Carrito  

No hay productos

Envío 0,00 €
Total 0,00 €

Carrito Pagar

Colecciones

Newsletter

fuentes RSS

No hay RSS feed
Reciba ayuda sobre este sitio web, o haga sus pedidos o consultas.

DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA DOCUMENTOS DE PRÁCTICAS 2ª EDICIÓN

4,00 € IVA incluído

Añadir a la cesta

Ebook
Autores: ATO GARCIA MANUEL; BENAVENTE RECHE ANA PILAR; VALLEJO SECO GUILLERMO
ISBN: 9788415463610
Publicado: //2013
Vendido y gestionado por Diego Marín, S.L.
Páginas: 254

Más detalles

Añadir a mi lista de regalos

30 otros productos de la misma categoría:

Hay varias formas de proceder cuando se analizan los datos empíricos de una investigación psicológica. En este documento nos interesan dos enfoques en particular. 1) Un enfoque tradicional es el clásico contraste de hipótesis estadísticas que suponemos que el alumno conoce en profundidad. 2) Un enfoque más reciente es el ajuste de modelos de probabilidad, que se desarrolló durante la segunda mitad del siglo XX, se centra en el concepto de modelo y sigue un procedimiento elaborado que se conoce como enfoque del modelado estadístico. Sobre este enfoque se fundamenta la asignatura de Diseños de Investigación que se imparte en el segundo curso de los estudios de Grado de Psicología desde el curso 2010-2011 en la Universidad de Murcia y desde el curso 2011-2012 en la Universidad de Oviedo. Es esencial tener en cuenta que ambos enfoques no son en absoluto contrapuestos, ya que de hecho el segundo enfoque utiliza en gran medida el potencial de recursos estadísticos del primero. Es también importante comprender en profundidad, para poder aplicarlo después con rigor, el proceso de modelado estadístico, cuyo objetivo central es la búsqueda del mejor MODELO que explique los DATOS empíricos con el menor ERROR posible. Este argumento conduce a la ecuación básica: DATOS = MODELO + ERROR, y requiere la aplicación secuencial de una primera fase de especificación del modelo, siguiendo con una segunda fase de ajuste, para terminar con una tercera etapa de evaluación, antes de abordar la fase final de interpretación. Y aunque todas las etapas son importantes, la etapa de ajuste del modelo es clave en el desarrollo del proceso. Es necesario distinguir entre el ajuste global de un modelo particular y el ajuste condicional que consiste en comparar dos (o más) modelos, uno de los cuales (el denominado modelo restringido) se asume que es parte del otro (el modelo ampliado). Puesto que la aplicación de las técnicas de análisis estadístico para diseños experimentales (y por extensión para diseños cuasiexperimentales y no experimentales) pasa por comprender en profundidad este nuevo enfoque, hemos considerado interesante dividir el documento de prácticas en dos partes con el objeto de facilitar el trabajo y la evaluación independiente de los contenidos por parte de los alumnos. La primera parte del documento abarca las prácticas 1 a 3 y se compone de ejercicios resueltos y no resueltos relativos a los procedimientos básicos de regresión, ANOVA y ANCOVA tratados desde el enfoque del modelado estadístico. La segunda parte abarca las prácticas 4 a 6 y consta de un conjunto de ejercicios resueltos y no resueltos relativos a la aplicación de tales procedimientos básicos a los diseños experimentales más utilizados en psicología. Parte primera Los modelos de regresión, que junto con los modelos de análisis de varianza (ANOVA) y de análisis de covarianza (ANCOVA) son el repertorio fundamental de los procedimientos básicos del Modelo Lineal Clásico (MLC), representan el objeto central de la parte primera de este documento. Todos ellos persiguen explicar la varianza de una ININ INTRODUCCIÓN DOCUMENTO DE PRÁCTICAS (Introducción) 6 variable de respuesta o variable dependiente, que se asume medida en escala numérica, en base a una combinación de variables independientes, que se suponen medidos en cualquier tipo de escala (numérica o no numérica). La variable independiente suele llamarse factor cuando la escala es categórica (binaria, ordinal o nominal), y predictor o covariante cuando la escala es numérica. Los modelos de regresión se caracterizan porque todas las variables independientes son numéricas, mientras que en los modelos ANOVA las variables independientes son variables categóricas o factores, y en los modelos ANCOVA las variables independientes combinan una o más variables numéricas (usualmente llamadas covariantes) y uno o más factores. La gran mayoría de los diseños experimentales y cuasiexperimentales de la investigación psicológica analizan los datos empíricos mediante alguno de estos procedimientos básicos del MLC, algunos de los cuales se llaman también univariantes porque presuponen