A diferencia de la investigación descriptiva, que está diseñada principalmente para proporcionar imágenes estáticas, la investigación correlacional aumenta la medición de dos o más variables relevantes y una evaluación de la relación entre o entre esas variables. Por ejemplo, las variables de altura y peso están sistemáticamente relacionadas (correlacionadas) porque las personas más altas generalmente pesan más que las personas más cortas. De la misma manera, el tiempo de estudio y los errores de memoria también están relacionados, porque cuanto más tiempo se entregue una persona para estudiar una lista de palabras, menos errores que cometerá. Cuando hay dos variables en el diseño de la investigación, una de ellas se llama variable predictor y la otra variable de resultado. El diseño de la investigación se puede visualizar como se muestra en la Figura 3.9, donde la flecha curva representa la correlación esperada entre estas dos variables.
Una forma de organizar los datos de un estudio correlacional con dos variables es graficar los valores de cada una de las variables medidas utilizando una gráfica de dispersión. Como puede ver en la Figura 3.10, una gráfica de dispersión es una imagen visual de la relación entre dos variables. Se traza un punto para cada individuo en la intersección de sus puntajes para las dos variables. Cuando la asociación entre las variables en la gráfica de dispersión se puede aproximar fácilmente con una línea recta, como en las partes (a) y (b) de la Figura 3.10 se dice que las variables tienen una relación lineal.
Cuando la línea recta indica que las personas que tienen valores superiores al promedio para una variable también tienden a tener valores superiores al promedio para la otra variable, como en la parte (a), se dice que la relación es positiva lineal. Los ejemplos de relaciones lineales positivas incluyen aquellos entre la altura y el peso, entre la educación y los ingresos, y entre la edad y las habilidades matemáticas en los niños. En cada caso, las personas que obtienen puntajes más altos en una de las variables también tienden a obtener puntajes más altos en la otra variable. Las relaciones lineales negativas, en contraste, como se muestra en la parte (b), ocurren cuando los valores superiores al promedio para una variable tienden a estar asociados con los valores por debajo del promedio para la otra variable. Los ejemplos de relaciones lineales negativas incluyen aquellos entre la edad de un niño y el número de pañales que usa el niño, y entre la práctica y los errores cometidos en una tarea de aprendizaje. En estos casos, las personas que obtienen puntajes más altos en una de las variables tienden a anotar más bajas en la otra variable.
Las relaciones entre variables que no se pueden describir con una línea recta se conocen como relaciones no lineales. La parte (c) de la Figura 3.10 muestra un patrón común en el que la distribución de los puntos es esencialmente aleatoria. En este caso, no hay ninguna relación entre las dos variables, y se dice que son independientes. Las partes (d) y (e) de la Figura 3.10 muestran patrones de asociación en los que, aunque hay una asociación, los puntos no están bien descritos por una sola línea recta. Por ejemplo, la parte (d) muestra el tipo de relación que se produce con frecuencia entre la ansiedad y el rendimiento. Los aumentos en la ansiedad de niveles bajos a moderados se asocian con aumentos de rendimiento, mientras que los aumentos en la ansiedad de niveles moderados a altos se asocian con disminuciones en el rendimiento. Las relaciones que cambian en la dirección y, por lo tanto, no se describen mediante una sola línea recta se denominan relaciones curvilíneas.
La medida estadística más común de la fuerza de las relaciones lineales entre las variables es el coeficiente de correlación de Pearson, que está simbolizado por la letra r. El valor del coeficiente de correlación varía de r = –1.00 a r = +1.00. La dirección de la relación lineal se indica mediante el signo del coeficiente de correlación. Los valores positivos de r (como r = .54 o r = .67) indican que la relación es positiva lineal (es decir, el patrón de los puntos en la gráfica de dispersión funciona desde la parte inferior izquierda hasta la parte superior derecha), mientras que los valores negativos de R (como r = –.30 o r = –.72) indican relaciones lineales negativas (es decir, los puntos corren desde la parte superior izquierda hasta la parte inferior derecha). La fuerza de la relación lineal está indexada por la distancia del coeficiente de correlación de cero (su valor absoluto). Por ejemplo, r = –.54 es una relación más fuerte que r = .30, y r = .72 es una relación más fuerte que r = –.57. Debido a que el coeficiente de correlación de Pearson solo mide las relaciones lineales, las variables que tienen relaciones curvilíneas no están bien descritas por R, y la correlación observada será cercana a cero.
