0 calificaciones0% encontró este documento útil (0 votos)
12 vistas2 páginas
El documento explica los conceptos de p-valor, correlación, causalidad, análisis de diferencia de medias y análisis de tablas de contingencia. El p-valor mide la probabilidad de que los resultados sean producto del azar. La correlación mide la asociación entre variables, pero no implica causalidad, la cual requiere que una variable afecte a la otra. Un análisis de medias compara las medias entre grupos y un análisis de tablas de contingencia examina la relación entre variables categóricas.
El documento explica los conceptos de p-valor, correlación, causalidad, análisis de diferencia de medias y análisis de tablas de contingencia. El p-valor mide la probabilidad de que los resultados sean producto del azar. La correlación mide la asociación entre variables, pero no implica causalidad, la cual requiere que una variable afecte a la otra. Un análisis de medias compara las medias entre grupos y un análisis de tablas de contingencia examina la relación entre variables categóricas.
El documento explica los conceptos de p-valor, correlación, causalidad, análisis de diferencia de medias y análisis de tablas de contingencia. El p-valor mide la probabilidad de que los resultados sean producto del azar. La correlación mide la asociación entre variables, pero no implica causalidad, la cual requiere que una variable afecte a la otra. Un análisis de medias compara las medias entre grupos y un análisis de tablas de contingencia examina la relación entre variables categóricas.
1. ¿Cuál es la probabilidad (p-valor) para que nuestra hipótesis de investigación sea
aceptada o validada? El valor-p es un indicador de significación estadística que simboliza la probabilidad mínima definida por la distribución con la que podemos descartar la hipótesis nula. Esto quiere decir que es una medida destinada a medir el peso del azar en la distribución de la variable. Es una prueba de verificación de hipótesis que nos muestra la probabilidad de obtener el mismo resultado o valores aún más extremos suponiendo que sea verdad la hipótesis nula, es decir, la hipótesis que se quiere verificar el test o probar contra la hipótesis alternativa que es la que plantea el investigador. El p-valor compran un rango de valores entre 0 y 1. La convención en ciencias sociales es que si el p-valor es inferior a un 0,05 significa que existe la posibilidad de que la hipótesis nula es falsa. Un p-valor menor de 0,05 significa que las probabilidades de que realmente no exista ninguna diferencia entre las dos medias, por ejemplo, son muy bajas, inferiores a un 5%, proporción que los científicos consideran suficiente para rechazar la hipótesis nula. Si es superior, en cambio, tendremos que aceptar la hipótesis nula ya que tendrá muchas probabilidades de ser válida.
2. ¿Cuál es la diferencia entre correlación y causalidad?
La correlación se refiere a la relación entre dos variables que están asociadas. La correlación implica la existencia un cierto grado de asociación entre los valores de las dos variables numéricas. Una relación que puede tener una dirección y una fuerza determinada que la mesuraríem con el coeficiente de correlación de Pearson que nos da un rango de valores entre -1 y 1. Cuanto más cerca del 0 esté menos fuerte es la relación entre las dos variables y cuando más cerca de -1 o 1 más fuerte será la asociación. Además, si el coeficiente es negativo la dirección de la relación es negativa y si es positivo la dirección será positiva. La diferencia fundamental con la causalidad es que esta relación o asociación entre las dos variables no implica un efecto de la una sobre la otra. La causalidad, por su parte, implica que hay una variable que tiene un efecto sobre la otra, por lo cual un determinado comportamiento, un cambio en este caso, sobre la otra variable. Que dos variables estén relacionadas no significa que exista un efecto de una sobre la otra si no que ambas siguen un patrón determinado en la variación de sus valores. En cambio, causalidad explica que la concurrencia de una variable causa o tiene efectos sobre la otra, es decir, su existencia hace que varíen los valores de la variable sobre la que tiene efectos. En conclusión, la correlación es cuando dos o más variables van enlazadas y la causalidad es cuando una de estas tiene una influencia que provoca un efecto.
3. ¿Qué puedes concluir a partir de un análisis de diferencia de medias?
Un análisis de diferencia de medias nos permite observar la relación entre una variable independiente categórica y una dependiente numérica. A partir del análisis de medias podemos responder dos preguntas: si se puede rechazar o no la hipótesis nula de la diferencia estadística de la variable dependiente según las categorías de la independiente; y en qué medida hay diferencia estadística entre una media y la otra. Resolviendo la primera pregunta rechazando o no la hipótesis nula, podremos concluir con certeza o no la segunda pregunta.
4. ¿Cuándo se utiliza un análisis de tablas de contingencia?
Una tabla de contingencia se utiliza para visualizar la relación entre dos variables categóricas. El análisis de tablas de contingencia se utiliza cuando se quiere visualizar y analizar la relación entre dos variables categóricas (dependiente e independiente), de las que la variable independiente se representará en el eje horizontal y la dependiente en el eje vertical. En cada casilla de la tabla obtendremos el número total de observaciones de la relación de las variables, es decir, el número de frecuencias y podremos así obtener el porcentaje sobre el total.
Respuesta al análisis del tuit de Ernest Urtasun.
El tuit se formula el 7 de febrero de 2021, una semana antes de las elecciones catalanas, cuando los medios se hacían eco del "efecto Isla": el efecto positivo que había tenido sobre la intención de voto al PSC que Salvador Isla fuera elegido candidato. Ernest Urtasun, eurodiputado en el Parlamento Europeo de Cataluña en Común, hace un tuit mostrando la evolución en intención de voto de la candidata de En Común Podemos Jéssica Albiach. Llama a la evolución, "el efecto Albiach". El eurodiputado infiere que existe un "efecto", por lo tanto una relación de causalidad entre la candidata y el que se observa el diagrama de línea. Se supone que Urtasun se refiere al aumento en intención de voto de 5.5 a 7.7 puntos de 15 de enero a 7 de febrero. Esta inferencia tiene dos problemas. El primero, no queda claro cuál es la "causa". Albiach ya era candidata al mes de diciembre. No hay ningún fenómeno relacionado con la candidata que haya producido alrededor del 15 de enero que haga pensar que haya causado el aumento de voto del partido En Común Podemos. En segundo lugar, el tuit tiene un problema de inferencia muestral. Las encuestas se hacen a partir de una muestra de pocos cientos de individuos y todas las estimaciones tienen error muestral, que hace que no podemos saber con exactitud el valor real a la población y que la tengamos que tener siempre en cuenta cuando hacemos inferencias causales. Normalmente, el margen de error de encuestas como la del GESOP se sitúa en torno al 3.5%. Por lo tanto, la diferencia observada entre 5.5 y 7.7 es demasiado pequeña para poder decir que existe efecto Albiach (cualquiera que sea la causa). Es demasiado probable que la diferencia sea producida por azar, fruto del error muestral.
Resumen de Diseño Estadístico Para Investigadores en Ciencias Sociales y del Comportamiento. Capítulo 2: Variables Estadísticas: RESÚMENES UNIVERSITARIOS
Planeación didáctica de Progresiones de aprendizaje del Recurso SocioCognitivo Transversal PENSAMIENTO MATEMÁTICO 1, Unidad de Aprendizaje Curricular: Pensamiento Probabilístico y Estadístico Unidad 3 Pensamiento Estadístico