Una forma común de experimentación científica es la comparación de dos grupos. Este
La comparación podría ser de dos tratamientos diferentes, la comparación de un tratamiento con un
control, o una comparación antes y después. Los resultados preliminares de los experimentos que son
diseñados para comparar dos grupos generalmente se resumen en un medio o puntajes para cada
grupo. Una vez que haya resumido estos datos, ¿cómo decide si el observado
Las diferencias entre los dos grupos son reales o simplemente una diferencia casual causada por el
¿Variación natural dentro de las mediciones? Una forma común de abordar esa pregunta es por
Realización de un análisis estadístico.
Las dos técnicas estadísticas más utilizadas para comparar dos grupos, donde el
Las mediciones de los grupos se distribuyen normalmente, son el grupo independiente
prueba t y la prueba t pareada. ¿Cuál es la diferencia entre estas dos pruebas y cuándo
¿Se debe usar cada uno?
La prueba t de grupo independiente está diseñada para comparar medios entre dos grupos
donde hay diferentes temas en cada grupo. Idealmente, estos sujetos son al azar
seleccionado de una población más grande de sujetos y asignada a uno de dos tratamientos.
Otra forma de asignar sujetos a dos grupos es asignarlos aleatoriamente a uno de los dos
tratamientos en el momento en que ingresan a un estudio. Esta aleatorización a menudo se realiza en un
moda doble ciego.
Además de la suposición de normalidad, otro requisito de la prueba t de grupo independiente
es que las variaciones de los dos grupos son iguales. Es decir, si tuviera que trazar el
datos observados de cada uno de los dos grupos, los histogramas en forma de campana resultantes habrían
aproximadamente la misma forma. Antes de realizar la prueba t de grupo independiente, una
La prueba previa estadística a menudo se realiza para verificar la hipótesis de que las variaciones son
igual. Las opciones para el caso de varianza desigual se discuten más adelante.
Una vez que se recopilan los datos y el
Se cumplen los supuestos para realizar la prueba t, los medios de los dos grupos
se comparan. Las matemáticas para la prueba t pueden ser realizadas por una estadística
Programas de análisis de datos como guiños. los
Determinación de si hay una diferencia estadísticamente significativa entre los dos
Las medias se informan como un valor p. Por lo general, si el valor p está por debajo de cierto nivel
(generalmente 0.05), la conclusión es que hay una diferencia entre las dos medias de grupo.
Cuanto más bajo es el valor p, mayor «evidencia» de que los dos medios de grupo son
diferente. Es el valor p que generalmente se informa en artículos de revistas para admitir un
Hipótesis del investigador sobre los resultados observados para los dos grupos.
¿Qué es la estadística de comparación de grupos?
Al final de este capítulo, debería poder responder las siguientes preguntas:
- ¿Cuál es la diferencia entre una prueba entre grupos y una prueba dentro de los grupos?
- ¿Cuál es una diferencia media en el contexto del análisis estadístico?
Hay dos tipos principales de pruebas estadísticas: aquellas que analizan las diferencias entre los grupos y aquellos que analizan las diferencias dentro de los grupos.
Entre las diferencias de grupos examinan cómo los grupos independientes, grupos que no son iguales, pueden diferir entre sí en una variable. Entre los grupos, las pruebas de diferencia son útiles para examinar la eficacia de las intervenciones o tratamientos. Por ejemplo, si quería ver si una nueva forma de terapia de ansiedad era efectiva, podría organizar dos grupos de participantes y proporcionarle a uno la nueva forma de terapia de ansiedad. Este grupo sería el grupo de intervención. Para usar una prueba entre grupos, también necesitaría un grupo de comparación que no reciba el tratamiento, que sería su grupo de control. Ambos grupos tendrían que recibir alguna forma de medida de resultado, como una medida de ansiedad tomada después del tratamiento. Luego compararía los dos y vería si hubo diferencias en los estados mentales.
