Conclusión sobre la importancia de las estadísticas
El objetivo último de la investigación es producir conocimientos fiables o proporcionar las pruebas que puedan orientar las decisiones prácticas. La validez de las conclusiones estadísticas (VCE) se da cuando las conclusiones de un estudio de investigación se fundamentan en un análisis adecuado de los datos, lo que generalmente significa que se utilizan métodos estadísticos adecuados cuyo comportamiento en muestras pequeñas es preciso, además de ser lógicamente capaces de dar respuesta a la pregunta de investigación. En comparación con los otros tres aspectos tradicionales de la validez de la investigación (validez externa, validez interna y validez de constructo), el interés por la VCE ha crecido recientemente al comprobarse que a veces se realizan análisis de datos inadecuados que arrojan conclusiones que un análisis adecuado de los datos no habría apoyado. En este artículo se analizan las pruebas de tres amenazas comunes a la VCE que surgen de recomendaciones o prácticas generalizadas en el análisis de datos, a saber, el uso de pruebas repetidas y la detención opcional sin control de las tasas de error de tipo I, la recomendación de comprobar los supuestos de las pruebas estadísticas y el uso de la regresión siempre que se estudie una relación bivariada o la equivalencia entre dos variables. Para cada una de estas amenazas, se presentan ejemplos y se discuten prácticas alternativas que salvaguardan la VCP. También se discuten los cambios educativos y editoriales que pueden mejorar la VPC de la investigación publicada.
Conclusión de la estadística en matemáticas
La validez estadística se refiere a si un estudio estadístico es capaz de extraer conclusiones que estén de acuerdo con las leyes estadísticas y científicas. Esto significa que si se extrae una conclusión de un conjunto de datos determinado tras la experimentación, se dice que es científicamente válida si la conclusión extraída del experimento es científica y se basa en leyes matemáticas y estadísticas.
Hay diferentes tipos de validaciones estadísticas que son relevantes para la investigación y la experimentación. Cada una de ellas es importante para que el experimento ofrezca predicciones precisas y saque conclusiones válidas. Algunas de ellas son: Estos son los principales tipos de validez estadística que hay que tener en cuenta durante la investigación y la experimentación.
Eso es todo. No necesitas nuestro permiso para copiar el artículo; sólo tienes que incluir un enlace/referencia a esta página. Puedes utilizarlo libremente (con algún tipo de enlace), y también nos parece bien que se reimprima en publicaciones como libros, blogs, boletines de noticias, material de cursos, artículos, wikipedia y presentaciones (con una clara atribución).
Validez de las conclusiones estadísticas quizlet
Hemos visto que la prueba de hipótesis estadística es un proceso de comparación del resultado observado en el mundo real con una hipótesis nula en la que no hay ningún efecto. Al final del proceso, comparamos el resultado observado con la distribución de resultados simulados si la hipótesis nula fuera cierta, y a partir de ahí determinamos si el resultado observado es compatible con la hipótesis nula.
Del mismo modo, si el resultado observado hubiera estado dentro del rango de resultados probables si la hipótesis nula fuera cierta, seguiríamos escribiendo la conclusión en términos de compatibilidad con la hipótesis nula:
En ambos casos, nótese que la conclusión se limita a si hay un efecto o no. Hay muchos aspectos adicionales que podrían interesarnos, pero que la prueba de hipótesis no nos indica. Por ejemplo,
(Aprenderemos sobre el tamaño, el alcance y la causalidad más adelante en el curso. El punto clave que hay que entender ahora es que una prueba de hipótesis, por sí misma, no puede hablarnos de estas cosas y, por lo tanto, la conclusión no debe abordarlas).
Ejemplo de conclusión estadística
Figura 1. La generalización es una consideración importante en la investigación: Los resultados de los estudios con muestras ampliamente representativas tienen más probabilidades de generalizarse a la población. [Imagen: Barnacles Budget Accommodation]
Una limitación del estudio mencionado anteriormente sobre los bebés que eligen el juguete “ayudante” es que la conclusión sólo se aplica a los 16 bebés del estudio. No sabemos mucho sobre cómo se seleccionaron esos 16 bebés. Supongamos que queremos seleccionar un subconjunto de individuos (una muestra) de un grupo mucho mayor de individuos (la población) de manera que las conclusiones de la muestra puedan generalizarse a la población mayor. Esta es la cuestión a la que se enfrentan los encuestadores cada día.
Ejemplo 1: La Encuesta Social General (GSS) es una encuesta sobre tendencias sociales que se realiza cada dos años en Estados Unidos. A partir de una muestra de unos 2.000 estadounidenses adultos, los investigadores hacen afirmaciones sobre qué porcentaje de la población estadounidense se considera “liberal”, qué porcentaje se considera “feliz”, qué porcentaje se siente “apurado” en su vida cotidiana, y muchas otras cuestiones. La clave para hacer estas afirmaciones sobre la población más amplia de todos los adultos estadounidenses reside en cómo se selecciona la muestra. El objetivo es seleccionar una muestra que sea representativa de la población, y una forma común de lograr este objetivo es seleccionar una muestra aleatoria que dé a cada miembro de la población la misma oportunidad de ser seleccionado para la muestra. En su forma más sencilla, el muestreo aleatorio consiste en numerar a todos los miembros de la población y, a continuación, utilizar un ordenador para seleccionar aleatoriamente el subconjunto que se va a encuestar. La mayoría de las encuestas no funcionan exactamente así, pero utilizan métodos de muestreo basados en la probabilidad para seleccionar individuos de paneles representativos a nivel nacional.