Beruflich Dokumente
Kultur Dokumente
NDICE:
MDULO 1:
METODOLOGA Y DISEO
DE UNA INVESTIGACIN CIENTFICA
CAPTULO 1
Mtodo cientfico y tipologa
1.
Introduccin
2.
Metodologa de la investigacin
Explicativo. La ciencia formula teoras que dan lugar a leyes generales que
explican
hechos
particulares
predicen
comportamientos.
Son
conocimientos tiles.
-
fruto
de
rigurosos
procedimientos
(observacin,
reflexin,
3.
El mtodo cientfico
2)
3)
El mtodo inductivo fue introducido por Francis Bacon a comienzos del siglo XVII. En
trminos generales consiste en establecer enunciados universales ciertos a partir de la
experiencia. Este enfoque recibi un importante impulso a finales del siglo XIX y
mediados del siglo XX con el desarrollo de la Estadstica.
genera
conocimiento
formulando
hiptesis
bsicas
deduciendo
4.
CAPTULO 2
Diseo de una investigacin cientfica
1.
Introduccin
2.
3.
4.
5.
Variables
hiptesis:
qu variables
definen
el fenmeno que
7.
8.
2.
Otros autores plantean otros criterios como son la experiencia en el tema y tener
conocimientos para su manejo.
Una vez que hemos elegido el tema de nuestro proyecto debemos realizar un
planteamiento del problema de investigacin, es decir, debemos enunciar, describir y
delimitar el problema en el que queremos investigar.
El problema se puede formular de manera declarativa o interrogativa. En el primer
caso se expresa a forma de propsito (Ej. La investigacin pretende mostrar la
importancia del papel del fundador en el crecimiento de una empresa familiar). En el
segundo caso se expresa formulando una pregunta (Ej. Es importante el papel del
fundador en la fase de crecimiento de una empresa familiar?).
Es conveniente formular, junto con la pregunta que recoge el tema general de la
investigacin, una serie de preguntas que ayuden a transformar el tema general en
problemas ms concretos y ms fciles de tratar. De esta forma, surgirn problemas
especficos de investigacin, de entre los cuales podremos seleccionar aquellos que
sean viables y sean de nuestro inters.
Ejemplo:
Pregunta general: Cules son los elementos clave que generan valor agregado en una empresa?
Preguntas especficas: Son los mismos para todos los tipos de empresa? Cmo podemos identificarlos
y medirlos? Se pueden medir de manera aislada o dentro de un contexto interrelacionado? Se pude
probar el impacto de los elementos intangibles en el desempeo y el xito de una organizacin? Es
posible establecer un marco de trabajo prctico con el cual se puedan gestionar los intangibles
estratgicos?
(Torres, 2008)
La descripcin del problema permite conocer todos los hechos relacionados con el
problema
de investigacin.
Cuando
lo
describimos
debemos
presentar
los
antecedentes tericos y/o empricos, las teoras y los supuestos bsicos en los que se
apoya el enunciado del problema.
El problema debe enunciarse de forma clara y concisa, es decir, debe ser delimitado.
La delimitacin supone establecer el tiempo de realizacin, fijar los espacios fsicos y/o
geogrficos dnde se va a centrar la investigacin y determinar los conceptos y
recursos disponibles para su realizacin. Una delimitacin adecuada del tema es una
garanta de la viabilidad de la investigacin.
El planteamiento de un problema de investigacin exige una concepcin previa de la
naturaleza de la realidad que queremos estudiar. Una revisin bibliogrfica en el rea
de estudio y la consulta a expertos en la materia pueden resultar de gran ayuda en
esta primera etapa del proceso de investigacin.
3.
Objetivos de la investigacin
10
Los objetivos deben ser formulados con claridad utilizando verbos fuertes expresados
en infinitivo. Deben ser concretos, medibles y seguir un orden lgico.
Ejemplo:
Objetivo general: Desarrollar un modelo integrador de elementos intangibles que sirva, por un lado, como
base terica para futuras investigaciones y por otro lado, como marco de trabajo para la gestin de
recursos y capacidades claves en el desempeo empresarial.
Objetivos especficos:
Identificar con base a la literatura relevante, un conjunto de elementos genricos que son
considerados como los elementos intangibles claves en la creacin de valor
en las
4.
Justificacin de la investigacin
Justificar una investigacin consiste en expresar las razones por las que se lleva a
cabo el estudio. Debemos explicar por qu es conveniente y cules son los beneficios
que se esperan con el conocimiento obtenido, es decir, debemos demostrar por qu la
investigacin es necesaria e importante en el rea en la que se centra nuestro estudio.
Una investigacin se inicia con algn propsito en un rea de conocimiento
determinada, por lo tanto, su realizacin debe ser de utilidad por diferentes motivos.
Hernndez et al. (2006) indican algunos criterios, formulados como preguntas, para
evaluar la utilidad de una investigacin:
11
5.
Estos mismos autores destacan las siguientes funciones del marco terico:
1.
2.
3.
4.
5.
6.
12
7.
todos
los
artculos,
libros
documentos
recopilados
consultados,
natural en la frase
natural en la frase
figura
Si se cita una fuente citada en otra obra
13
6.
Las variables son cualidades, propiedades o rasgos observables de los elementos del
estudio cientfico. Las variables son de gran importancia
porque las clasificamos y agrupamos, las relacionamos y,
en el mtodo cientfico
las estudiamos y las
interpretamos. Las variables participan en todas las fases del proceso, por esto,
debemos definirlas con un alto grado de especificacin (Lafuente y Marn, 2008).
Se pueden considerar distintos tipos de variables si atendemos a los siguientes
criterios de clasificacin:
de
una
empresa).
Las
variables
cuantitativas
son
14
dependientes
variables
independientes.
Las
variables
15
Por ltimo, en las hiptesis causales se establece una relacin causa-efecto entre las
variables. Se realiza una afirmacin sobre el efecto que provoca sobre una variable
(variable dependiente), el comportamiento de otra u otras variables (variables
independientes).