Dentro de los grupos, las diferencias son igualmente importantes. Por ejemplo, si un investigador quiere examinar si un programa de ejercicios es efectivo, podría tomar el IMC de un grupo de sujetos de prueba al comienzo del programa y nuevamente al final del programa y comparar los dos. En este caso, el investigador no está analizando las diferencias entre dos grupos, sino las diferencias entre el mismo grupo tomado en dos puntos de tiempo.
¿Qué son los grupos estadisticos?
En el siguiente ejemplo (hoja de datos), la variable
Dependiente de TGB (tasa
los glóbulos blancos) se pueden descomponer en 2
Variables independientes: sexo
(con modalidades de los hombres y
mujer) y tamaño
(con las grandes modalidades
y pequeña).
Las descomposiciones obtenidas serán las siguientes (
Supongamos que la primera variable independiente
especificado es sexo
y que el segundo es el tamaño).
La composición de las células del nivel «intermedio»
en «el árbol de descomposición» depende de
el orden de especificación de las variables
independiente. En el ejemplo anterior, puedes
Observe los promedios para «todos los hombres» y «todos
mujeres «, pero no las de» todas las personas
Grande «o» todos los individuos pequeños «, estos
se obtienen si la variable de tamaño es
especificado como la primera variable de
clasificación. Idealmente, en un programa de
descomposición, debe tener una opción que le permita
para «reordinar» fácilmente las variables
independiente para visualizar las diferentes
«Copas» de datos. El módulo de estadística
Elementary no solo le ofrece el
posibilidad de reordenar las variables en la tabla,
pero también el de calcular todas las mesas marginales
que te interesa. Entonces tienes la posibilidad
para calcular fácilmente los promedios de individuos grandes
y pequeña.
Las descomposiciones constituyen una técnica de análisis
Exploratorio de datos; la pregunta estándar que
Esta técnica le permite resolver es muy simple:
Grupos creados por variables independientes
¿Son diferentes con respecto a la variable dependiente?
? Si está interesado en las diferencias entre
promedios, la prueba apropiada es una descomposición de ANOVA
a un factor (prueba f).
Si estas son las diferencias de dispersión que
interés, tendrás que probar
La homogeneidad de las variaciones. El procedimiento
Descomposición de Statistica
Contiene la prueba
de Levene para probar la homogeneidad de
Variaciones y la modificación de Brown-Forsythe
de esta prueba, más robusta (esta prueba prácticamente ha reemplazado el
Pruebas de Bartlett y Chi²,
mayor y menos robusto; Tenga en cuenta que toda una gama de pruebas
Univariado y multivariado también son
ofrecido en el módulo ANOVA/MANOVA).
¿Qué es análisis comparativo en estadística?
En el caso de las variables categóricas, QCA comienza al enumerar y contando todos los tipos de casos que ocurren, donde cada tipo de caso se define por su combinación única de valores de sus variables independientes y dependientes. Por ejemplo, si hubiera cuatro variables categóricas de interés, {A, B, C, D}, y A y B fueran dicotómicas (podría tomar dos valores), C podría asumir cinco valores y D podría tomar tres, Entonces habría 60 tipos posibles de observaciones determinadas por las posibles combinaciones de variables, no todas las cuales ocurrirían necesariamente en la vida real. Al contar el número de observaciones que existen para cada una de las 60 combinaciones únicas de variables, QCA puede determinar qué inferencias o implicaciones descriptivas son respaldadas empíricamente por un conjunto de datos. Por lo tanto, la entrada a QCA es un conjunto de datos de cualquier tamaño, de Small-N a Large-N, y la salida de QCA es un conjunto de inferencias o implicaciones descriptivas que los datos admiten.