También es posible estudiar relaciones entre más de dos medidas al mismo tiempo. Un diseño de investigación en el que se utiliza más de una variable predictor para predecir una única variable de resultado se analiza a través de una regresión múltiple (Aiken y West, 1991). La regresión múltiple es una técnica estadística, basada en coeficientes de correlación entre las variables, que permite predecir una única variable de resultado de más de una variable predictor. Por ejemplo, la Figura 3.11 muestra un análisis de regresión múltiple en el que se utilizan tres variables predictoras (salario, satisfacción laboral y años empleados) para predecir un solo resultado (desempeño laboral). El uso de análisis de regresión múltiple muestra una ventaja importante de los diseños de investigación correlacionales: pueden usarse para hacer predicciones sobre la puntuación de una persona probablemente en una variable de resultado (por ejemplo, desempeño laboral) basado en el conocimiento de otras variables.
¿Qué es un estudio correlacional?
La investigación psicológica generalmente se realiza en dos formas: investigación experimental e investigación correlacionada. Los experimentos generalmente se realizan en el laboratorio e implican la manipulación de una variable medible.
La investigación correlativa, por otro lado, no puede determinar una relación causal: el hecho de que dos cosas ocurran simultáneamente no significa que en Causi necesariamente B. podría haber otra variable, C, que en realidad está causando A y B juntos.
La investigación correlacionada explora las relaciones entre las variables involucradas. Esta investigación se utiliza para obtener más información sobre qué une las variables. Un ejemplo es el estudio de conformidad de Asch, que puedes leer aquí.
Algunas variables, como la discapacidad o la enfermedad mental, no pueden ser manipuladas éticamente: por ejemplo, no puede dar éticamente la depresión a alguien, incluso si la intención es ayudarlo a mejorar, esto es simplemente inmoral y no ético.
Una vez que el psicólogo sabe que dos variables, A y B, están relacionadas, pueden hacer una medida más precisa que una que la otra y saber cuánto de la variación de B es producida por la variación de A permite al psicólogo predecir la variación de B Solo conociendo el valor de A.
En tercer lugar, cuando es ética y moralmente apropiada, las pruebas de correlación pueden conducir a hipótesis y experimentos. Un psicólogo puede querer averiguar si una tercera variable, c, está involucrada o si un provoca B. En cualquier caso podría ser cierto: B podría ser la causa de A. Si la investigación correlacionada no se hubiera realizado, la relación lo haría. no ha sido descubierto
¿Qué es un estudio de correlacional?
Cuando hablamos de correlación, nos referimos a la asociación entre dos variables. Una correlación indica cuántas veces observamos un fenómeno A, podemos observar simultáneamente un fenómeno p. Por ejemplo, si tomamos las variables «nivel socioeconómico» y «éxito académico», podemos preguntarnos si estos dos factores están correlacionados. Es decir si la apariencia de uno predice la apariencia del otro. Si, después de examinar una muestra, encontramos que el aumento en un elemento está asociado con el aumento en otro, podríamos hablar de una correlación positiva.
Esto es útil porque le permite hacer predicciones. Si sabemos que el peso y el tamaño están en correlación positiva, podemos predecir que una persona grande tendrá un alto peso. En este punto, tenemos que detenernos y hacer una distinción entre asociación y causalidad.
Una correlación indica una asociación que permite la predicción, pero no ofrece una explicación que explica por qué esto sucede. A menudo razonamos de manera falaz y suponemos que cuando dos fenómenos ocurren juntos, uno causa al otro. Varias veces, no sabemos la presencia de terceras variables que tonifican la relación entre un fenómeno y el otro. Es por eso que, para deducir la causalidad, utilizamos otro método que explicamos al final del artículo.
