Dentro de la investigación académica, la significación estadística a menudo es crítica porque los investigadores académicos estudian relaciones teóricas entre diferentes variables y comportamiento. Además, el objetivo de la investigación académica es a menudo publicar informes de investigación en revistas científicas. El umbral para la publicación en revistas académicas es a menudo una serie de resultados estadísticamente significativos.
Fuera de la academia, la significación estadística a menudo es menos importante. Los investigadores, gerentes y tomadores de decisiones en los negocios pueden usar la importancia estadística para comprender cuán fuertemente deben los resultados de un estudio informar las decisiones que toman. Pero, debido a que la significación estadística es simplemente una forma de cuantificar cuánta confianza tiene en un hallazgo de investigación, las personas en la industria a menudo están más interesadas en la importancia práctica de un hallazgo que la significación estadística.
Para demostrar la diferencia entre práctico
y significado estadístico, imagine que es un candidato para el cargo político.
Tal vez haya decidido postularse para una oficina local o estatal, o si está
Sintiéndose audaz, imagine que se postula para presidente.
Durante su campaña, su equipo llega a
Usted con datos sobre mensajes destinados a movilizar a los votantes. Estos mensajes han sido
Probado en el mercado y ahora usted y su equipo deben decidir cuáles adoptar.
Si va con el mensaje A, 41% de
Los votantes registrados dicen que es probable que se presenten en las encuestas y emiten un
votación. Si va con el mensaje B, este número cae al 37%. Como candidato,
¿Debería importarle si esta diferencia es estadísticamente significativa a un valor P por debajo de .05?
¿Qué debemos conocer un estudio estadistico?
Ahora hemos analizado los conceptos básicos de un estudio estadístico, pero ¿cómo se asegura de que realice un buen estudio estadístico? Debe usar las siguientes pautas.
- Indique el objetivo de su estudio con precisión. Asegúrese de comprender lo que realmente quiere saber antes de recopilar cualquier dato. Determine exactamente de qué le gustaría aprender.
- Indique la población que desea estudiar y indicar los parámetros de población de interés.
- Elija un método de muestreo. Una muestra aleatoria simple es el mejor tipo de muestra, aunque a veces una muestra estratificada o de clúster puede ser mejor dependiendo de la pregunta que esté haciendo.
- Recopile los datos para la muestra y resuma estos datos al encontrar estadísticas de muestra.
- Use las estadísticas de muestra para hacer inferencias sobre los parámetros de la población.
- Draje conclusiones: determine lo que aprendió y si logró su objetivo.
El error que comete la mayoría de las personas al hacer un estudio estadístico es recopilar los datos y luego mirar los datos para ver qué preguntas se pueden responder. Esto es en realidad al revés. Por lo tanto, asegúrese de saber qué pregunta desea responder antes de recopilar cualquier dato.
Incluso si no realiza su propio estudio, verá estudios que otras personas han realizado. Todos los días escuchas y ve estadísticas sobre las noticias, en periódicos y revistas, en Internet y otros lugares. Algunas de estas estadísticas pueden ser legítimas y beneficiosas, pero algunas pueden ser inexactas y engañosas. Aquí hay algunos pasos a seguir al evaluar si un estudio estadístico es creíble o no.
Pasos para determinar si un estudio estadístico es creíble:
1. ¿Se establece claramente la población, el objetivo del estudio y el tipo de estudio?
¿Que se identifica en un estudio estadístico?
Un estudio estadístico de una gran cantidad de imágenes de estas muestra que, bajo las condiciones de crecimiento de ultra al vacío (UHV) empleadas en la Ref. [89], la concentración de vacantes es el 1% del número total de moléculas.
Los estudios estadísticos tradicionales utilizan información pasada para determinar un estado futuro de un sistema (a menudo llamado predicción), mientras que los estudios de minería de datos utilizan información pasada para construir patrones basados no solo en los datos de entrada sino también en las consecuencias lógicas de esos datos. Este proceso también se llama predicción, pero contiene un elemento vital que falta en el análisis estadístico: la capacidad de proporcionar una expresión ordenada de lo que podría ser en el futuro, en comparación con lo que fue en el pasado (basado en los supuestos del método estadístico) .