En el siguiente paso de QCA, la lógica inferencial o la álgebra booleana se usan para simplificar o reducir el número de inferencias al conjunto mínimo de inferencias respaldadas por los datos. Este conjunto reducido de inferencias se denomina «principales implicaciones» por los adherentes de QCA. Por ejemplo, si la presencia de las condiciones A y B siempre se asocia con la presencia de un valor particular de D, independientemente del valor observado de C, entonces el valor que C toma C es irrelevante. Por lo tanto, las cinco inferencias que involucran A y B y cualquiera de los cinco valores de C pueden reemplazarse por la única inferencia descriptiva «(A y B) implica el valor particular de D».
Establecer que los implicantes principales o las inferencias descriptivas derivadas de los datos por el método QCA son causales requiere establecer la existencia de mecanismo causal utilizando otro método como el rastreo de procesos, la lógica formal, las variables de intervención o el conocimiento multidisciplinario establecido. [4] El método se utiliza en las ciencias sociales y se basa en la lógica binaria de álgebra booleana, e intenta garantizar que se consideren todas las combinaciones posibles de variables que se pueden hacer en los casos bajo investigación.
La técnica de los tipos de casos de listado por potenciales combinaciones de variables ayuda con la selección de casos al hacer que los investigadores sean conscientes de todos los tipos de casos posibles que deberían ser investigados, como mínimo, si existen, para probar una cierta hipótesis o derivar nuevas inferencias de un conjunto de datos existente. En situaciones en las que las observaciones disponibles constituyen toda la población de casos, este método alivia el pequeño problema de N al permitir que las inferencias se dibujen evaluando y comparando el número de casos que exhiben cada combinación de variables. El pequeño problema de N surge cuando el número de unidades de análisis (por ejemplo, países) disponibles es inherentemente limitado. Por ejemplo: un estudio donde los países son la unidad de análisis es limitada, ya que es solo un número limitado de países del mundo (menos de 200), menos de lo necesario para algunas técnicas estadísticas (probabilísticas). Al maximizar el número de comparaciones que se pueden hacer en los casos bajo investigación, las inferencias causales son posibles. [5] Esta técnica permite la identificación de múltiples vías causales y efectos de interacción que pueden no ser detectables a través del análisis estadístico que generalmente requiere que su conjunto de datos se ajuste a un modelo. Por lo tanto, es el primer paso para identificar subconjuntos de un conjunto de datos que se ajusta a una vía causal particular basada en las combinaciones de covariables antes de los análisis estadísticos cuantitativos, la conformidad de las pruebas a un modelo; y ayuda a los investigadores cualitativos a limitar correctamente el alcance de los hallazgos reclamados al tipo de observaciones que analizan.
¿Qué pruebas estadísticas se usa para comparar 2 promedios?
La comparación de las pruebas de medios lo ayuda a determinar si sus grupos tienen medios similares. Hay muchos casos en estadísticas en los que querrá comparar medios para dos poblaciones o muestras. La técnica que utiliza depende del tipo de datos que tenga y cómo se agrupen esos datos.
- Muestras emparejadas Test Test. Use esta prueba si tiene un grupo probado en dos momentos diferentes. En otras palabras, tiene dos medidas en el mismo elemento, persona o cosa. Los grupos están «emparejados» porque hay conexiones intrínsecas entre ellos (es decir, no son independientes). Esta comparación de medias a menudo se usa para grupos de pacientes antes del tratamiento y después del tratamiento, o para los estudiantes evaluados antes de la remediación y después de la remediación. Haga clic aquí para obtener un artículo paso a paso.
- Análisis de varianza de una manera (ANOVA). Aunque en realidad no es una prueba para la comparación de las medias, ANOVA es la opción principal cuando tiene más de dos niveles de variable independiente. Por ejemplo, si su variable independiente era «marca de café», sus niveles podrían ser Starbucks, Peets y Trader Joe. Use esta prueba cuando tenga un grupo de individuos divididos aleatoriamente en grupos más pequeños y complete diferentes tareas (como beber café diferente).