que para cada modelo se utiliza una única variable de respuesta. Pero no hay ningún inconveniente que impida utilizar más de una variable de respuesta en un mismo modelo. Para ello se necesita recurrir a una primera generalización de los procedimientos básicos del MLC a más de una variable de respuesta, que se denominan también multivariantes e incluyen entre otros los modelos de regresión multivariante, los modelos de análisis de varianza multivariante (MANOVA) y los modelos de análisis de covarianza multivariante (MANCOVA). Aunque estos modelos no se trataron en el texto básico (Ato y Vallejo, 2007), se incorporarán en una nueva edición de los mismos autores que verá la luz próximamente. Algunos de ellos se tratan superficialmente en algunos ejemplos de esta edición del documento de prácticas. Una referencia bastante asequible donde pueden consultarse los modelos multivariantes es el texto de Tabachnick y Fidell (2006). Los procedimientos básicos del MLC presuponen también que la variable de respuesta es numérica y distribuida de forma normal. Cuando la variable de respuesta no es numérica, o no puede asumirse que se distribuya de forma normal, es preciso recurrir entonces a una segunda generalización que conduce al repertorio de procedimientos del Modelo Lineal Generalizado (MLG). El objetivo de estos modelos es el mismo que el del MLC, pero los procedimientos son diferentes, y la distinción se establece por el tipo de distribución de la familia exponencial de distribuciones que incluye entre otras las distribuciones normal, Poisson y binomial. Así, si se asume una distribución normal los procedimientos son exactamente los mismos que los del MLC, pero si se asume una distribución de Poisson, el modelo de regresión resultante es el modelo de regresión de Poisson y cuando se asume una distribución binomial el resultado es el modelo de regresión logística binaria. Estos modelos, que tampoco se trataron en detalle en el texto básico (Ato y Vallejo, 2007), pueden consultarse en otras fuentes apropiadas, en particular el texto de Dobson (2001). Muchos de los procedimientos del MLC y del MLG distinguen dos componentes en la ecuación básica del modelado, DATOS = MODELO (componente sistemático) + ERROR (componente aleatorio), el primero que contiene todos los efectos fijos necesarios para especificar el modelo y el segundo que contiene un efecto aleatorio único, el error residual. Sin embargo, algunos procedimientos estadísticos requieren modelos que utilizan dos o más efectos aleatorios. Una tercera generalización de los procedimientos básicos para incluir efectos fijos y aleatorios dentro del componente sistemático conduce al Modelo Lineal Mixto (MLM), que tiene enorme utilidad en la investigación psicológica y al que concedemos una atención especial en el texto básico (Ato y Vallejo, 2007) y también en este documento de prácticas. Una aceptable introducción al modelo lineal mixto puede encontrarse en West, Welch y Galecki (2007). DOCUMENTO DE PRÁCTICAS (Introducción) 7 En lo que respecta a los modelos de regresión, objeto de la Práctica 1, hemos destacado en este documento algunos de los problemas que el investigador aplicado enfrenta habitualmente cuando se aplican los procedimientos del MLC, tales como el problema de la multicolinealidad y las diferencias entre las Sumas de Cuadrados tipo I y III, centrando muchos de los detalles de los ejercicios resueltos y no resueltos en la comprensión cabal de los estimadores de los parámetros de regresión y la partición de la varianza, del parámetro de no centralidad y el cálculo de la potencia retrospectiva, de la proporción de varianza total explicada por un modelo, así como de algunos de los procedimientos de diagnóstico más comunes y, de forma muy particular, del proceso de codificación de variables que nos permite transitar con cierta comodidad desde un modelo de regresión a un modelo ANOVA. Además hemos incorporado los modelos de mediación y de moderación, que tienen gran popularidad en algunas áreas de la psicología, y los modelos de regresión jerárquica en lugar de los ya no recomendables modelos de regresión por pasos. A diferencia de la secuencia seguida en el texto básico de 2007, hemos considerado imprescindible tratar los modelos ANOVA y ANCOVA en dos prácticas diferentes, la Práctica 2, dedicada a los modelos de efectos fijos y la Práctica 3, dedicada a los modelos de efectos aleatorios y mixtos. El argumento que justifica esta separación es la cada vez más profunda convicción de que mientras que las tablas ANOVA o ANCOVA clásicas (que emplean una presentación única) son esencialmente valiosas para modelos de efectos fijos, son especialmente engorrosas y difíciles de comprender y de