Hi: La innovacin tecnolgica aumenta la productividad de las empresas (una variable independiente).
Hi: La innovacin tecnolgica y la motivacin aumentan la productividad (dos variables independientes).
7.
Metodologa
16
abordado antes. Suelen ser investigaciones sobre temas de los que existe poca
informacin. Segn Babbie (1999), los estudios exploratorios se hacen con tres
objetivos:
1.
2.
3.
Una investigacin es descriptiva cuando tiene como propsito contar, detallar las
propiedades y caractersticas de una realidad concreta. El investigador observa la
realidad y luego la describe.
Las investigaciones exploratoria y descriptiva suelen ser la base para desarrollar otras
investigaciones ms profundas.
Por ltimo, una investigacin es explicativa cuando su propsito va ms all de la
mera descripcin del fenmeno objeto de estudio. En este tipo de investigacin se
explica el por qu del fenmeno y se indica cmo se relacionan las variables que lo
definen.
Normalmente, las investigaciones suelen presentar los tres tipos de propsitos,
exploracin, descripcin y explicacin.
Una vez que hemos sealado qu tipo de investigacin estamos realizando, estamos
en disposicin de indicar la fuente y los medios utilizados para obtener los documentos
y los datos en los que nos hemos apoyado para desarrollar nuestra investigacin.
Tambin debemos mostrar las tcnicas y herramientas aplicadas y su idoneidad en el
tratamiento de datos.
Los documentos y los datos se pueden obtener de fuentes primarias o de fuentes
secundarias.
Las fuentes primarias son fuentes de informacin de primera mano. Las tesis, los
libros, artculos de revista, monografas y manuscritos se consideran fuentes primarias
para obtener documentos. Cuando nos referimos a datos obtenidos en fuentes
primarias nos referimos al uso de medios como la entrevista, los grupos de discusin y
17
la encuesta. Es decir, medios que nos permiten obtener datos especficos para nuestra
investigacin.
Hablamos de fuentes secundarias para la obtencin de documentos cuando nos
apoyamos en resmenes o documentos que compilan la informacin recogida en las
fuentes primarias. Hablamos de datos obtenidos en una fuente secundaria cuando
utilizamos cuadros estadsticos que ya han sido elaborados por instituciones para el
desarrollo de estudios distintos a nuestra investigacin.
Recopilados los datos debemos indicar qu tcnicas hemos utilizado para su
tratamiento. La estadstica y la econometra nos proporcionan abundantes tcnicas y
herramientas para el anlisis descriptivo y explicativo de una o ms variables.
8.
9.
Bibliografa
18
Conferencia
Tesis
Trabajos individuales
Revistas electrnicas
e.g. Brack, E.V. (2 May 1995). Re: Computing Short Courses. Lis-
correo
(E-mail)
19
MDULO 2:
INVESTIGACIN CUALITATIVA
20
CAPTULO 3
Introduccin a la metodologa y tcnicas cualitativas
1.
Introduccin
Epistemologa
Tarea
Estilo
Teora
Valores
Positivista
nicos, ideogrficos
Generales y nomotticos
Centrados en lo humano
Centrados en la estructura
Lo interior, subjetivo
Lo exterior, objetivo
Significado, sentimiento
Cosas, sucesos
Fenomenologa
Realista
Relativista
Absolutista esencialista
Perspectivista
Lgico positivista
Interpretar, comprender
Explanacin causal
Describir, observar
Medir
Suave, clido
Duro, fro
Imaginativo
Sistemtico
Fiable, replicable
Inductiva, concreta
Deductiva y abstracta
Cuenta historias
Operacionalismo
Comprometida tica y
polticamente
Pericia y Elites
21
Igualitarismo
Fuente: Plummer (1983) en Ruiz Olabunaga (2007)
2.
La
orientacin
no
es
particularista
generalizadora
sino
holstica
22
3.
El diseo cualitativo
Diseo de trabajo
Ntese que el objetivo de estas fases no es redundar la informacin que se ofrece en el captulo 2 de
estos apuntes, sino servir de hilo conductor para comprender mejor cmo se estructura una investigacin
cualitativa, con sus peculiaridades.
23
El diseo abarca y comprende todos los pasos de los que consta una investigacin. Se
podra resumir en los siguientes elementos:
a) Esquema terico: fijacin de la estrategia que se va a seguir a lo largo de la
investigacin. La estrategia de una investigacin cualitativa va orientada a
descubrir, captar y comprender una teora, una explicacin, un significado, del
mismo modo que la de una cuantitativa va ms orientada a contrastar,
comprobar, demostrar la existencia de una teora previamente formulada. La
primera impone un contexto de descubrimiento y de exploracin al paso que la
segunda de comprobacin y de contraste.
b) Diseo muestral: la tendencia del anlisis cuantitativo a generalizar y
universalizar sus descubrimientos le obliga a estudiar, en principio, a todos los
casos o a seleccionar unos cuantos casos representativos (muestra) del
colectivo general. Por el contrario, los anlisis cualitativos, habitualmente,
estudian un individuo o una situacin, unos pocos individuos o unas reducidas
situaciones, con el propsito no de generalizar algn aspecto concreto sino de
profundizar en ese mismo aspecto.
c) Codificacin del lenguaje: toda observacin realizada por un investigador ha de
ser traducida a smbolos de modo que pueda ser conservada e intercambiada.
Existen dos formas de codificacin: a travs del concepto y a travs del
nmero. En la investigacin cualitativa prima el concepto (descripciones y
vietas literarias) y en la cuantitativa el nmero (tablas y test estadsticos).
d) Control de elementos espurios: las tcnicas cualitativas no pueden ser puestas
en prctica sin que sean previstas tcnicas de veracidad, de autenticidad y, en
general, de control de calidad.