Si tiene datos no normales (o si no sabe de qué distribución provienen sus datos), no puede usar ninguna de las pruebas anteriores para comparar las medias. Debe usar una prueba no paramétrica (no paramétrico básicamente significa que no conoce los parámetros de la distribución):
- Muestras emparejadas Test Test. Use esta prueba si tiene un grupo probado en dos momentos diferentes. En otras palabras, tiene dos medidas en el mismo elemento, persona o cosa. Los grupos están «emparejados» porque hay conexiones intrínsecas entre ellos (es decir, no son independientes). Esta comparación de medias a menudo se usa para grupos de pacientes antes del tratamiento y después del tratamiento, o para los estudiantes evaluados antes de la remediación y después de la remediación. Haga clic aquí para obtener un artículo paso a paso.
- Análisis de varianza de una manera (ANOVA). Aunque en realidad no es una prueba para la comparación de las medias, ANOVA es la opción principal cuando tiene más de dos niveles de variable independiente. Por ejemplo, si su variable independiente era «marca de café», sus niveles podrían ser Starbucks, Peets y Trader Joe. Use esta prueba cuando tenga un grupo de individuos divididos aleatoriamente en grupos más pequeños y complete diferentes tareas (como beber café diferente).
¿Qué prueba estadística se utiliza para relacionar 2 variables?
Ejemplo 2 de dos pruebas t de muestra con pruebas de variaciones iguales si el retiro de memoria es el mismo para el grupo de control y el grupo privado de sueño. La prueba t se repite en la parte media de la Figura 1 en función de los datos para las dos muestras independientes que se muestran en los rangos A4: A15 y A16: A27 de la Figura 1.
Esta prueba t de dos muestras se puede convertir en un problema de correlación combinando las dos muestras en una muestra (X aleatoria X) y estableciendo la variable aleatoria dicotómica Y a 0 para elementos en una muestra y a 1 para elementos en la otra muestra . Resulta que el análisis de dos muestras que usa la prueba t es equivalente al análisis del coeficiente de correlación utilizando la prueba t.
Ejemplo 1: Calcule el coeficiente de correlación R para x e y como se describió anteriormente, y luego pruebe la hipótesis nula H0: ρ = 0.
Se calcula que el coeficiente de correlación es R = 0.0214 (celda L5) y la prueba de correlación se muestra en el lado derecho de la Figura 1 utilizando el enfoque descrito en la prueba t de correlación.
Figura 1 – Uso de pruebas de correlación para resolver el ejemplo 1
Los valores p (células H14 y L10) y las estadísticas de T (células F14 y L7) de la prueba t y la prueba de correlación son exactamente las mismas. Usando cualquiera de las pruebas, concluimos que la droga de fiebre del heno no ofreció ninguna mejora significativa en los resultados de conducción en comparación con el control.
Definición 1: Una variable es dicotómica si solo toma dos valores (generalmente establecidos en 0 y 1).
El coeficiente de correlación biserial de puntos es simplemente el coeficiente de correlación de productos de productos de Pearson, donde una o ambas variables son dicotómicas.
¿Cómo saber qué tipo de prueba estadística usar?
En presencia de una tabla de resultados para una variable cualitativa, el gerente de estudio puede usar pruebas no paramétricas destinadas a comparar la distribución obtenida para las diferentes respuestas con una distribución conocida (por ejemplo, la de la población madre) o una distribución teórica , resultante de una ley estadística (ex: ley normal).
Las dos pruebas de adecuación más utilizadas en este caso son la prueba de ajuste KHI2 y la prueba de Kolmogorov-Smirnov. Estas pruebas permiten responder preguntas del tipo:
– Conozco la distribución de mi población según el CSP. ¿Es mi muestra representativa de esta población en este criterio?
– Hemos definido un plan de carga que nos permite abrir nuestras cajas de acuerdo con la asistencia de nuestra tienda. ¿Este modelo está validado por nuestras observaciones en una muestra de días y horas dadas?