utilizar con modelos de efectos aleatorios y mixtos, para los que desde nuestro punto de vista resultan más recomendables las salidas de resultados derivadas del MLM (que emplean tablas separadas). En ambas prácticas se han destacado, además de lo tratado en los modelos de regresión (en particular, Sumas de Cuadrados tipo I, II y III, potencia retrospectiva y diagnóstico de los modelos) otros aspectos sustanciales para comprender las técnicas ANOVA y ANCOVA tales como el principio de marginalidad de Nelder, la distinción entre modelo aditivo y modelo interactivo, el análisis de la interacción y las pruebas de efectos simples, el análisis de tendencias, las pruebas de comparación múltiple y las pruebas de rango. Un tratamiento especial se dedica también a la magnitud de los efectos de tratamiento mediante el cálculo de los componentes de la varianza y de la proporción de varianza total explicada para modelos de efectos fijos (mediante omega cuadrada de Hays) y modelos de efectos aleatorios (mediante la correlación intraclase). Parte segunda Utilizamos para la segunda parte del documento de prácticas una generalización de la ecuación general del modelado estadístico (DATOS = MODELO + ERROR) al contexto del diseño experimental, proponiendo en su lugar la ecuación: DATOS = ESTRUCTURA DE TRATAMIENTOS + ESTRUCTURA DE CONTROL + ESTRUCTURA DE ERROR. Esta ecuación debe cumplir con el supuesto de independencia entre la estructura de los tratamientos y la estructura del control (Milliken y Johnson, 2009). En lo que concierne a los diseños con aleatorización completa, objeto de la Práctica 4, se destaca en el documento la utilización de una ecuación matemática para el diseño y su asignación a cada una de las estructuras (de tratamiento, de control y de error). La característica esencial de este tipo de diseños es que no hay ningún término concreto en la ecuación del modelo que se destine a la estructura de control. Dentro de los diseños con aleatorización completa se incluyen los diseños completamente aleatorios (DCA) sencillos y factoriales, los DCA equilibrados y no equilibrados, y muchos diseños DOCUMENTO DE PRÁCTICAS (Introducción) 8 jerárquicos. Es esencial en este contexto manejar los conceptos clásicos de diseño, distinguiendo con claridad las estructuras de cruce de las estructuras de anidamiento, los factores de tratamiento de los factores de clasificación, y las combinaciones y las unidades experimentales y las réplicas. Además del texto básico (Ato y Vallejo, 2007) puede consultarse en este sentido el más reciente texto de Palmer (2011) y el de Palmer y Ato (2012). La aplicación del principio de marginalidad de Nelder se ha flexibilizado también permitiendo el uso tanto de modelos interactivos completos como de modelos interactivos simplificados. En lo que respecta a los diseños con aleatorización restringida, objeto de la Práctica 5, se han incluido tanto los diseños de bloques aleatorios (sencillos y factoriales, replicados y no replicados), como los diseños con variables concomitantes. Sin embargo, no se han incluido los diseños de cuadrado latino, porque son muy raramente empleados en la literatura de investigación psicológica. Una característica esencial que distingue este tipo de diseños de los DCA es que hay uno o más términos concretos en la ecuación del modelo destinados a la estructura de control. En esta práctica se ha atendido de forma especial a la prueba de no aditividad de Tukey para someter a prueba el supuesto de independencia entre la estructura de tratamiento y la estructura de control en diseños no replicados. Finalmente, los diseños de medidas repetidas, objeto de la Práctica 6, son el bloque fundamental del documento, en el que se han incluido básicamente los diseños de medidas totalmente repetidas y los de medidas parcialmente repetidas, y se ha hecho especial hincapié para abordar su análisis en la distinción entre el enfoque clásico (una salida ANOVA, mezclando efectos fijos y aleatorios), el enfoque multivariante y el moderno enfoque mixto (varias salidas separadas para efectos fijos y aleatorios). Un tratamiento introductorio muy recomendable del enfoque mixto para este tipo de diseños puede encontrarse en el texto de Maxwell y Delaney (2004). En las salidas de todos los ejercicios incluidos en este documento se ha utilizado la versión más reciente del programa estadístico IBM SPSS (Heck, Thomas y Tabata, 2010), una adicción injustificada que esperamos ver pronto subsanada en la web de la asignatura con la revisión de todos los ejercicios (resueltos y no resueltos) utilizando el más recomendable programa estadístico R (Muenchen, 2011).

No hay comentarios de clientes

Sólo usuarios registrados pueden enviar comentarios