Los psicólogos usan el método correlacional para obtener información sobre fenómenos imposibles de reproducir en condiciones de laboratorio. Por ejemplo, si queremos examinar la relación entre el consumo de alcohol y la cantidad de servicios de emergencia, sería óptimo diseñar un estudio correlacional para ver cómo, a medida que aumenta el consumo de alcohol, el número de visitas también aumenta.
¿Qué es el diseño correlacional?
Un proyecto de investigación es un acuerdo de condiciones o recolección. Correlación descriptiva (por ejemplo, estudio de caso, observación naturalista, encuesta) (por ejemplo, estudio de casos, estudio observacional) experimental (por ejemplo, experimento de campo, experimento controlado, casi drawing) revisión (revisión de literatura, revisión sistemática)
Una clasificación popular y útil separa los métodos cualitativos en cinco grupos: etnografía, narrativa, fenomenológica, teoría fundada y estudio de caso. John Creswell describe estos cinco métodos en el diseño cualitativo y el diseño de investigación.
En términos generales, los tipos de diseño de investigación son vistos por dos perspectivas, el diseño de la investigación cuantitativa o el diseño de la investigación cualitativa, que tienen ambos componentes extensos. Se pueden usar o aplicar de manera distinta o juntas.
La mayor parte de la investigación se puede dividir en tres categorías diferentes: exploratoria, descriptiva y causal. Cada uno tiene un propósito final diferente y solo puede usarse de ciertas maneras. En el mundo de las encuestas en línea, el dominio de los tres puede conducir a intuiciones más sólidas e información de mayor calidad.
Un proyecto de ingeniería debe contener al menos cinco elementos básicos: los objetivos del proyecto, una descripción del producto diseñado, la lógica del proyecto, un plan de producción y el uso designado del producto.
¿Qué es un diseño correlacional?
Una mente humana es una herramienta poderosa que le permite examinar variables aparentemente no relacionadas y establecer una conexión con respecto a un tema específico en cuestión. Esta habilidad es lo que viene a jugar cuando hablamos de investigación correlacional.
La investigación correlacional es algo que hacemos todos los días; Piense en cómo establece una conexión entre el timbre que suena en un momento particular y la llegada del lechero. Como tal, es conveniente comprender los diferentes tipos de investigación correlacional que están disponibles y, lo que es más importante, cómo hacerlo.
La investigación correlacional es un tipo de método de investigación que implica observar dos variables para establecer una relación estadísticamente correspondiente entre ellas. El objetivo de la investigación correlacional es identificar variables que tienen algún tipo de relación que hacen la medida en que un cambio en uno crea algún cambio en el otro.
Este tipo de investigación es descriptivo, a diferencia de la investigación experimental que se basa completamente en la metodología científica y la hipótesis. Por ejemplo, la investigación correlacional puede revelar la relación estadística entre los propietarios de altos ingresos y la reubicación; Es decir, cuanto más ganan las personas, más probabilidades tienen de reubicarse o no.
Esencialmente, hay 3 tipos de investigación correlacional que son investigaciones correlacionales positivas, investigación correlacional negativa y sin investigación correlacional. Cada uno de estos tipos se define por características peculiares.
- Investigación correlacional positiva
¿Qué es alcance descriptivo correlacional?
A diferencia de la investigación descriptiva, que está diseñada principalmente para proporcionar una instantánea de comportamiento, actitudes, etc., la investigación correlacional implica medir la relación entre dos variables. Las variables pueden ser comportamientos, actitudes, etc. Cualquier cosa que se pueda medir es una variable potencial. El aspecto clave de la investigación correlacional es que los investigadores no están pidiendo a algunos de sus participantes que hagan una cosa y otras que hagan otra cosa; Todos los participantes están proporcionando puntajes en las mismas dos variables. La investigación correlacional no se trata de cómo anota un individuo; Más bien, busca comprender la asociación entre dos cosas en una muestra más grande de personas. Los comentarios anteriores sobre la representatividad de la muestra se aplican en investigación correlacional. Los investigadores intentan encontrar una muestra que represente la población de interés.
