables de personalidad. Entonces se estim la tasa de condenas segn diferentes caractersticas de los
inculpados, como su condicin sexual, nivel socio-cultural, raza, etc. Adems se midi tambin el grado de
extremismo en las decisiones en funcin de la rigidez mental de los jurados, etc.

Ser i es Tempor al es
Tambin se ha planteado que la edad de los jurados podra ser un factor importante a considerar. Esto es
as ya que las personas ms jvenes podran ser ms consideradas y relajadas en sus decisiones respecto
a las de ms edad. Para esta investigacin se eligi una muestra de jueces y se les midi a lo largo de un
dilatado perodo de tiempo, pudiendo as estudiar la curva que caracteriza sus juicios de culpabilidad con
relacin a su criterio de decisin. Esto sera de inters para determinar la edad ptima de los jueces.

Cat egr i cos.
Estudio de la frecuencia con la que se comenten decisiones sesgadas en funcin de variables como la edad
(mayores vs. jvenes) y el sexo (varones vs mujeres).

Mul t i var i ados
En el contexto de una, dos o a-muestras, supongamos que en concreto queremos poner a prueba las
diferencias entre los tres grupos de tratamiento pero simultneamente sobre varias medidas que
evidencian el proceso de decisin: la eleccin de culpabilidad y la seguridad o confianza depositada en la
misma.


16

1.3.3. La formalizacin de los diferentes tipos de aplicaciones
Ejemplos de ecuaciones para la modelizacin de diseos destacados,
Adaptado a partir de Ramos, M.M.; Catena, A. y Trujillo, H. (2004). Manual de Mtodos y Tcnicas de Investigacin en Ciencias Del
Comportamiento. Madrid: Biblioteca Nueva

SITUACIN MODELO
0
Y B =
Una muestra
0
Y =
Dos ms muestras
0 1
Y X = +
Lineal simple
0 1
Y X
Lineal simple -mm.
Dependientes
S = + +
Lineal simple -anlisis
contrastes especficos
0 1
; : (0,1, Y X X 1) = +
Lineal Mltiple
0 1 2
1 2 Y X = + + X
Lineal Mltiple con
interaccin
0 1 2 3
1 2 1 Y X X X = + + + 2 X
Polinomial de grado-2 o
tendencia Cuadrtica
2
0 1 2
1 1 Y X = + + X
Lineal -Control de Z
0 1 2
1 1 Y X = + + Z
Multivariado
0 1 2
( 1, 2) 1 2 f Y Y X X = + +

Volver Principio

Programa Estadistico

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Programa Estadistico

Uploaded by

Copyright:

Available Formats

Manuel Miguel Ramos lvarez

Curso de Anlisis de investigaciones con programas Informticos I-1

You might also like