Psicología científica ANÁLISIS DATOS 2. CONCEPTO 1. MARCO aplicada a PSICOLOGÍA ESTADÍSTICA Estadística teórica (ciencia) Psicología científica 3. MÉTODO Método estadístico Método científico Estadística aplicada (procedimientos y técnicas) Modelado estadístico Ciencia 4. PERSPECTIVAS

SOCIOLOGÍA PEDAGOGÍA MARCOS PSICOLOGÍA

Psicología científica CONOCIMIENTO CIENTÍFICO ANÁLISIS DATOS 1. MARCO PSICOLOGÍA Psicología científica Psicología científica Análisis datos Método científico Método científico Ciencia Método estadístico

Método científico en Psicología, Sociología, Pedagogía Teoría nivel teórico- explicativo 2 3 confirmatorio vía empírico-inductiva Modelo vía hipotético-deductiva exploratorio 1 4 nivel empírico- descriptivo Empiría

Empírico-metodológico Niveles y etapas constructos problema hipótesis Teórico-conceptual variación diseño método metodologías 1. CONCEPTUAL 2. METODOLÓGICA PSICOESTADÍSTICA Empírico-metodológico 3. ANÁLISIS DE DATOS

ANALISIS DATOS aplicada a PSICOLOGÍA ESTADÍSTICA 2. CONCEPTO 1. MARCO aplicada a PSICOLOGÍA ESTADÍSTICA Estadística teórica (ciencia) Psicología científica 3. MÉTODO Método estadístico Método científico Estadística aplicada (procedimientos y técnicas) Modelado estadístico Ciencia 4. PERSPECTIVAS

¿Qué es la Estadística? Método estadístico Matemáticas TEÓRICA APLICADA procedimientos CIENCIA técnicas PSICOESTADÍSTICA PSICOLOGÍA

¿Qué es el análisis de datos? Pedagogía Sociología ESTADÍSTICA Psicología ANALISIS DATOS conocimiento científico instrumento problema de la medida ¿qué contenidos?

Análisis de datos: doble vía Dominio de modelos y procedimientos estadísticos Fenómeno psicológico MODELO Dominio del objeto sustantivo que se investiga TEORÍA

PSICOESTADÍSTICA aplicada a PSICOLOGÍA ESTADÍSTICA 2. CONCEPTO 1. MARCO aplicada a PSICOLOGÍA ESTADÍSTICA Estadística teórica (ciencia) Psicología científica 3. MÉTODO Método estadístico Método científico Estadística aplicada (procedimientos y técnicas) Modelado estadístico Ciencia 4. PERSPECTIVAS

Identificación del MODELO Estimación de PARÁMETROS MÉTODO ESTADÍSTICO Formulación del PROBLEMA MODELADO ESTAD. Identificación del MODELO Recogida de DATOS Estimación de PARÁMETROS Evaluación del MODELO

Fases del diseño experimental 1. Formulación del problema 2. Formulación de hipótesis 3. Recogida de datos 4. Análisis de datos y confrontación con las hipótesis 5. Conclusiones y generalización de los resultados. 6. Elaboración del informe.

Etapas del método científico Información sobre el tema Planteamiento del problema Formulación de hipótesis Comprobación de hipótesis Recogida de datos Análisis de datos Generalización de los datos Difusión de los resultados modalidades MÉTODO ESTADÍSTICO

Modelo estadístico = + DATOS = MODELO + ERROR DATOS = ERROR MODELO Respuesta = Componente sistemático + Componente aleatorio DATOS = MODELO + ERROR DATOS = ERROR MODELO

Modelado estadístico Identificación Estimación MODELOS Evaluación Interpretación Ato y López García (1996)

Perspectivas PRUEBAS DE SIGNIFICACIÓN ANÁLISIS EXPLORATORIO DATOS TÉCNICAS MULTIVARIANTES Estadística Confirmatoria Estadística Exploratoria Estadística Multivariante

Pruebas de significación ANÁLISIS DE LA POTENCIA Análisis alternativos DEBATE METANÁLISIS INFERENCIA BAYESIANA

Análisis Exploratorio de Datos EXPLORATORIO CONFIRMATORIO Estadísticos robustos Análisis de residuos Transformaciones Análisis de gráficos Estudio outliers

Técnicas multivariantes POBLACIONES MULTIVARIANTES MODELOS ESTADÍSTICOS VARIACIÓN COMBINACIÓN LINEAL DE VARIABLES PESOS EMPÍRICAMENTE DETERMINADOS