Lofland (1984) afirma que la metodologa cualitativa, al primar la comprensin
directa del mundo social, afronta menos problemas de validez que la
metodologa cuantitativa, sin embargo, al margen de la interpretacin subjetiva,
toda informacin cualitativa debe afrontar el problema de su verdad objetiva y
de si constituye una descripcin acertada de un hecho, actitud o creencia de la
vida real. Este mismo autor propone el siguiente test de garanta de calidad
para reforzar la fiabilidad de una investigacin cualitativa:
24
Consistencia externa
Recogida de datos
25
entendida como una conversacin controlada por el arte de saber formular preguntas y
de saber escucharlas.
La entrevista no es una herramienta mecnica sino que est fundamentalmente
influenciada por el entrevistador y por sus caractersticas, as como por el entrevistado
y su contexto.
La observacin es la segunda herramienta favorita para la recogida de informacin. Es
entendida y practicada como la entrada a una situacin social, unas veces como parte
de la misma y otras, como simple espectador, y la inspeccin sistemtica de lo que en
ella ocurre.
La lectura de documentos que conservan un fenmeno social pasado, es el tercer
modo de recoger informacin. Todo escrito puede ser ledo e interpretado como una
interaccin social pasada, sin olvidar, que esta lectura es una construccin social y
poltica ella misma, en la que interviene, no slo el creador original del documento,
sino el investigador que lo lee posteriormente e interpreta.
En resumen, las tcnicas de recogida de informacin ms usualmente utilizadas son:
Tabla 5. Formas ms difundidas de recoger informacin
Entrevista
En profundidad
Observacin
Etnogrfica
Lectura
Anlisis de contenidos
(escritos, audiovisuales)
De grupo
Etnometodolgica
Participativa-No participativa
En este apartado se dan las mayores diferencias entre los mtodos cuantitativos y los
cualitativos. Los primeros analizan datos fundamentalmente mediante la constatacin
de parmetros y asociaciones. Utilizan algoritmos tales como medias, desviaciones,
ratios, coeficientes as como test de correlacin, de regresin, de diferencia
significativa, etc. Por el contrario, los segundos analizan los datos mediante
narraciones, vietas y relatos cuyo ideal es la interpretacin de las interpretaciones de
los sujetos que toman parte en una accin social. Y si bien es cierto que la
investigacin cualitativa no se somete a ningn esquema rgido de procedimientos y
26
normas, tambin lo es que diferentes autores han ido presentando mtodos de anlisis
al mismo tiempo que llevaban sus estudios concretos (como por ejemplo, el Mtodo
Delphi).
-
Conclusiones
Igualmente
aporta
los
antecedentes
terico-conceptuales
27
28
29
CAPTULO 4
Entrevistas en profundidad
1.
Concepto
30
La entrevista no estructurada
La entrevista
- Adopta
estmulo/respuesta,
el
formato
- Obtiene
con
frecuencia
respuestas
- Formula
preguntas
sin
esquema
fijo
de
categoras de respuesta
- Controla el ritmo de la entrevista en funcin de
preguntas
- Permite
intervencin
de
terceros si es conveniente
juicios de valor
preguntas
preguntas
interrupciones
al
mismo
tiempo
- Establece
que
impersonalidad
una
relacin
equilibrada
entre
familiaridad y profesionalidad
- Adopta el estilo del oyente interesado pero no
paquete de preguntas
preguntas
Las respuestas
- Son
cerradas
al
cuadro
de
categoras
preestablecido
- Grabadas conforme al sistema de codificacin
respuestas preestablecidas
- Grabadas
previamente establecido
conforme
un
sistema
de
31
informativa:
Inconvenientes
intensiva,
holstica,
contextualizada y personalizada
cualitativo
de
reactividad,
fiabilidad y validez
- Falta de observacin directa o participada
potenciales
de
grupal
cuantitativos
- Accesibilidad a informacin difcil de observar
- Preferible por su intimidad y comodidad
Fuente: Valls (1997)
2.
Fases
1.
Preparacin.
32
ideas y criterios para resolver los casos prcticos de estudio que se puedan
plantear.
a) Aproximacin al universo de entrevistados potenciales a travs de las
fuentes
disponibles
(estadsticas
censales,
estudios
previos
2.
Realizacin
33
3.
Tratamiento
34
3.
Aplicabilidad
Comportamientos complejos.
35
CAPTULO 5
Grupos de discusin
1.
Concepto
36
de
tiempo
Inconvenientes
dinero:
ventajas
tradicionales revisadas
- Flexibilidad:
diversidad
utilizable
de
temas,
observacin participada
en
el
con
estudio
personas
de
comparabilidad, deseabilidad
- Inconvenientes
profundidad)
ortodoxa
de
la
tradicional:
interaccin
lmites
investigacin-accin-participativa;
del
alternativas o afines
grupo
Fuente: Valls (1997)
37
complemento
de
tcnicas
grupal
para
la
necesidad
grupales
2.
Fases
1.
Preparacin.
en
grupos,
tratando
de
reproducir
conversaciones
esteriotipadas
que
afecten
al
discurso
del
grupo,
evitar
38
2.
Realizacin
En este apartado se presta especial atencin al papel del moderador, haciendo alusin
a las actuaciones de los participantes en la reunin.
Sirva el siguiente esquema para resaltar los puntos principales de la realizacin de los
grupos de discusin:
-
3.
Tratamiento
39
3.
Aplicabilidad
-
Los grupos de discusin pueden dar buenas ideas acerca de las preferencias y
actitudes de los consumidores sobre un producto o servicio determinado,
aunque no sera concluyente dado su carcter exploratorio.
40
CAPTULO 6
Mtodo Delphi
1.
Concepto
2.
Fases
1.
41
Sobre la elaboracin del cuestionario, las preguntas deben ser precisas, cuantificables
e independientes.
2.
Eleccin de expertos
Hay que tener en cuenta las no respuestas y abandonos que se producen en el proceso.
42
Algunas recomendaciones
-
Grabacin de los resultados en una base de datos, para operar con ellos y
realizar grficos y tablas.