En comparación con los estudios estadísticos tradicionales, que a menudo son retrospectivos, el campo de la minería de datos encuentra patrones y clasificaciones que miran e incluso predicen el futuro. En resumen, la minería de datos puede (1) proporcionar una comprensión más completa de los datos al encontrar patrones que anteriormente no se ven y (2) hacer modelos que predicen, lo que permite a las personas tomar mejores decisiones, tomar medidas y, por lo tanto, moldear los eventos futuros.
En cualquier estudio estadístico, hay dos pasos: análisis y síntesis. Sintetizar datos significa recopilar las características más significativas o más reveladoras dentro de los datos. Los resultados se presentan de una manera que sea conveniente para el usuario. Por lo tanto, el problema no es solo analizar los datos en profundidad, sino también comunicar los resultados en términos de conclusiones válidas que pueden usarse para tomar decisiones razonables. Cuando el análisis de datos se usó por primera vez, el análisis significó tanto análisis como síntesis. Pero, de acuerdo con los desarrollos recientes en métodos, tamaño y complejidad de datos, análisis y síntesis deben distinguirse nuevamente. Los principios básicos del análisis de datos se presentan aquí en comparación con otras tendencias científicas.
¿Cuáles son los tres tipos de estudios estadísticos?
Los métodos estadísticos proporcionan un informe formal de las causas de variabilidad en las respuestas de los pacientes al tratamiento. El uso de estadísticas permite al investigador clínico desarrollar deducciones razonables y precisas a partir de la información obtenida y tomar decisiones confiables en presencia de incertidumbre. En la investigación médica, los datos estadísticos son esenciales para prevenir errores y distorsiones. Este artículo trata de algunos de los conceptos estadísticos clave y su aplicación en estudios clínicos.
Una hipótesis es una suposición o un conjunto de suposiciones que a) afirma algo de manera provisional para realizar una experimentación específica o b) confirma algo como muy probable a la luz de los hechos demostrados.
Para nuestros objetivos, estamos interesados en la hipótesis que dice algo, por ejemplo, que un nuevo tratamiento para una enfermedad es mejor que el tratamiento estándar existente. Si el nuevo tratamiento se llama «B» y el tratamiento estándar se llama «A», la hipótesis establece que «B» es mejor que «A».
Se podría suponer que los científicos comienzan intentando esta hipótesis, pero no es así. En cambio, este objetivo se logra indirectamente. En lugar de tratar de demostrar la hipótesis B, el método científico supone que A es de hecho cierto, es decir, que no hay diferencias entre el estándar terapéutico y el nuevo tratamiento. Esta suposición se conoce como hipótesis de «nada». Por lo tanto, los científicos intentan negar: este procedimiento también se conoce como una demostración de la falsedad de la hipótesis nada. Si sucede que puede probar la hipótesis de falso y que el tratamiento estándar no es mejor que el nuevo, se deduce que B es verdadero y el nuevo tratamiento mejor que el estándar.
¿Cuáles son las etapas implicadas en un proyecto de análisis estadístico?
Cuando se le presente un proyecto de datos, se le dará un breve resumen de las expectativas. A partir de ese esquema, debe identificar los objetivos clave que el negocio está tratando de descubrir. Debe examinar el alcance general del trabajo, los objetivos comerciales, la información que las partes interesadas buscan, el tipo de análisis que desean que use y los entregables (los resultados del proyecto) que desean.
Debe tener estos elementos claramente definidos antes de comenzar su proyecto de análisis de datos para proporcionar el mejor entrega que pueda. Además, es importante hacer tantas preguntas como pueda al comienzo del proyecto porque, a menudo, es posible que no tenga otra oportunidad antes de la finalización del proyecto.
Hay una variedad de herramientas que puede usar para organizar sus datos. Cuando se le presenta un pequeño conjunto de datos, puede usar Excel, pero para trabajos más fuertes, es probable que desee usar herramientas más rígidas para explorar y preparar sus datos. Muñoz sugiere R, Python, Alteryx, Tableau Prep o Tableau Desktop para ayudar a preparar sus datos para su limpieza.
Dentro de estos programas, debe identificar variables clave para ayudar a clasificar los datos. Al pasar por los conjuntos de datos, busque errores en los datos. Estos pueden ser cualquier cosa, desde datos omitidos, datos que no tienen sentido lógicamente, datos duplicados o incluso errores de ortografía. Estas variables faltantes deben modificarse para que pueda limpiar adecuadamente sus datos.