Algunos conceptos previos en estadística descriptiva Conceptos generales: Población Muestra (muestreo) Parámetro Estadístico Característica Modalidad Medición Concepto Escalas de medida Nominal Ordinal Intervalos Razón Población estadística: conjunto de todos los elementos que cumplen una o varias características o propiedades. Los elementos que la componen se llaman entidades o individuos (personas, animales, objetos). La población puede ser finita (si los elementos se pueden contar) o infinita (teóricamente no admite límites). –Ejemplos-.La población debe quedar siempre bien definida. Muestra es un subconjunto de elementos de una población. El objetivo principal es poder definir la población de partida mediante lo que podamos encontrar en la muestra. Para extraer conclusiones es importante que las muestra sean representativas (ejemplo comentado en pág. 23 de estatura). Existe todo un campo de la Estadística, llamado muestreo, dedicado a estudiar procedimientos de extracción de muestras con objeto de maximizar la representatividad de las mismas. Un primer objetivo de la estadística descriptiva es conseguir resúmenes de los datos en índices compactos y de calidad informativa. Las poblaciones se caracterizan a partir de unas constantes llamadas parámetros. Normalmente son desconocidos, por ello la estadística se dedica a hacer conjeturas lo más acertadas posibles acerca de ellas. Para ello utiliza cantidades análogas obtenidas de las muestras. Parámetro es una propiedad descriptiva de una población. Estadístico es una propiedad descriptiva de una muestra. Los primeros se simbolizan por letras griegas. Los segundos por latinas. En la primera fase de una investigación se obtienen los estadísticos y en la segunda se los utiliza para hacer inferencias acerca de los parámetros. Característica: es una propiedad o cualidad de un individuo. Modalidad: es una de las maneras como se presenta una característica. Ej: sexo, estado civil, estatura, inteligencia, memoria, personalidad... Variables: Clasificación y notación

Distribución de frecuencias Absoluta (ni) absoluta acumulada (na) Relativa (pi) relativa acumulada (pa) Representaciones gráficas Diagrama barras (vars. nominal y discreta) Diagrama de pastel (var. cualitativa) Histograma (var. continua) Polígono de frecuencias (vars. discreta y continua) Propiedades: Tendencia central Variabilidad Asimetría o sesgo Curtosis REPRESENTACIONES GRÁFICAS A) Diagrama de barras: con variables nominales y cuantitativas discretas. En el eje de abscisas se sitúan las modalidades y el el ordenadas las frecuencias absolutas o relativas. Si la variable es cuantitativa, también pueden ser acululadas. B) Diagrama de pastel: para variables cualitativas. Círculo que se divide en secciones cuya superficie es proporcional a la frecuencia de la modalidad correspondiente. C) Histograma: con variables cuantitativas continuas. Parecido al diagrama de barras pero con rectángulos consecutivos. Se aplica a frecuencias simples o acumuladas. D) Polígono de frecuencias: si es con variables discretas, resulta de unir los extremos superiores de las que hubieran sido las barras de un diagrama de barras. Si la variables es continua, se terminan uniendo el valor superior e inferior con la frecuencia cero.

Número de hijos (X):2,1,0,3,2,2,3,1,1,0,1,2,1,2,0,2,4,2,3,1 Xi ni pi na pa 3 0,15 1 6 0,30 9 0,45 2 7 0,35 16 0,80 19 0,95 4 0,05 20 1,00 La distribución de frecuencias es un instrumento diseñado para cumplir tres funciones: a) permititr una organización racional de los datos; b) ofrecer la información necesaria para hacer representaciones gráficas; c) facilitar los cálculos para obtener estadísticos muestrales. Frecuencia absoluta (ni) de una valor Xi es el número de veces que se repite el valor Xi en la muestra. Frecuencia relativa (pii = ni / n) es el cociente entre la frecuencia absoluta y el tamaño de la muestra. Frecuencia absoluta acumulada (na) es el número de veces que se repite ese valor en la muestra, o cualquier otro valor inferior. Frecuencia relativa acumulada (pa = na / n) es el cociente entre la frecuencia absoluta acumulada y el tamaño de la muestra. En una distribución de frecuencias completa aparece en la primera columna los valores de la variable en sentido creciente o decreciente. A continuación se presentan los cuatro elementos que hemos definido si se trata de una variable cuantitativa. Si se trata de una variable cualitativa o nominal, sólo aparecen las frecuencias absolutas y relativas.

Polígono de frecuencias frecuencias absolutas (nº hijos)

La cuestión de la significación: concepto La prueba de significación de la hipótesis nula es el principal procedimiento para diferenciar las explicaciones sistemáticas de las que incluyen el azar. Se establece una hipótesis que indique cómo se distribuirán los datos en caso de que la muestra perteneciera realmente a la población. Se calcula un “estadístico de contraste” que lleva asociado un valor de probabilidad a de cumplimiento de la hipótesis nula (H0). Si a es menor que 0.05, se rechaza H0 y la evidencia favorece a H1. Una H0 está referida a si existe: Un patrón sistemático discernible. Una diferencia entre grupos Una asociación entre variables.

La cuestión de la significación: críticas Las pruebas de significación son un “ejercicio ritualizado de abogacía del diablo” (Abelson, 1998); defienden aquello en lo que no se cree: No hay un patrón sistemático en los datos No hay diferencias entre los grupos. No se da asociación entre las variables. La H0 no responde a la pregunta cuya respuesta deseamos conocer. El enfoque clásico (fisheriano) se centra en la significación de los resultados, sin considerar su importancia práctica o sustantiva (si no son significativos no suelen tomarse en consideración). Abelson, R. (1998). La estadística razonada: reglas y principios. Madrid: Paidós.

La cuestión de la significación: alternativas El enfoque de Newman-Pearson: se pide un valor exacto para la hipótesis alternativa (H1). Se trabaja con la probabilidad de rechazar H1 cuando es verdadera (b). Importancia del tamaño del efecto Importancia de la potencia -probabilidad de rechazar la H0 siendo falsa (1 – b)-. El metanálisis: Un análisis secundario de los datos. Combina el tamaño del efecto de distintas investigaciones. La estadística bayesiana: Utiliza la probabilidad relativa de una hipótesis con respecto a sus oponentes antes y después de los resultados de una investigación.