Un ejemplo de investigación de correlación sería medir la asociación entre la altura y el peso. Deberíamos esperar que haya una relación porque las personas más altas tienen más masa y, por lo tanto, deberían pesar más que las personas cortas. Sabemos por observación, sin embargo, que hay muchas personas altas y delgadas, así como hay muchas personas cortas y con sobrepeso. En otras palabras, esperaríamos que en un grupo de personas, la altura y el peso se relacionen sistemáticamente (es decir, correlacionados), pero no se espera que el grado de relación sea perfecto. Imagine que repitimos este estudio con muestras que representan diferentes poblaciones: atletas de élite, mujeres mayores de 50 años, niños menores de 5 años, etc. Podríamos hacer diferentes predicciones sobre la relación entre la altura y el peso en función de las características de la muestra. Esto resalta la importancia de obtener una muestra representativa.
Los diseños de investigación correlacionales buscan asociaciones entre variables. Una estadística que mide esa asociación es el coeficiente de correlación. Los coeficientes de correlación pueden ser positivos o negativos, y varían en valor de -1.0 a 0 a 1.0. La medida estadística más común es el coeficiente de correlación de Pearson, que está simbolizado por la letra r. Los valores positivos de R (p. Ej., R = .54 o R = .67) indican que la relación es positiva, mientras que los valores negativos de R (por ejemplo, R = –.30 o R = –.72) indican relaciones negativas. Cuanto más cerca sea el coeficiente a -1 o +1, y cuanto más lejos de cero, mayor es el tamaño de la asociación entre las dos variables. Por ejemplo, r = –.54 es una relación más fuerte que r = .30, y r = .72 es una relación más fuerte que r = –.57. Las correlaciones de 0 indican ninguna relación entre las dos variables.
Los ejemplos de coeficientes de correlación positivos incluirían aquellos entre la altura y el peso, entre la educación y el ingreso, y entre la edad y las habilidades matemáticas en los niños. En cada caso, las personas que obtienen puntajes más altos, o más bajos, en una de las variables también tienden a obtener puntajes más altos o más bajos en la otra variable. Las correlaciones negativas ocurren cuando las personas obtienen puntaje alto en una variable y baja en la otra. Los ejemplos de relaciones lineales negativas incluyen aquellos entre la edad de un niño y el número de pañales que usa el niño y entre el tiempo practicando y los errores cometidos en una tarea de aprendizaje. En estos casos, las personas que obtienen puntajes más altos en una de las variables tienden a anotar más bajas en la otra variable. Tenga en cuenta que el coeficiente de correlación no le dice nada sobre la puntuación de una persona específica.
Una forma de organizar los datos de un estudio correlacional con dos variables es graficar los valores de cada una de las variables medidas utilizando un diagrama de dispersión. Un diagrama de dispersión es una imagen visual de la relación entre dos variables (ver Figura 2.3). Se traza un punto para cada individuo en la intersección de sus puntajes para las dos variables. En este ejemplo, los datos extraídos del sitio web oficial de la Liga Nacional de Hockey (NHL) de 30 jugadores de hockey elegidos al azar para la temporada 2017/18. Para cada uno de estos jugadores, hay un punto que representa la altura del jugador y el número de puntos (es decir, goles más asistencias). La pendiente o ángulo de la línea punteada a través del medio de la dispersión nos dice algo sobre la fuerza y la dirección de la correlación. En este caso, la línea se inclina ligeramente hacia la derecha, lo que indica una correlación positiva pero pequeña. En estos jugadores de la NHL, no hay mucha relación entre la altura y los puntos. La correlación de Pearson calculada para esta muestra es R = 0.14. Es posible que la correlación sea totalmente diferente en una muestra diferente de jugadores, como un mayor número, solo aquellos que jugaron una temporada completa, solo novatos, solo delanteros, etc.
¿Qué es la investigación descriptivo correlacional?