– Hacemos zapatos de mujer. ¿Podemos considerar, después de haber cuestionado a 200 clientes potenciales elegidos al azar que los tamaños de zapatos siguen una ley normal?
Estas pruebas calculan, a partir de las diferencias entre valores reales y valores teóricos, un valor que comparamos con un umbral crítico en la tabla estadística correspondiente.
Estas pruebas, muy cercanas a las pruebas de adecuación mencionadas anteriormente, tienen como objetivo comparar un promedio o una proporción con un valor particular (como en nuestro ejemplo del principio). Por lo tanto, la prueba de comparación promedio se aplica a una variable digital y permite comparar el promedio de la serie con un valor dado. Tenga en cuenta que solo se puede usar para muestras mayores de 30 individuos.
¿Qué análisis realizaría para comparar dos parámetros de dos grupos diferentes?
Comparar más de dos grupos de datos continuos al mismo tiempo quiere realizar una prueba de la hipótesis donde la hipótesis de nada H0 se define por:
Veamos a continuación cuáles son los métodos más utilizados para comparar más de dos grupos de datos continuos:
- Prueba de ANOVA de una manera: es un método estadístico muy similar a la prueba t, pero que, a diferencia de esto, le permite comparar simultáneamente el promedio de más de dos grupos de datos continuos. Este tipo de prueba solo se puede usar cuando los grupos a comparar son normalmente o de acuerdo con una distribución que difiere poco de una distribución normal. Otro requisito es que las muestras son totalmente aleatorias y al mismo tiempo son independientes entre sí. La presencia de «una forma» dentro del nombre de la prueba indica que con esta prueba puede comparar varios grupos en comparación con un solo parámetro. Por ejemplo, la prueba de ANOVA se podría usar para responder a la pregunta: ¿Teniendo en cuenta el peso de los alumnos de una escuela, ¿es diferente la distribución de peso dependiendo del vecindario de origen? El empleado de la prueba ANOVA One Way es una variable continua (peso), mientras que la variable independiente es categórica (vecindario de origen):
- Prueba ANOVA de 2 vías. Los requisitos para aplicar este método son completamente similares a los que acaban de expuestos para la prueba ANOVA unidireccional. La diferencia radica en el hecho de que la comparación entre grupos se realiza simultáneamente para dos categorías diferentes. Por ejemplo, ambos dependiendo del sexo y el vecindario de origen. Este tipo de prueba permite no solo verificar si las distribuciones son iguales a cualquier valor de las variables categóricas, sino que también le permite comprender si hay interacciones entre estas variables.
- Prueba de Kruskal- Wallis: sigue siendo una prueba que le permite comparar tres o más grupos de datos continuos a través de la comparación entre los medios. A diferencia de la prueba de ENOVA, esto se usa cuando la distribución normal no aborda la distribución de los datos disponibles para nosotros, lo que resulta en una desviación importante de lo normal. Para realizar esta prueba, se realiza una clasificación de datos.
- Q Prueba de Cochran: se usa cuando tiene n empleados
Si sigue estas pruebas, la hipótesis H0 se refuta, entonces al menos uno de los promedios es diferente de los demás significativamente. Sin embargo, las pruebas descritas anteriormente no le permiten comprender qué medios son diferentes de los demás. En estos casos, procedemos con pruebas específicas (como la prueba de rango de Tukey o HSD (significado de honestidad diferente).
¿Qué prueba estadística se emplea para comparar las medias de dos grupos de una variable paramétrica?
