Al realizar una investigación, es esencial que pueda dar sentido a sus datos. Esto le permite informar a otros investigadores en su campo y a otros lo que ha encontrado. También se puede usar para ayudar a construir evidencia para una teoría. Por lo tanto, una comprensión de qué prueba usar y cuándo es necesario. Hay algunas buenas prácticas para hacer si no está familiarizado con la realización de análisis estadísticos. La primera es determinar las variables.
Resumen de las estadísticas básicas:
Variable dependiente (DV): Esta es la que está midiendo. Del ejemplo de la puntuación del estudiante.
Variable independiente (IV): Esta es la que está manipulando con las diferentes condiciones. Del ejemplo, presentación de PowerPoint o retroproyector.
Niveles de medición:
Una vez hecho esto, querrá determinar el nivel de medición que son ambas variables. Esto le ayudará a determinar más adelante qué prueba usar en su análisis. Existen cuatro niveles de medición:
Intervalo de-Estos números iguales (es decir, Número de mascotas).
Ratio-No hay cero real y hay intervalos entre números enteros (es decir, peso al nacer)
Nominal – Simplemente nombrando categorías (es decir, Hombre/Mujer).
Ordinal-Simplemente ordenando (i.e.1 = Totalmente en desacuerdo; 2 = En desacuerdo; 3=Neutral; 4=De acuerdo; 5=Totalmente de acuerdo).
Finalmente, tendrá la información necesaria para determinar qué prueba necesita usar. Hasta que se familiarice con el análisis estadístico, es una buena práctica llevar un registro de esta información (ver Tabla 3).
Cuadro 3. Variable, nivel de medición y número de IV
Con esta información, puede consultar la siguiente tabla para determinar qué prueba estadística usar. En primer lugar, determinar si el estudio está dentro de los sujetos o entre ellos, luego el número de grupos y, a continuación, el nivel de medición (véase la Figura 1).
Figura 1. Tabla de pruebas por diseño, número de condiciones y nivel de medición
Árbol de decisiones
Las pruebas estadísticas se pueden dividir en dos grupos, paramétricos y no paramétricos, y están determinadas por el nivel de medición. Las pruebas paramétricas se utilizan para analizar datos de intervalos y proporciones, y las pruebas no paramétricas analizan datos ordinales y nominales. Hay diferentes pruebas para usar en cada grupo. Comenzaremos con las pruebas paramétricas primero.
Pruebas Paramétricas: (Datos de intervalo/Relación)
Estas pruebas suponen que los datos se distribuyen normalmente (curva de campana) y son muy fuertes en comparación con las pruebas no paramétricas.
Dentro del Diseño del Sujeto 1. Prueba t de muestras dependientes: Compara medias de dos grupos. Un ejemplo es determinar si el impacto de PowerPoint o una proyección aérea califica. 2. Dentro de los sujetos ANOVA: Compara medias de más de dos grupos. Un ejemplo es determinar si PowerPoint, proyección general y podcast afectaron las calificaciones y, en caso afirmativo, cuál.
Entre el Diseño del Sujeto
1. Prueba t de muestras independientes: Compara medias de dos grupos. Un ejemplo es determinar si una presentación de PowerPoint afectó a las calificaciones en comparación con un grupo de control. 2. Entre sujetos ANOVA: Compara medias de más de dos grupos. Un ejemplo es determinar si PowerPoint o un retroproyector afectaron las calificaciones y, de ser así, cuál. 3. Correlación de Pearson: Determina si hay una relación entre dos variables. También determina la fuerza de la relación, si existe.
El coeficiente de correlación oscila entre -1,0 y 1,0. Cuanto más cerca de -1.0 o 1.0, más fuerte es la relación. Cuando r es negativo, significa que hay una relación negativa (una variable sube/baja y la otra hace lo contrario). Cuando r es positivo, eso significa que hay una relación positiva (una variable sube o baja, al igual que la otra). Vea el ejemplo a continuación examinando la correlación entre los textos enviados por semana y las calificaciones. Otra forma de determinar la relación y la fuerza es mirar el gráfico. Cuanto más cerca estén los puntos de datos de la línea, más fuerte será la relación (ver Figura 2). Precaución: una correlación fuerte no significa que una afección causó el resultado. Solo significa que las dos variables están relacionadas de alguna manera.
Figura 2. Gráfico de textos vs correlación de calificaciones
Pruebas no paramétricas: (Datos ordinales/Nominales)
Estas pruebas no asumen nada sobre la forma de los datos. Estas pruebas no son tan fuertes como las paramétricas.
Dentro del Diseño del Sujeto
1. Wilcoxon: Esta es la versión no paramétrica de la prueba t de muestras dependientes, ya que compara la diferencia de rangos para grupos de dos con solo datos ordinales. Un ejemplo es determinar la clasificación de los participantes para la preferencia visual entre dos aplicaciones de juegos para iPad. 2. Friedman: Esta es la versión no paramétrica de la ANOVA dentro de los sujetos, ya que compara rangos para grupos de más de dos con solo datos ordinales. Un ejemplo es determinar el rango de tres sitios web diferentes en función de la facilidad de uso.
Entre el Diseño del Sujeto
1. Chi cuadrado: Compara rangos para diseños de dos grupos y más de dos grupos con SOLO datos nominales. A. Chi cuadrado (Bondad de ajuste): Compara la proporción de la muestra con un valor ya existente. Un ejemplo sería comparar las tasas de alfabetización en el centro de Missouri con las de todo el estado. B. Chi cuadrado (Prueba de Independencia): Compara las proporciones de dos variables para ver si están relacionadas o no. Un ejemplo sería si hay un número similar de atletas de béisbol y softbol inscritos en el curso de psicología general de este semestre. 2. Kruskall-Wallis: Esta es la versión no paramétrica de la ANOVA entre sujetos, ya que ve si varias muestras son de la misma población. Un ejemplo es determinar cómo los participantes califican a un médico en función de si usó una computadora, un libro o no recibió asistencia para diagnosticarlos. 3. Mann-Whitney: Esta es la versión no paramétrica de la prueba t de muestras independientes, ya que compara rangos para grupos de más de dos con solo datos ordinales. Un ejemplo sería determinar si comer barras de chocolate Snickers afecta las calificaciones de los estudiantes en los cursos de matemáticas. 4. Correlaciones: Rho de A. Spearman: Al igual que la correlación de Pearson, esta prueba también determina la fuerza de la relación entre dos variables en función de sus rangos. Un ejemplo sería determinar la relación entre la física y las calificaciones de los cursos de inglés.
Sección de Análisis Estadístico-Manual