Basado en el decimoquinto capítulo del libro: Social Science Research: Principles, Methods, and Practices de Bhattacherjee (2012). Recomendado para la introducción a las practicas avanzadas de la investigación científica en ciencias sociales. Imagen de Chris Liverani en: https://unsplash.com/photos/dBI_My696Rk

1. Extraído de Bhattacherjee, A. (2012). Social Science Research: Principles, Methods, and Practices. Textbooks Collection, Book 3.

2. 1. Conceptos básicos
2. Modelo lineal general
3. Comparación entre grupos
4. Diseños factoriales
5. Otros tipos de análisis cuantitativo

3. Definición
Procedimientos estadísticos que son utilizados para
poner a prueba las hipótesis y realizar conclusiones
sobre al población (inferencias).
• En contraposición, la estadística descriptiva (capítulo anterior) la
cuál describe los datos obtenidos en la muestra, la estadística
inferencial intenta ir más allá.
• Para el análisis estadístico se recomienda el uso del software
SPSS, o SAS.

4. • Según Karl Popper las teorías nunca pueden ser probadas, sino
únicamente refutadas.
• El hecho de que exista evidencia que soporte una hipótesis hoy no
significa que no encontraremos evidencia contraría después.
• Por esta razón se plantean hipótesis nulas, contrarías a las hipótesis
alternas, las cuales son las que se buscan refutar estadísticamente.
• Las inferencias estadísticas nunca son determinísticas, sino
probabilísticas, ya que es posible que los hallazgos en la muestra no se
den de la misma manera en la población.

5. • Dos elementos que se ven comúnmente en resultados
estadísticos son:
vs.
• Estos elementos, junto a los intervalos de confianza, nos dan una
buena idea de cuan cerca están nuestros resultados (muestra) de los
parámetros en la población.
Nivel de significancia
• Máximo riesgo aceptado de que los
estadísticos (muestra) sean diferentes a
los parámetros (población).
Valor p (p-value)
• Probabilidad de estar equivocado en
rechazar la hipótesis nula (error tipo I).
• Es decir “aceptar una hipótesis alterna
que no es verdaderamente correcta”.

6. Es un sistema de ecuaciones que se utiliza para representar
patrones lineales de relaciones entre variables.

7. • También conocido como modelo de regresión linear, describe la
relación entre dos o más variables.
• Al tomar más variables predictoras (independientes), el modelo
sería de la siguiente manera:
• Las variables predictoras pueden ser también variables de control
(covariables), las cuales, a su vez, pueden ser dicotómicas (o
dummy).

8. • En el capitulo anterior se
había mencionado que para
comparar los efectos de una
variable numérica en una
variable categórica (e.g.
dummy) era necesario el
uso de la prueba ANOVA.
• Pero esta prueba puede
utilizarse para análisis más
complejos.
El MLG comprende a una familia de métodos que pueden ser utilizados
para realizar análisis bastante sofisticados.

9. Dependiendo del número de variables predictoras (independientes) y
del numero de variables de respuesta (dependientes), se pueden
utilizar las siguientes variaciones del ANOVA:
• MANOVA y MANCOVA son tipos de regresiones multivariantes.
1 factor 2 o más factores
1 variable de respuesta ANOVA ANCOVA
2 o más variables de
respuesta
MANOVA MANCOVA

10. Modelos de Ecuaciones Estructurales
• Son sistemas interrelacionados de ecuaciones de regresión, donde el
resultado de una regresión se modela como predictora de otra
regresión.
En todo modelo de regresión, la designación de variables
predictoras debe estar basada en los sustentos teóricos que
existen sobre el fenómeno y no en el ajuste de los datos
recolectados.

11. • Uno de los análisis inferenciales más utilizados es el de comparar
resultados entre grupos (e.g. grupo de tratamiento vs. de control).
• En este caso la prueba a utilizar es ANOVA (one-way), tal como se vio
en el análisis bivariado.
• ANOVA utiliza la t de Student para identificar diferencias
estadísticamente significativas entre las medias de los grupos
comparados.
• Una diferencia significativa no depende solo del promedio de cada
grupo, sino también de su error estándar.

12. Grupos sin diferencias
estadísticamente significativas
Grupos con diferencias
estadísticamente significativas
IC = µ ± 2σ = 95% IC = µ ± 2σ = 95%

13. Ejemplo: niveles de felicidad según sexo
Significancia mayor a 0.05
Las diferencias entre grupos NO son
estadísticamente significativas.
Se confirma con la
superposición de los
intervalos de confianza.

14. Ejemplo: niveles de felicidad según grupos etarios
Significancia menor a 0.05
Las diferencias entre grupos SÍ son
estadísticamente significativas.
Los menores de 30
años tienen menores
niveles de felicidad que
los de 50 años a más.

15. • Utilizados cuando se desean conocer los efectos de 2 o más
variables predictoras (dummy) y sus interacciones, en una variable
de respuesta.
• E.g. Se desea conocer los efectos de una malla curricular especial en el
desempeño académico, según el tipo de matricula:
Malla Curricular Tipo de matricula
Tradicional Regular
Especial Especial

16. • Para este diseño factorial se puede utilizar tanto una regresión
múltiple o un análisis ANOVA (two-way).
• En estos diseños, los efectos independientes de cada covariable
pueden ser analizados únicamente cuando el efecto de su
interacción es no significativo.
• Aclarando algunos términos:
vs. Two-way ANOVA
Se utiliza cuando las variables predictoras
interactúan entre si.
Se pueden incluir como máximo 2 factores
(que deben ser categóricos).
ANCOVA
Se utiliza cuando las variables predictoras
no interactúan entre si.
No hay un número máximo de variables
predictoras.

17. • Para este diseño factorial se puede utilizar tanto una regresión
múltiple o un análisis ANOVA (two-way).
• En estos diseños, los efectos independientes de cada covariable
pueden ser analizados únicamente cuando el efecto de su
interacción es no significativo.
• Aclarando algunos términos:
vs. Regresión multivariante
Regresiones que incluyen múltiples
variables de respuesta.
Regresión múltiple
Regresiones que incluyen múltiples
variables predictoras.

18. Técnica de reducción de datos que agrupa una gran numero de ítems (datos observadas) en un grupo
más pequeño de variables (latentes). Utilizados para medir la validez convergente y discriminante.
Análisis factorial
Técnica para la clasificación de observaciones en una de muchas categorías nominales. Similar a la
regresión múltiple, pero con una variable dependiente nominal.
Análisis discriminante
Es un MRL en la cuál la variable de resultado es binaria y se presume que sigue una curva de
distribución logística. Su objetivo es el de predecir la probabilidad de ocurrencia) de dicha variable.
Regresión logística

19. Es un MRL en la cuál la variable de resultado es 0 o 1 y se presume que sigue una curva de distribución
normal. Su objetivo es el de predecir la probabilidad de ocurrencia de cada categoría.
Regresión Probit
Es una técnica de regresión linear para analizar relaciones direccionales entre un conjunto de variables.
Permite analizar modelos nomológicos complejos.
Path analysis
Es una técnica para analizar información que esta ordenada cronológicamente (series de tiempo) o
variables que cambian continuamente en el tiempo.
Análisis de series de
tiempo