En las pruebas estadísticas, la distribución de probabilidad de las estadísticas es importante. Cuando las muestras se extraen de la población N (µ, σ2) con un tamaño de muestra de N, la distribución de la media de la muestra X̄ debería ser una distribución normal N (µ, σ2/N). Bajo la hipótesis nula µ = µ0, la distribución de las estadísticas z = x¯-µ0σ/n debe estandarizarse como una distribución normal. Cuando no se conoce la varianza de la población, es posible el reemplazo con la varianza de la muestra S2. En este caso, las estadísticas x¯-µ0s/n siguen una distribución t (grados N-1 de libertad). Se puede realizar una prueba t de grupo independiente para una comparación de medias entre dos grupos independientes, con una prueba t pareada para datos pareados. Como la prueba t es una prueba paramétrica, las muestras deben cumplir ciertas condiciones previas, como la normalidad, las variaciones iguales e independencia.
Una prueba t es un tipo de prueba estadística que se utiliza para comparar las medias de dos grupos. Es una de las pruebas de hipótesis estadística más utilizadas en estudios de dolor [1]. Hay dos tipos de inferencia estadística: métodos paramétricos y no paramétricos. Los métodos paramétricos se refieren a una técnica estadística en la que uno define la distribución de probabilidad de las variables de probabilidad y hace inferencias sobre los parámetros de la distribución. En los casos en que la distribución de probabilidad no se puede definir, se emplean métodos no paramétricos. Las pruebas t son un tipo de método paramétrico; Se pueden usar cuando las muestras satisfacen las condiciones de normalidad, igual varianza e independencia.
Las pruebas t se pueden dividir en dos tipos. Existe la prueba t independiente, que se puede usar cuando los dos grupos en comparación son independientes entre sí, y la prueba t pareada, que puede usarse cuando los dos grupos en comparación dependen entre sí. Las pruebas t generalmente se usan en los casos en que los sujetos experimentales se dividen en dos grupos independientes, con un grupo tratado con A y el otro grupo tratado con B. Los investigadores pueden adquirir dos tipos de resultados para cada grupo (es decir, antes del tratamiento y después de El tratamiento): PreA y Posta, y PreB y Postb. Se puede utilizar una prueba t independiente para una comparación intergrupal de PostA y PostB o para una comparación intergrupal de cambios en PREA a POSTA (POSTA-PREA) y cambios en PreB a PostB (PostB-PREB) (Tabla 1).
ID: Identificación individual, PREA, PreB: Antes del tratamiento A o B, Posta, PostB: después del tratamiento A o B, ΔA, ΔB: Diferencia entre antes y después del tratamiento A o B.
¿Qué test estadístico se utiliza para comparar dos medias?
Aprenda el uso del método Chi-Cuadrato a través de un ejemplo
Aprenda lo que significa «estadísticamente significativo»
En la unidad anterior, enfaticé que la aplicación de una prueba de significación estadística es un paso indispensable en la comparación entre dos grupos o poblaciones con respecto a un parámetro.
En esta unidad presento un ejemplo de aplicación de una de las pruebas más comunes y simples, el «Chi-Cuadrato».
El ejemplo se refiere a la comparación de dos porcentajes obtenidos en un experimento, para verificar si la diferencia entre estos porcentajes se debe al azar o no. Si logras demostrar que la diferencia no se debe al azar, entonces puedes decir que es «estadísticamente significativo».
Ya he explicado el esquema lógico a seguir. El esquema es muy simple, en esencia se trata de comenzar con una especie de prejuicio: cualquiera que sea la diferencia entre los dos porcentajes que se compararán, inicialmente debe considerar la «hipótesis cero» válida. La hipótesis cero (también se llama hipótesis de nada) simplemente establece que la diferencia observada, de cualquier entidad que sea, se debe al azar. Esta hipótesis (que puede ser verdadera o falsa) será aceptada o rechazada sobre la base del resultado de una prueba estadística apropiada. En la comparación de dos porcentajes o dos proporciones, la prueba apropiada es, de hecho, la prueba de chi-quadrato.