Aunque la formulacin terica del mtodo Delphi comprende varias etapas sucesivas de envos de
cuestionarios, en buena parte de los casos puede limitarse a dos rondas, lo que segn la experiencia no
afecta a la calidad de los resultados.
Como es sabido, el objetivo de los cuestionarios sucesivos es disminuir el espacio intercuartil, esto es
cunto se desva la opinin del experto de la opinin del conjunto, precisando la mediana, de las
respuestas obtenidas. La finalidad de la primera ronda (primer cuestionario) es calcular el espacio
intercuartil. La segunda suministra a cada experto las opiniones de sus colegas, y abre un debate para
obtener un consenso en los resultados y una generacin de conocimiento sobre el tema. Cada experto
argumentar los pros y los contras de las opiniones de los dems y de la suya propia. Con la tercera se
espera un mayor acercamiento a un consenso.
43
3.
Aplicabilidad
44
No obstante, conviene ser consciente de algunas de las posibles limitaciones con las
que el investigador se puede enfrentar al utilizar este mtodo. En ocasiones se revela
largo, costoso, fastidioso e intuitivo ms que racional. Tambin, la posicin presionante
del investigador es discutible puesto que slo los expertos que se salen de la norma
deben justificar su posicin. Cuando muchas veces, precisamente, esa posicin
divergente es ms interesante que la del consenso. Por ltimo, no se toman en
consideracin las posibles interacciones entre las hiptesis consideradas, esto es lo
que conduce en ocasiones a implementar los mtodos de impactos cruzados.
45
MDULO 3:
INVESTIGACIN CUANTITATIVA
46
CAPTULO 7
Introduccin a la metodologa y tcnicas cuantitativas
1.
Introduccin
47
2.
48
3.
Valor terico.
Es
una
combinacin
lineal
de
variables
con
ponderaciones
determinadas
49
Referencia temporal.
Para fines del anlisis estadstico es importante tener en cuenta la referencia temporal
de los datos. Segn este criterio se pueden distinguir tres tipos de datos:
Error de medida.
Es el grado en que los valores observados no son representativos de los valores
verdaderos. El error de medida puede generarse por varias razones: errores de
entrada de datos, imprecisin en la medicin de la variable o incapacidad de los
encuestados a proporcionar informacin precisa.
Por tanto, el objetivo del investigador debe ser reducir el error de medida. Segn Hair
et al. (2007) el analista debe enfrentarse tanto con la validez como con la fiabilidad de
50
51
Significacin estadstica.
La inmensa mayora de las tcnicas multivariantes se basan en la inferencia
estadstica de los valores de una poblacin o la relacin entre variables de una
muestra escogida aleatoriamente de esa poblacin.
Para interpretar las inferencias estadsticas, el investigador debe fijar los niveles de
aceptacin de error estadstico. El modo ms comn es determinar el nivel de
significacin (), que se define como la probabilidad de rechazar la hiptesis nula
cuando es cierta, es decir, la posibilidad de que la prueba muestra significacin
estadstica cuando en realidad no est presente (el conocido caso de un positivo
falso). Especificando un nivel alfa, el investigador fija los mrgenes admisibles de
error. Normalmente se utiliza el 5%.
4.
52
- Anlisis discriminante
- Modelos de probabilidad lineal (regresin logstica y probit)
- Modelos de ecuaciones estructurales
estadsticas
multivariantes
- Anlisis factorial
Interdependencia
- Anlisis cluster
- Anlisis de correspondencias mltiple
La codificacin de una variable ficticia es una manera de transformar datos no mtricos en mtricos. Se
asignan unos y ceros al sujeto, dependiendo de si cuenta o no con cierta caracterstica. Por ejemplo, si un
sujeto es hombre se le asigna 0 y si es mujer se le asigna 1, o al contrario.
53
Anlisis factorial
Tcnica de reduccin de datos, enfocado a variables mtricas. Variables originales se
aglutinan en factores. til para la construccin de indicadores.
Anlisis cluster
Tcnica para clasificar individuos en grupos no conocidos a priori. Se forman grupos
homogneos dentro de s y heterogneos entre s.
Anlisis de correspondencias mltiple
Tcnica de reduccin de datos, parecida al anlisis factorial pero orientada a variables
no mtricas. til para elaborar indicadores.
54
CAPTULO 8
Encuesta por muestreo
1.
Introduccin
55
2.
1.
Concepto
En todas las investigaciones los datos se obtienen, por lo general, a partir de una
muestra de elementos y no sobre toda la poblacin respecto a la cual se pretenden
aplicar los resultados. La muestra debe ser representativa de la poblacin de dnde ha
sido extrada para poder generalizar los resultados obtenidos.
La encuesta por muestreo es una tcnica estadstica para recopilar datos, mediante la
consulta a una muestra de individuos que representa a la poblacin o colectivo que
queremos investigar.
2.
Fases
56
no
probabilsticos,
los
principales
mtodos
de
muestreo
3.
Una vez que hemos recopilado los datos debemos codificarlos y grabarlos. Existen
diferentes programas estadsticos fciles de utilizar para la grabacin y tratamiento de
datos (Excel, SPSS, Statgraphics, etc.).
Antes de llevar a cabo el anlisis de los datos es necesario garantizar que la
informacin proporcionada por los encuestados es correcta. Se trata de detectar y
57
corregir datos errneos o irrelevantes para mejorar la calidad de los mismos antes de
ser codificados y tratados.
La codificacin consiste en proporcionar cdigos numricos o alfanumricos a las
preguntas del cuestionario para llevar un mejor seguimiento y control sobre las
variables.
58
CAPTULO 9
Tratamiento descriptivo de datos
1.
Introduccin
2.
Las tablas estadsticas y las representaciones grficas son herramientas que facilitan
una interpretacin rpida, desde un punto de vista cuantitativo, del fenmeno que
estamos investigando.
