Sunteți pe pagina 1din 16

Anlisis cuantitativo

1. Analizar variables individuales 2. Analizar las relaciones entre variables

Una vez recibidos los datos y antes de someterlos al anlisis, suele ser til llevar a cabo algunas operaciones preliminares. Esto puede incluir:

apartar los datos que son obviamente errneos o irrelevantes. Esto ha de ser hecho con precaucin: no debiramos borrar datos que son solamente "anmalos" y no armonizan con nuestras hiptesis. Pueden tambin demostrar que la hiptesis es defectuosa. normalizar o reducir nuestros datos significa que eliminamos la influencia de algn factor bien conocido pero sin inters. Por ejemplo, podemos eliminar el efecto de la inflacin dividiendo todos los precios por el ndice de precios de la fecha de la compra.

En el anlisis propiamente dicho de los datos, el propsito es extraer una invariante o estructura que nos interese a partir de los datos. Esto no significa que introduzcamos los datos en un ordenador y esperemos que el ordenador nos muestre qu estructuras pueden encontrarse en ellos. Los ordenadores no son lo bastante listos para eso. En lugar de ello, es habitual que ya en un momento tan temprano como el inicio del proyecto, el investigador tenga un modelo matemtico que aplicar a los datos. Este modelo

tambin proporciona las hiptesis eventuales para el proyecto de investigacin, o al menos acta como una hiptesis de trabajo inicialmente no exacta que se puntualizar durante el anlisis. Los datos empricos pueden entonces analizarse del modo siguiente: primero, el investigador dispone los datos de acuerdo con el modelo y despus considera en qu grado el marco es adecuado a los datos o si ha de buscarse un modelo que se adapte mejor. En otras palabras, el investigador suele primero decidir qu tipo de patrn es el que est buscando en los datos. Esto determinar los mtodos para un anlisis matemtico. As, la primera cuestin a la hora de elegir el mtodo de anlisis es: Queremos usar las variables medidas para clasificar casos o individuos? O deseamos analizar variables inconexas, o bien las relaciones entre diversas variables? Otra decisin importante se refiere al propsito final de su proyecto. Usted desea describir cmo es el actual (o anterior) estado de su objeto, o usted desea descubrir cmo el objeto debe ser: qu grado de las cualidades medidas sera ptimo? Este ltimo tipo de anlisis se discute bajo del ttulo Agregar una dimensin normativa a un anlisis descriptivo.

Analizar variables individuales


A continuacin hay una lista de algunos mtodos habituales para el anlisis estadstico de una sola variable. Los mtodos han sido dispuestos de acuerdo con la escala de medicin de la variable. Mtodos de presentacin de los datos Medias: Medidas de dispersin: Escala nominal Escala ordinal Escala de intervalo Escala de proporcin

- Tabulacin ; Presentacin grfica - La moda - La mediana - Media aritmtica - Desviacin de cuartil - El rango - Desviacin estndar -

Presentacin grfica de una variable


Un modo simple de presentar una distribucin de valores es mostrar cada valor como un punto en una escala. Si hay un gran nmero de valores, puede ser mejor clasificarlos primero y entonces presentar la

frecuencia de cada clase como un histograma (Fig. de la derecha). Si nuestros estudios tienen que ver con personas, ocurrir con bastante frecuencia que nuestras mediciones estarn distribuidas de acuerdo con cierta curva, la llamada curva de Gauss (a la izquierda) que es, por consiguiente, llamada la distribucin normal. Una de sus propiedades es que el 68% de todas las mediciones diferir de la media (en la figura: M) en no ms que la desviacin estndar, y el 95% en no ms que el doble de la desviacin estndar. A veces querremos poner el nfasis no en la distribucin absoluta, sino en la proporcional o de porcentaje. Un diagrama apropiado para esto es el grfico de sectores, tambin llamado "de tarta" o "de queso" (a la derecha):

Medias
Una media es una estadstica que caracteriza el valor tpico de nuestros datos y elimina la dispersin aleatoria de valores. Para cada una de las distintas escalas de medicin hay un tipo adecuado de media,

la moda la mediana la media aritmtica.

Moda es el valor ms comn en nuestro conjunto de datos. Mediana es el valor en el medio de la seleccin, si todos los valores estn dispuestos del menor al mayor. Media (aritmtica) es la suma de todos los valores dividido por su nmero, o

De entre las medias que se han presentado ms arriba, el investigador puede elegir habitualmente aquella que muestra mejor el valor tpico de la variable. La media aritmtica es el ms popular, pero puede ofrecer un cuadro equivocado por ejemplo en datos que incluyen un valor que difieren en gran medida de los otros (vase la imagen de abajo).