En resumen:
En las montañas, puede alcanzar un punto panorámico con un cómodo teleférico, que en diez minutos lo lleva a su destino. O puede hacerlo, con su fuerza, horas de ascenso duro, un pequeño desafío consigo mismo. Olvidarás fácilmente la primera experiencia, mientras que la segunda permanecerá, tal vez, en tu corazón para siempre.
Del mismo modo, puede tomar la prueba Chi-Quadrato usando la computadora (… ¡el teleférico!), Y en este caso encontrará muchas herramientas adecuadas en Internet (también hay una al final de esta unidad). O puede leer a continuación (¡el desafío: lágrimas y sangre!) Una explicación paso a paso del funcionamiento de la prueba.
La decisión es tuya.
¿Qué actividad de la estadística se refleja al comparar los resultados de dos grupos?
Prácticamente todos los estudiantes en las escuelas públicas informaron que un núcleo
de actividades extracurriculares estaban disponibles para ellos, incluida
deportes, artes escénicas, publicaciones y sociedades de honor; y
Todos menos un pequeño porcentaje tenían acceso a clubes académicos y alumnos
Gobierno (Tabla 2). Ligeramente menos disponibles no fueron académicos
Clubes, como clubes vocacionales/profesionales, seguidos del servicio
y clubes de pasatiempos. Además, a pesar de las preocupaciones sobre los recursos escasos
En las escuelas que sirven a estudiantes pobres, no hay diferencias importantes en
disponibilidad de actividades extracurriculares en relativamente menos
Se encontraron escuelas ricas y más ricas (2). Del mismo modo, independientemente
de si las escuelas a la que asistieron eran grandes (750 estudiantes o más)
o pequeño (menos de 150), en entornos rurales, urbanos o suburbanos,
o sirvieron grandes (20 por ciento o más minorías) o pequeñas proporciones
de estudiantes minoritarios (menos del 20 por ciento), casi todos los estudiantes
informó que las actividades extracurriculares estaban disponibles para ellos
(datos no mostrados en la tabla).
Alrededor de cuatro de cada cinco personas mayores dijeron que participaron en
al menos una actividad extracurricular en 1992. Aunque un rango de
Las actividades extracurriculares estaban disponibles para casi todos los estudiantes,
Los estudiantes diferían notablemente en su elección de actividades (mesa
3). Los deportes (ya sea individuales o en equipo) tuvieron la mayor participación,
involucrando el 42 por ciento de las personas mayores en 1992, seguido de la realización de
clubes de artes y académicos. Sociedades de honor, publicaciones y estudiantes
Gobierno, que por definición tiene membresías más limitadas
que otras actividades, cada una todavía atrajo del 16 al 18 por ciento de las personas mayores.
Aunque las diferencias en la disponibilidad de oportunidades extracurriculares
Entre las escuelas menos ricas y más ricas eran pequeñas o
inexistente, los estudiantes de bajo estado socioeconómico (SES) fueron menos
Es probable que participe en actividades que los estudiantes de alto SES (3).
Casi las tres cuartas partes de los estudiantes de bajo SES participaron al menos
Una actividad, en comparación con el 87 por ciento de los estudiantes de alto SES. los
La participación de estudiantes de bajo SES fue consistentemente menor que
el de los estudiantes de alto SES en cada tipo de actividad, con la excepción
de clubes vocacionales o profesionales, como futuros agricultores o
Future Teachers of America, en el que los estudiantes de bajo SES casi estaban
el doble de probabilidades de participar.
Algunos investigadores han sugerido que el contexto social del
La escuela puede tener una influencia positiva o negativa en el estudiante
comportamiento, dependiendo de si el estudiante individual está en el
Minoría o mayoría relativa en la escuela (Karweit, 1983). Bajo
Los estudiantes de SES, por ejemplo, pueden tener más probabilidades de participar en
escuelas donde tienen la mayoría y es menos probable que participen
En escuelas más ricas donde están en la minoría relativa.