Las estadísticas descriptivas se refieren a la información que se ha analizado para revelar las características básicas de los datos recopilados o utilizados en un estudio (Fowler, 2013). Proporcionan a los investigadores resúmenes y otra información crítica sobre muestras y medidas de estudio. Los dos tipos principales incluyen medidas de tendencia central y la medida de la propagación (Kothari, 2004). Una ocurrencia común al usar datos descriptivos es la aparición de ciertos patrones que facilitan que los investigadores entiendan y dan sentido a los datos. Los datos estadísticos se pueden utilizar para futuros estudios de investigación o como entidad independiente que puede usarse para llegar a conclusiones (Fowler, 2013). Ciertas situaciones de investigación implican el uso de solo estadísticas descriptivas debido a grandes tamaños de muestra y complejidad de datos. Un estudio que involucra el cálculo de la media, mediana y el modo requeriría estadísticas descriptivas (Yin, 2009).
Por ejemplo, serían demandados en un estudio que tiene como objetivo encontrar la puntuación de los medios en una clase de 100 estudiantes con diferentes resultados de pruebas. Por otro lado, las encuestas, los estudios de casos y las observaciones naturalistas solo se pueden realizar con éxito utilizando estadísticas descriptivas. Un ejemplo de investigación que involucró solo estadísticas descriptivas es un estudio de investigación realizado por Andreyeva, Michaud y Soest (2007) para investigar la obesidad y la salud en los europeos de 50 años o más. El estudio tuvo como objetivo estudiar la prevalencia de obesidad y complicaciones de salud relacionadas entre los europeos de 50 años o más (Andreyeva, Michaud y Soest, 2007). El estudio involucró la recopilación de datos de los participantes sin alterar ningún factor ambiental. Fue publicado en el Journal of Public Health en 2007.
El diseño correlacional descriptivo se utiliza en estudios de investigación que tienen como objetivo proporcionar imágenes estáticas de situaciones y establecer la relación entre diferentes variables (McBurney y White, 2009). En la investigación correlacional, se estudian dos variables, como la altura y el peso de las personas, para establecer su relación. Uno de los temas de investigación que se pueden estudiar utilizando un diseño correccional descriptivo es la altura y el peso de los estudiantes universitarios entre las edades de 18 y 25. El diseño es apropiado para el tema antes mencionado porque al realizar el estudio, el investigador deberá recopilar datos basados en el comportamiento o las actitudes de los participantes.
¿Qué es el alcance descriptivo?
Los metadatos son aquellos datos que describen otros datos, en particular en referencia a documentos digitales.
Los metadatos tienen varios usos, pueden ser tanto el documento electrónico (metadatos de contenido) y describir un determinado documento para asegurarse de que, una vez insertado en un sistema de almacenamiento, se pueda recuperar fácilmente.
Entre la información fundamental que se asociará con un documento de computadora, hay metadatos descriptivos.
MetS es para la codificación de metadatos y el estándar de transmisión. Se ha diseñado como una especie de «esquema de contenedores» dentro del cual se muestran varios esquemas de codificación. Para ser precisos, es un esquema XML que realiza tres funciones principales para la conservación digital:
- Crear instancias que describan la estructura jerárquica de los recursos digitales;
- Registrar los nombres y posiciones de los archivos en la estructura jerárquica;
- Registrar metadatos asociados con cada documento individual.
A lo largo de los años, el esquema de Mets se ha vuelto cada vez más generalizado apreciado en el campo de la conservación digital con precisión debido a sus características. Tanto es así que existen varios estándares preparados para ser interoperables con este perfil de aplicación, como, por ejemplo, el estándar de metadatos MAG administrativos y de gestión.
Son uno de los tipos de metadatos que se pueden manejar con Metadation MetS. Los metadatos descriptivos, como su nombre en sí mismo, contienen toda la información necesaria que describe el objeto de una manera precisa y precisa. De esta manera, una vez insertado en un archivo, el objeto en cuestión se puede recuperar y consultar fácilmente.
Artículos Relacionados:
- ¿Cuál es el mejor tipo de estudio para tu investigación?
- Estudio observacional descriptivo de la efectividad de un nuevo fármaco para la osteoporosis
- Estudio causal comparativo: ¿Qué factores causan el éxito en los estudiantes?
- Estudio estadístico comparativo: las mejores y peores ciudades para vivir en España