La tabulacin consiste en agrupar y ordenar los datos mediante el uso de tablas. Las
tablas estadsticas se denominan distribuciones de frecuencias ya que recogen los
valores o categoras de las variables analizadas y el nmero de veces que se repite
cada valor o categora de la variable (frecuencia absoluta). En las tablas tambin se
incluye la importancia que dicho valor o categora tiene sobre el total de la muestra,
expresada en tanto por uno o en porcentaje (frecuencia relativa). La tabulacin de una
sola variable proporciona informacin valiosa, pero suele resultar ms interesante la
tabulacin conjunta de dos o ms variables, en este caso realizaremos una tabulacin
cruzada que es una herramienta muy efectiva para detectar si existe o no alguna
relacin entre dos o ms factores.
La tabulacin se puede aplicar a todo tipo de variable independientemente de la escala
de medicin utilizada (escala nominal, ordinal, por intervalos y de la razn).
59
3.
60
Medidas de posicin
Las medidas de posicin o promedios pueden ser de tendencia central o no. Estas
medidas son unos valores alrededor de los cuales, con mayor o menor rigor, se
agrupan los valores de la variable. Para que un valor pueda ser considerado como
promedio se le exige, como nica condicin, que est comprendido entre el menor y
el mayor valor de la variable. Los promedios vienen expresados en la misma unidad
de medida que la variable objeto de estudio.
Las principales medidas de tendencia central son la media, la mediana y la moda.
La media es el promedio ms utilizado y se obtiene como la suma de todos los
valores dividida entre el nmero total de casos.
La mediana es el valor de la variable que divide a la distribucin en dos partes
iguales. Cuando la dispersin del conjunto de datos o distribucin es muy grande,
la informacin que proporciona la mediana es ms fiable que la que proporciona la
media.
La moda es el valor de la variable que presenta mayor frecuencia.
Dentro de las medidas de tendencia no central, las ms utilizadas son los cuartiles.
Los cuartiles son una generalizacin de la mediana y dividen a la distribucin en
cuatro partes iguales. Existen tres cuartiles y el segundo coincide con la mediana.
61
Medidas de dispersin
Una vez que hemos estudiado los promedios, necesitamos saber con que fidelidad
llevan a cabo la representacin de la distribucin, esto depende de la relacin que
exista entre los valores de la variable y el promedio, esto es, de la dispersin de la
distribucin. Si todos los valores fueran iguales, la media, por ejemplo, coincidira con
todos y cada uno de ellos, por lo que representara fielmente a la distribucin. A
medida que los valores individuales de la variable difieran del promedio, la
representatividad de ste ser cada vez menor.
Resulta necesario para completar la informacin que pueda deducirse de un promedio,
acompaar a ste de uno o varios coeficientes que midan el grado de dispersin de la
distribucin de la variable. Estos coeficientes son las medidas de dispersin. Las ms
utilizadas son el recorrido y la desviacin tpica.
El recorrido es la diferencia entre el mximo valor de la variable y el menor. Viene
expresado en la misma unidad de medida que la variable.
La desviacin tpica es un indicador de la dispersin de los valores de la variable
respecto a la media. Esta medida, tambin se expresa en la unidad de medida de la
variable. El mnimo valor de la desviacin tpica es cero e indica que la distribucin no
presenta dispersin (todos los valores son iguales). Cuanto mayor sea la desviacin
tpica, mayor es la dispersin y por lo tanto la media es menos representativa.
La escala de medicin de la variable condiciona el uso de las medidas de posicin y
de dispersin.
En la tabla 10 se recogen las medidas bsicas para el anlisis estadstico de una
variable de acuerdo a la escala de medicin utilizada:
Tabla 10. Escalas de medicin y estadsticos bsicos
Promedios y
medidas de
Variable cualitativa
Escala nominal
Variable cuantitativa
Escala ordinal
dispersin
Escala de
Escala de la razn
intervalo
Moda
SI
SI
SI
SI
Mediana
NO
SI
SI
SI
Media
NO
NO
SI
SI
Rango
NO
SI
SI
SI
Desviacin tpica
NO
NO
SI
SI
62
Medidas de forma
Con este tipo de medidas se trata de conocer la forma de la distribucin. Los polgonos
de frecuencias son curvas que nos muestran la forma de la distribucin y la
concentracin de los valores, la asimetra y la curtosis, respectivamente. Las medidas
de forma son valores que nos indican el grado de asimetra y la curtosis sin necesidad
de tener que hacer su representacin grfica. Con esta informacin podremos
determinar, entre otras cosas, cunto se parece nuestra distribucin a la distribucin
terica normal o campana de Gauss.
4.
Anlisis bivariante
Despus de realizar un anlisis por separado de cada una de las variables que
describen el fenmeno en estudio, se procede a llevar a cabo una serie de cruces
entre variables con el fin de observar la relacin entre ellas.
Con el anlisis bivariante se pretende determinar si existe relacin entre dos variables
y en cuantificar el grado de asociacin entre las mismas. Las tcnicas bivariantes ms
utilizadas en investigacin social son:
1) Tabulacin cruzada o tablas de contingencia
2) Diagramas de dispersin
3) Correlacin y regresin
Tabulacin cruzada
La distribucin de frecuencias de la variable bidimensional se presenta en una tabla
de doble entrada que recoge los valores de las variables (en cualquier escala de
medicin) y el nmero de veces que se repite cada par de valores. Adems, este tipo
de tablas proporcionan toda la informacin necesaria para poder realizar un anlisis de
los datos de cada una de las variables por separado, estableciendo o no alguna
condicin.
63
y1
y2
yh
ni.
x1
n11
n12
n1h
n1.
x2
n21
n22
n2h
n2.
xk
nk1
nk2
nkh
nk.
n.j
n.1
n.2
n.h
xi
Diagramas de dispersin
Es un sistema de ejes cartesianos donde se representan los valores de dos
variables mtricas (escala de intervalos y de la razn) con el objeto de visualizar si
existe o no asociacin entre dichas variables. El diagrama de dispersin se
construye fcilmente y proporciona una buena descripcin de la relacin entre dos
variables.