Estos datos incluyen, sin embargo, que independientemente de su socioeconómico
Antecedentes, la participación de los estudiantes no estaba relacionada con lo social
contexto de la escuela: los estudiantes de SES más bajos participaron en el mismo
Tarifas si asistieron a escuelas menos ricas o más ricas,
Y también lo hicieron estudiantes de alto SES.
Si factores socioeconómicos individuales, en lugar de factores escolares,
tener en cuenta las diferencias en la participación, ¿qué se trata de individuos?
Particularmente aquellos de familias SES más bajas, ¿eso marca la diferencia?
Los investigadores han identificado varias barreras para la participación de los estudiantes,
que van desde los más tangibles, incluidas las responsabilidades familiares o laborales,
Recursos limitados para equipos u otros gastos, y transporte
u otras dificultades logísticas, para los más complejos, como
falta de interés o alienación de la escuela y sus actividades
(Kleese y D’Onofrio, 1994).
¿Qué se utiliza para comparar dos variables?
Los siguientes 3 capítulos tratan con la inferencia estadística asociada con
La relación entre dos variables. La relación corresponde a la
Efecto de una variable en la distribución del otro. La variable
cuya distribución se está investigando se llama respuesta. los
variable que puede tener un efecto en la distribución de la respuesta es
llamado la variable explicativa.
En esta sección consideramos el caso donde la variable explicativa es una
factor con dos niveles. Este factor divide la muestra en dos
submuestras. La inferencia estadística se compara entre el
Distribuciones de la variable de respuesta en las dos submuestras. los
La inferencia estadística implica la estimación puntual, los intervalos de confianza,
y pruebas de hipótesis. Las funciones R se pueden usar para realizar
la inferencia estadística. Al final de este capítulo, el estudiante
Debe ser capaz de:
Definir estimadores, intervalos de confianza y pruebas para comparar el
Distribución de una respuesta numérica entre dos subpoblaciones.
Aplicar la función «T.Test» para investigar la diferencia
entre las expectativas de la variable de respuesta en los dos
submuestras.
Aplicar la función «Var.Test» para investigar la relación
entre las variaciones de la variable de respuesta en las dos
submuestras.
Hasta este punto en el libro hemos estado considerando herramientas para el
Investigación de las características de la distribución de un solo
medición. En la mayoría de las aplicaciones, sin embargo, una está más interesada en
inferencia con respecto a las relaciones entre varias medidas. En
en particular, uno puede querer entender cómo el resultado de uno
Efectos de la medición El resultado de otra medición.
¿Cómo se comparan los resultados?
- Realice una prueba previa y posterior para rastrear mejoras en los logros de los estudiantes en el transcurso de un tema
- Identificar áreas donde su clase en su conjunto ha crecido, y áreas que requieren más atención
- Mida la efectividad de intervenciones de aula específicas
La comparación proporciona el mayor valor si las dos evaluaciones que compara son similares, pero puede comparar dos evaluaciones que se basan en porcentaje.
Abra la sección de evaluaciones de su panel de control y haga clic en la sección de análisis de la primera evaluación que desea comparar. Luego haga clic en Comparar resultados.
Elija la segunda evaluación en la comparación. Mostramos la superposición entre los estudiantes en la tarea y el contenido de la evaluación para dar una indicación de qué comparaciones darán resultados útiles.
El informe de comparación resume los resultados del grupo, la propagación de resultados para las dos pruebas, compara los puntajes de los estudiantes individuales en las dos pruebas y compara los resultados de la cohorte en etiquetas o habilidades de análisis específicas.
La sección de resultados del grupo compara los resultados medios (promedio) de los estudiantes en la evaluación en su conjunto e indica el nivel de mejora, incluido si la mejora es estadísticamente significativa.
Solo los estudiantes que completaron ambas evaluaciones están incluidos en estos resultados, lo que significa que la puntuación promedio puede variar de lo que se muestra en la pestaña de análisis de una de las evaluaciones individualmente.
Artículos Relacionados:
