Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CADIPI 01 ModAnali
CADIPI 01 ModAnali
I-1
UNIVERSIDAD DE JAN
ndice
1.
M
A
O
N
T
D
E
E
L
R
L
O
S
A
L
D
S
E
MA
AT
M
MO
OD
AN
N
TE
DE
L
ER
EL
LIIIS
RIIIA
LO
OD
SIIIS
AL
L II
DE
S
EA
I-2
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-.
1.1.2.
I-3
Comprobacin
Supuestos
Identificacin Modelo
No
Evaluacin Modelo
Contraste Hiptesis
AMP-COM y AMP-SAT
Variaciones
s/ Diseo
ADECUADO?
S
Resumen Modelo
Interpretacin
Predicciones
Identificacin variables
extraas
1.1.3.
I-4
Abrir fichero:
ModGeneralAnalisis.xls
Ver Hoja Datos
1.1.4.
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 deseables 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
mnimo el error cuadrtico para el conjunto de los datos, 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.
1.1.5.
ModGeneralAnalisis.xls
Ver Hoja ModLineal2
I-5
Ahora podemos computar la reduccin neta del error, o la reduccin proporcional de AMP
respecto de COM:
Reduccin neta de error:
RPE =
SCE (COM ) =
Error
Original
+ SCE ( AMP)
SCR
Re duccion Error
debida Modelo AMP
Error prevalece
debido Modelo AMP
Fk =
Sigue un modelo F:
Fk F R ;
I-6
Fuente
SC
gl ( )
Reduccin,
NPAMPSCR
Modelo
NPCOM
AMP
Error del
NSCe(AMP)
Modelo
NPAMP
AMP
NSCe(COM)
Total
NPCOM
MC
MCR =
SCR
NPAMP NPCOM
MC =
Fk
RPE
SCR
MCR
*
SCE (COM )
MC
p( Fk )
SC ( AMP )
N NPAMP
*p
Aclaraciones:
como
I-7
Ejemplo de Contraste de Hiptesis sobre el Modelo de Distribucin F con los parmetros: a=4;
n=10; 0.05F3;36=2.87
Alfa o nivel de
significacin
Valor Crtico de F
1.1.6.
I-8
Intervalos confidenciales
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 puntual es poco informativa, mejor la variante de la estimacin mediante
intervalos de confianza. Dicha estimacin implica pocos clculos respecto al contraste de
hiptesis:
F R ; i 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.
I-9
N NPCOM
N NPAMP
2 = 1 (1 RPE )
I-10
10
1.1.7.
I-11
11
I-12
12
I-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)
X Cuantitat.-Y Cuantitat.
Regresin
ESCALA MEDIDA
VARIABLES
X Categrica-Y Cuantitat.
ANOVA
X Cuantitat.-Y Categrica
Regresin Logstica
X Categrica-Y Categrica
Categricos
Unifactorial
Regres. Simple
X
NMERO
VARIABLES
Univariado
Regres. Lineal
Y
COMPLEJIDAD
MODELO
(GENERALIDAD
HIPTESIS)
Factorial
Regres. Mltiple
Multivariado
Regres. Cannica
Anlisis
Global
A priori
Anlisis
Detallado de
Contrastes
Tendencias
A Posteriori
Control
Estadstico
CASOS
ESPECIALES
No Equilibrados
Configuracin
Incompleta:
Anidados,
Jerrquicos,
Modelos
Longitudinales
13
I-14
14
I-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.
Descriptivo
Series Temporales
Categricos.
Multivariados
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.
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.
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.
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.
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.
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.
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).
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.
15
1.3.3.
I-16
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
Una muestra
MODELO
Y = B0
Y =
Dos ms muestras
Lineal simple
Y = 0 + 1 X
Y = 0 + 1 X + S
Y = 0 + 1 X ; X : (0,1, 1)
Y = 0 + 1 X 1 + 2 X 2
Y = 0 + 1 X 1 + 2 X 2 + 3 X 1X 2
Multivariado
f (Y 1, Y 2) = 0 + 1 X 1 + 2 X 2
Y = 0 + 1 X 1 + 2 X 12
Y = 0 + 1 X 1 + 2 Z1
Volver Principio
16