Correlacin y regresin
El anlisis de correlacin (la regresin se explica con detalle en el captulo 11) se
utiliza para medir el grado de asociacin entre dos variables. Si las variables son
mtricas se utiliza el coeficiente de correlacin lineal de Pearson. Para determinar el
grado de asociacin entre variables expresadas en escalas de medicin inferiores
(ordinales) se utiliza generalmente el coeficiente de Spearman o la Tau-b de
Kendall.
64
CAPTULO 10
Inferencia estadstica. Contraste de hiptesis
1.
Introduccin
65
2.
Contrastacin de hiptesis
exige
el
cumplimiento
de
una
serie
de
condiciones
(normalidad,
2)
3)
4)
6)
66
3.
Pruebas paramtricas
67
Prueba t de student
Concepto
La prueba t se utiliza para comparar si existe diferencia entre los valores medios de
dos grupos con relacin a una variable de escala de intervalos y escala de la razn.
Hiptesis
H0: No existen diferencias significativas entre las medias de los dos grupos
considerados (las medias son iguales).
H1: Existen diferencias significativas entre las medias de los dos grupos considerados
(las medias son diferentes).
Distribucin muestral
t de student
Supuestos
La prueba proporciona resultados fiables cuando garantizamos que se cumplen los
siguientes supuestos antes de su aplicacin.
1.
2.
3.
4.
5.
68
4.
2.
3.
Pruebas no paramtricas
69
70
Distribucin muestral
Kolmogorov-Smirnov
Supuestos
1. Las variables deben expresarse, al menos, en escala ordinal.
2. De la poblacin se toma una muestra aleatoria simple.
3. La funcin de distribucin es continua.
71
CAPTULO 11
ANOVA y regresin lineal mltiple
72
Yi = 1 + 2 xi 2 + 3 xi 3 + 4 xi 4 + ...... + k xik + u i
Yi : Variable endgena o dependiente
1 : Trmino independiente
i : Pendientes parciales con i = 2,3..., k, parmetros que indican la influencia que cada variable
explicativa ejerce sobre la variable dependiente
xik : Variables explicativas o independientes.
u i : Error.
mtricas (escala de
Las variables X1, X2,... Xk son fijas (no son variables aleatorias) ya que sus
valores vienen de la muestra tomada.
73
Las variables X1, X2,...X k son linealmente independientes (no se puede poner a
una de ellas como combinacin lineal de las otras). Cuando no se cumple este
supuesto, el modelo presenta multicolinealidad.
Los errores siguen una distribucin normal con media cero y no presentan ni
autocorrelacin ni heterocedasticidad.
Fases
La elaboracin de un modelo de regresin lineal sigue una metodologa de trabajo que
supone la ejecucin de una serie de fases. Estas fases son: Especificacin,
Estimacin, Verificacin y Prediccin.
1) Especificacin: Se entiende por especificacin de un modelo la determinacin
de la variable dependiente (Y), las variables explicativas (X1, X2,...,Xk), el error
(U) y la funcin matemtica que las relaciona.
Yi = 1 + 2 xi 2 + 3 xi 3 + 4 xi 4 + ...... + k xik + u i
74
aquellas
que individualmente
75
Yi = 1 + 2 xi 2 + 3 xi 3 + 4 xi 4 + ...... + k xik + ui
76
(el
estadstico
ms
utilizado
el
de
Durbin-Watson)
sobre
77
CAPTULO 12
Anlisis discriminante y regresin logstica
Anlisis discriminante
Concepto
El anlisis discriminante es una tcnica multivariante de dependencia y de clasificacin
que, junto con la regresin logstica, son apropiadas para relacionar una variable
dependiente nominal o no mtrica con variables dependientes generalmente mtricas.
Con la tcnica del anlisis discriminante se trata de clasificar individuos, empresas o
cosas en grupos previamente determinados (fijados por la variable dependiente) de
acuerdo a un conjunto de
encontrar relaciones lineales entre las variables independientes que mejor discriminen
en los grupos establecidos.
Fases
1)
La correcta aplicacin del anlisis multivariante exige que se cumplan tres hiptesis:
78
4)
79
Definidas las funciones discriminantes, las puntuaciones para cada elemento (persona,
empresa o cosa) se pueden obtener a partir de la siguiente expresin:
Z jk = a + W1 X 1k + W2 X 2 k + .... + Wn X nk
Donde:
Zjk= puntuacin Z discriminante de la funcin discriminante j para el elemento k
a= constante
Wi= ponderacin discriminante para la variable independiente i
Xik= variable independiente i para el elemento k
Obtenidas las funciones discriminantes se calcula la puntuacin de corte para
determinar a qu grupo pertenece cada elemento. La puntuacin de corte se obtiene
utilizando una media aritmtica ponderada de las centroides de los grupos:
ZC =
N1 Z1 + N 2 Z 2
N1 + N 2
Donde:
ZC= puntuacin de corte
Z1 y Z2= centroide del grupo 1 y del grupo 2, respectivamente
N1 y N2= tamao del grupo 1 y del grupo 2, respectivamente
6)
La valoracin del ajuste global exige evaluar las diferencias entre grupos sobre las
puntuaciones obtenidas y valorar la precisin en la prediccin de pertenencia al grupo.
80
7)
Aplicaciones
El anlisis discriminante puede tratar cualquiera de los siguientes objetivos de
investigacin (Hair el al., 2007):
1. Determinar si existen diferencias estadsticamente significativas entre los
perfiles de las puntuaciones medias sobre un conjunto de dos (o ms) grupos
definidos a priori.
2. Determinar cul de las variables independientes cuantifica mejor las diferencias
en los perfiles de las puntuaciones medias de dos o ms grupos.
3. Establecer los procedimientos para clasificar objetos (individuos, empresas,
productos, etc.) dentro de los grupos, en base a sus puntuaciones sobre un
conjunto de variables independientes.
4. Establecer el nmero y la composicin de las dimensiones de la discriminacin
entre los grupos formados a partir del conjunto de variables independientes.