Una vez que haya organizado e identificado todas las variables en su conjunto de datos, puede comenzar a limpiar. En este paso, ingresará variables faltantes, creará nuevas categorías amplias para ayudar a clasificar los datos que no tienen un lugar adecuado y eliminará los duplicados en sus datos. Imputar puntajes de datos promedio para categorías en las que hay valores faltantes ayudará a que los datos se procesen de manera más eficiente sin sesgarlo.
¿Cómo se hace el análisis estadístico de un proyecto?
La longitud típica de un proyecto MS es de 10 páginas de doble espacio, con los siguientes elementos.
- Resumen: Un breve resumen (100 – 250 palabras) de investigación aparece en el frente. Esto debería establecer el propósito de la investigación y sus principales hallazgos.
- Introducción: Describa el propósito de la investigación, y posiblemente el trabajo anterior en el que se basa la investigación, que incluye:
- Justificando por qué la investigación necesitaba.
- resumiendo la literatura sobre trabajos anteriores en esta área.
- enumerando los objetivos del estudio.
- Métodos: Describa la realización del estudio, incluida la forma en que se recopilaron, analizaron, etc. los datos, que incluyen:
- Diseño general del estudio (fue un experimento, un caso de casos o un estudio de cohorte, etc.)
- Descripción de los participantes u objetos del estudio: la población de estudio, el marco de muestreo, los criterios de inclusión y exclusión, y el método para seleccionar sujetos del estudio.
- Recopilación de datos: Describa variables, técnicas de medición y validez/confiabilidad de los instrumentos. También se podría describir los procedimientos de control de calidad y/o métodos utilizados para minimizar la pérdida de información.
- Métodos estadísticos: una breve descripción de las pruebas estadísticas y el software utilizados para hacer el análisis.
- Resultados: Para los estudios que involucran a las personas, los resultados a menudo se presentan en el siguiente orden.
- Datos descriptivos: Población de estudio descrita de acuerdo con variables demográficas/socioeconómicas como edad, ingresos, educación, estado de salud, etc.
Copyright 2022, Rutgers, la Universidad Estatal de Nueva Jersey. Reservados todos los derechos.
Rutgers es una institución de igual acceso/igualdad de oportunidades. Se alienta a las personas con discapacidades a dirigir sugerencias, comentarios o quejas sobre cualquier problema de accesibilidad con los sitios web de Rutgers a: accessability@rutgers.edu o completar la barrera de accesibilidad del informe o proporcionar formulario de retroalimentación.
¿Cómo se divide el análisis estadístico?
¡O cómo usar 50 tonos de gris! ¿Por qué el análisis necesita herramientas estadísticas? El análisis explota observaciones reales: datos para extraer argumentos objetivos, en oposición al razonamiento subjetivo basado en la intuición. Pero, ¿podemos confiar plenamente en los datos sin hacer correctivo? Los datos incluyen un grado inherente de incertidumbre de que un análisis puramente matemático limitaría a los extremos en blanco y negro. Las estadísticas permiten explorar y refinar las áreas grises teniendo en cuenta la incertidumbre de sacar conclusiones significativas y relevantes.
Un análisis a menudo se basa en un subconjunto de datos, llamado muestra. Los modelos de estas muestras permiten extender a la población global las conclusiones del análisis. Dominar estos modelos pero también conocer sus límites está en el corazón de la profesión de analistas, que utilizará estadísticas para emitir conclusiones precisas y confiables.
Las estadísticas cubren un conjunto de herramientas y técnicas destinadas a interpretar los modelos. Detaltemos los conceptos principales, del libro «Les Statistics Pour Les Dummés» de Déborah Rumsey.
- Tendencia central
Descubrir la mitad de una población es generalmente el punto de partida para los análisis. Es el campo de la mediana y las medianas para definir el centro del público dado.
- Tendencia central
Incluso si la mayoría de las poblaciones tienen una concentración en el centro, generalmente hay variaciones en ambos lados de este entorno, a menudo uniformes y predecibles. La variación de muchas poblaciones se encuentra en un modelo llamado «distribución normal»: el analista puede estimar de manera confiable la distancia probable entre una observación específica y el centro de la población.
Artículos Relacionados:
- Aprende a realizar un análisis estadístico en tu investigación para obtener mejores resultados
- Componentes de una investigación estadística: guía completa
- Estadística en la investigación: ¿por qué es importante?
- Cómo usar la estadística en la investigación para mejorar los resultados
- ¿Qué harías si…? 25 preguntas para hacerle a tu pareja para conocerla mejor