Regresin logstica
Concepto
Un modelo de regresin logstica es un modelo que permite estudiar si una variable (Y)
dicotmica depende, o no, de otras variables expresadas en cualquier escala de
medicin (X1, X2,..Xk). En este caso, al ser la variable Y dicotmica, tambin puede ser
politmica, slo puede tomar dos valores el valor 0cuando no ocurre el suceso o el
valor 1 cuando el hecho ocurre. Se trata de un proceso binomial donde la
81
Especificacin: en esta fase, al igual que ocurra con la regresin lineal, debemos
definir las variables dependiente e independientes que queremos estudiar, as
como la forma funcional que las relaciona. En este caso, como se coment
anteriormente, la distribucin condicionada de la variable dependiente sigue un
proceso binomial (no se verifican las hiptesis de normalidad y homocedasticidad
de los errores) por lo que ajustaremos una funcin logstica a la nube de puntos,
as el modelo de regresin logstica puede expresarse segn la siguiente
ecuacin:
p
Ln( ) = 1 + 2 X 2 + ......... + k X k
q
Donde p/q es la razn de probabilidades de la variable dependiente para cada
uno de los valores de las variables independientes, comnmente denominada
odds. La razn de probabilidades toma valores entre 0 e . Cuando es igual a 1
indica que el suceso xito (que ocurra un hecho) es igual de probable que el
suceso fracaso (que no ocurra un hecho). Cuando es mayor que 1, la
probabilidad de que ocurra un suceso es mayor que la de que no ocurra.
e 1 + 2 X 2 + ..... + kXk
p=
1 + e 1 + 2 X 2 + ..... + kXk
La especificacin puede realizarse de dos formas diferentes:
82
se
obtendr
despus
de
haber
ido
incorporando
83
Los
distintos
programas
informticos
de
tratamiento
84
solucin es definir la variable como una variable dicotmica, en este caso para
conseguir los objetivos propuestos el uso de la regresin logstica proporciona
excelentes resultados.
85
CAPTULO 13
Anlisis factorial
1.
Concepto
86
2.
Fases
El mtodo del anlisis factorial nos invita a seguir unos pasos para la correcta
extraccin de los resultados. Segn Manuel (2005) y, Visauta y Martori (2003) podran
ser los siguientes:
a) Evaluar si es apropiado con los datos disponibles ejecutar un anlisis factorial.
Tomando como primera condicin que las variables sean numricas, deber haber
una fuerte redundancia informativa en el conjunto de las seleccionadas. Dicho de otro
modo deber existir una fuerte correlacin dentro de ciertos subconjuntos de variables
pero muy pequeas o nulas entre ellos.
Para desarrollar este apartado se deben obtener y evaluar:
-
87
puesto que mayor correlacin existir entre las variables. A partir de 0,6 se
considera un nivel aceptable.
-
Recurdese que la matriz identidad se corresponde con: diagonal principal todo 1 y el resto de valores 0.
Entendido como el porcentaje que explica cada factor sobre el total de varianza explicada. Digamos, la
importancia de cada factor en el total de la informacin que representan todas las variables.
8
88
Importancia de cada variable comparada con las dems utilizadas en el anlisis. As, estudiando las
comunalidades de la extraccin podemos valorar cules de las variables son peor explicadas por el
modelo. En definitiva, es la proporcin de la varianza de una variable que puede ser explicada por el
modelo factorial obtenido, por tanto, cuanto ms alto sea su valor mejor, ya que un mayor porcentaje de la
variable ser explicada tras la extraccin. Si existiera alguna variable no muy bien explicada, podemos
suponer que va por libre con lo que en un momento determinado podemos eliminarla del anlisis.
89
3.
Aplicabilidad
1. Permite construir indicadores con ponderaciones no arbitrarias.
2. Permite eliminar redundancia informativa o multicolinealidad.
3. Permite sustituir el conjunto original de variables por otro sensiblemente
menor en nmero de variables directamente no observables, llamadas
factores o variables latentes. As, dentro de cada factor existe una alta
correlacin y entre cada factor poca o nula correlacin.
90
CAPTULO 14
Anlisis cluster
1.
Concepto
En este caso tambin se tipifican las variables para que las diferentes magnitudes de las mismas no
distorsionen los resultados.
11
Ms recomendable que el k-medias porque no se pierde informacin.
91
92
2.
Fases
3.
-
Aplicabilidad
Permite generar grupos de individuos u observaciones muy similares u
homogneos dentro de s, y muy distintos o heterogneos entre ellos. As, es muy
habitual utilizar esta tcnica en estudios de mercado o sociales donde se desean
crear grupos de empresas, regiones, pases, etc.
93
CAPTULO 15
Modelos de ecuaciones estructurales
1.
Concepto
Es una tcnica multivariante que trata de analizar las relaciones de causalidad entre
distintas variables, las cuales pueden comportarse tanto como dependientes como
independientes simultneamente. Siguiendo a Hair et al. (2007) las tcnicas SEM se
distinguen por: a) estimacin de relaciones de dependencia mltiples y cruzadas, y b)
la capacidad de representar conceptos no observados en estas relaciones y tener en
cuenta el error de medida en el proceso de estimacin.
Como conclusin, el SEM tiene como objetivo fundamental la evaluacin de una serie
de relaciones. Estas relaciones son construidas en dos fases bien diferenciadas, la
primera de ellas, es el modelo de medida, donde aparecen las relaciones entre las
variables originales y la latente, y la segunda, el modelo estructural, donde se
contrastan las relaciones entre los constructos o variables latentes; es, por tanto, la
modelizacin de las ecuaciones estructurales propiamente dicho.
2.
Fases
Siguiendo las indicaciones de Arbuckle (2005) y Hair et al. (2007) una modelizacin
adecuada debera guiarse por siete pasos: (1) desarrollar un modelo fundamentado
tericamente, (2) construir un diagrama de secuencias de relaciones causales, (3)
convertir el diagrama de secuencias en un conjunto de modelos y relaciones
estructurales, (4) elegir el tipo de matriz de entrada y estimar el modelo propuesto, (5)
evaluar la identificacin del modelo estructural, (6) evaluar los criterios de calidad e
ajuste, y (7) interpretar y modificar el modelo si est tericamente justificado.
94
95
Modelo estructural
Modelo de medida
En este caso tratamos de construir las variables latentes o constructos mediante una
serie de variables originales directamente observables. Para ello, el SEM realiza un
anlisis factorial confirmatorio donde aparecen los factores (o constructos) y su
relacin con las variables que los forman. Estos factores referidos a dimensiones
subyancentes de los datos, son formados por combinacin lineal entre stos y las
variables originales. Estos constructos son los que a posteriori se entrecruzan para
generar el modelo estructural explicativo correspondiente.
En ocasiones, el modelo de medida se realiza de forma independiente mediante un
anlisis factorial, si son variables mtricas o no mtricas nominales, o un anlisis de
correspondencias mltiple, si las variables son no mtricas nominales u ordinales-.
Posteriormente, con el software correspondiente (AMOS) se ejecutara el modelo
estructural.
(4) Seleccin del tipo de matriz de entrada y estimacin del modelo propuesto.
Al incluir los datos el sistema SEM los transforma, o bien en una matriz de
correlaciones, o bien en una matriz de varianza-covarianza12 ya que segn Hair et al.
(2007) el inters de SEM no est en las observaciones individuales sino el patrn de
relaciones entre los encuestados. Como comentamos anteriormente, el modelo de
medida especifica qu variables (indicadores en SEM) corresponden a cada
constructo, y las puntuaciones de la variable latente son las empleadas en el modelo
estructural.
Tambin es importante tener en cuenta que las observaciones han de ser
independientes, que el muestreo ha de ser aleatorio, que debe existir linealidad entre
12
Esta es la matriz que se suele utilizar puesto que segn Gondar Nores (1999c) es la que permite, con
mayor rigor, un contraste adecuado de la teora y no slo asumir pautas relacionales como en el caso de
la matriz de correlacin.
96
las relaciones, que se deben eliminar los casos atpicos que desven los resultados,
que se debe actuar sobre los datos perdidos y que se debe tener en cuenta la
distribucin de la muestra (distribucin normal).
(5) Valoracin de la identificacin del modelo estructural.
Segn Gondar Nores (1999) el problema de identificacin es la incapacidad del
modelo propuesto para generar estimaciones aisladas, esto es, debemos tener ms
ecuaciones que incgnitas.
Para ello, a efectos de identificacin, nos debemos centrar en el tamao de las
matrices de correlacin o covarianzas relativas respecto al nmero de coeficientes
estimados. A la diferencia entre el nmero de correlaciones o covarianzas y el nmero
efectivo de coeficientes en el modelo propuesto se denomina grados de libertad.
Apoyndonos en este concepto, Hair et al. (2007) recomiendan el cumplimiento de que
los grados de libertad sean mayores o iguales a cero, esto es, el modelo ha de estar
identificado (gl=0) o sobreidentificado (gl>0 ms informacin en la matriz de datos
que el nmero de parmetros a estimar).
(6) Evaluacin de los criterios de calidad de ajuste.
En esta etapa debemos detectar en primer lugar las estimaciones infractoras13.
Posteriormente, se atender a la calidad del ajuste: primero, para el modelo conjunto
y, a continuacin, para los modelos estructurales y de medida por separado.
La calidad del ajuste14 mide la correspondencia entre la matriz de entrada real u
observada con la que se predice mediante el modelo propuesto. Podemos distinguir
tres tipos (Casas, 2006):
Medidas absolutas del ajuste: evalan slo el ajuste global del modelo.
Podemos destacar el estadstico 2, los grados de libertad, la significatividad
del contraste y el GFI.
13
Se trata de coeficientes estimados que exceden los lmites aceptables. Por ejemplo: varianzas de error
negativas o no significativas; coeficientes estandarizados que estn muy cercanos a 1 y, errores estndar
muy elevados.
14
Respecto a los modelos de medida y estructural, es conveniente en el primer caso reconocer la
fiabilidad de las medidas de cada variable (mediante alfa de Cronbach).
97
3.
-
Aplicabilidad
Contrastacin de teoras complejas o de relaciones causales basadas en el
empirismo.
Comparacin de varios modelos para evaluar cul es el que mejor se ajusta a los
datos.
98
99
BIBLIOGRAFA
-
Arbuckle, J.L. (2005): Amos 6.0 Users Guide. Amos Development Corporation,
Chicago, SPSS.
Bacon, L.D. (2006): Using Amos for structural equation modeling in market
research.
SPSS
White
Paper.
Disponible
en:
http://www.spss.com/dk/pdf/amos.pdf
-
George, D. and Mallery, P. (1995): SPSS/PC+ step by step: A simple guide and
reference. Wadsworth Publishing Company. Belmont, CA. Estados Unidos.
100
Gondar Nores, J.E. (1999): Tcnicas estadsticas con SPSS. Amos. Madrid,
Ed. Estudios Estadsticos.
Hosmer, D.W. and Lemeshow, S. (1989): Applied Logistic Regression. Ed. John
Wiley, New York.
An
Introduction.
Disponible
en:
http://www.utexas.edu/its/rc/tutorials/stat/amos/
-
Structure,
Prediction.
Contributions
to
Economic
Analysis.
Landeta, J. (1999): El mtodo Delphi, una tcnica de previsin del futuro. Ariel
S.A., Barcelona.
101
Electrnica
del
Departamento
de
Comunicacin
de
la
Universidad
en:
http://revistacomunicologia.org/index.php?option=com_content&task=view&id=16
6&Itemid=87
-
sociales,
Venezuela.
Disponible
en:
http://webdelprofesor.ula.ve/economia/dramirez/MICRO/FORMATO_PDF/Proble
masEconomicos/Redaccion_Trabajos.pdf
-
102
103