Lo mismo ocurre si la distribucin est desviada, como en la imagen de la derecha. En el ejemplo, se relacionan los minutos que los distintos sujetos tardan en llevar a cabo una tarea. Los ms rpidos necesitaron 5 minutos, pero el resultado ms comn (=la moda) fue de siete minutos. El valor en el medio, es decir, la mediana, se ha mostrado en "M" rojo en la imagen. La mediana tena aqu el valor 11. Qu pasa con la media? Como al sujeto ms lento le llev el acabar 34 minutos, la media se eleva a 11.98 minutos, lo que no da un cuadro exacto del resultado medio en este caso. Esto muestra que los datos estn desviados; el tipo de media debe elegirse con cuidado. Una presentacin grfica muchas veces sera ms ilustrativa que calcular una sola estadstica. La distribucin mostrada en esta figura est escorada positivamente, porque las mediciones que han dado valores mayores que la mediana (11) se extienden en un amplio rango (de 11 a 34), mientras que las mediciones que han dado valores por debajo de la mediana se concentran pocos valores (5...11). Se puede tambin, si es necesario, acudir a una estadstica para describir la cantidad de desviacin. Al elegir la media ms apropiada, debemos tener en cuenta la escala que fue usada en la recoleccin de los datos. Si la escala era nominal, la nica media posible es la moda. Si la escala fue ordinal, podemos usar la mediana o la moda. Finalmente, si la media fue calculada a partir de una muestra, debemos examinar su representatividad estadstica, o qu probable es que la misma media sea cierta en la poblacin de la que la muestra se extrajo. Una comprobacin apropiada para esto es la prueba t.

Indicar la dispersin de los datos


Una vez que hemos calculado el valor medio, puede ser a veces interesante describir a qu distancia en torno a la media estn diseminados los valores singulares. Para este fin, podemos elegir entre diversas estadsticas. La eleccin depende del tipo de media que hayamos usado:

En conexin con la moda la dispersin de valores raramente es interesante. En lugar de ello, si hemos calculado una mediana, muchas veces querremos sealar la diseminacin de valores en torno a ella. Una forma adecuada para esto es la desviacin de cuartiles. Un "cuartil ms alto" es aquel valor que es sobrepasado por el 25% del conjunto de todas las mediciones; del mismo, modo el 25% de todos los valores son ms bajos que el "cuartil bajo". La desviacin media de los cuartiles (marcadas con Q verde en la diagrama) a partir de la mediana es llamada desviacin de cuartiles y es calculada con facilidad dividiendo por la mitad la diferencia de los cuartiles. Una estadstica alternativa y muy simple es el rango: la diferencia entre el mayor y el menor valor. En conexin con la media aritmtica muchas veces querremos calcular la desviacin estndar. Si los valores se miden a partir de una poblacin, la formula ser,

Sin embargo, si la desviacin estndar slo se refiere a una muestra, la formula es,

En ambas frmulas, n es el nmero de los valores, y los valores de cada variable sustituirn a x uno tras otro. Raramente un investigador se molestar en realizar por s mismo el clculo, porque el algoritmo necesario para esto existe incluso en calculadoras de bolsillo. A la raz cuadrada de la desviacin estndar se llama varianza, y tambin sta es usada con frecuencia para describir y analizar la dispersin. Si la estadstica de dispersin se ha calculado a partir de una muestra, su representatividad estadstica debe tambin calcularse al final. La prueba t es adecuada para esto.

Analizar las relaciones entre variables


Si dos variables evolucionan modo tal que en alguna medida se siguen entre ellas, podemos decir que existe una asociacin o covarianza estadstica entre ellas. Por ejemplo, la altura y peso de la gente estn estadsticamente asociadas: aunque el peso de nadie est causado por su altura ni la altura por el peso es, no obstante, habitual que las personas altas pesen ms que las personas bajas. Por otro lado los datos habitualmente incluyen tambin excepciones, lo que significa que una asociacin estadstica es inherentemente estocstica. La ciencia de la estadstica ofrece numerosos mtodos para revelar y presentar las asociaciones entre dos y hasta ms variables. Los medios ms simples son los medios de

presentacin grfica y tabulacin. La intensidad de la asociacin entre variables puede tambin describirse como una estadstica especial, como el coeficiente de contingencia y una correlacin para lo que hay varios mtodos de anlisis disponibles. Si, al analizar los datos, se descubre alguna asociacin entre las variables, el investigador quisiera a menudo saber la razn de esta asociacin en el mundo emprico, es decir l quisiera explicar esta asociacin. Los tipos usuales de explicacion se enumeran en la pgina Descripcin y Explicacin. Comn a todos es que dan la causa del fenmeno se est estudiando que. Cuando las medidas se han hecho de una serie de estos fenmenos, es usual que una serie de medidas, llamada variable independiente, se hace as de la causa presumida, y una otra serie de medidas, la variable dependiente, del efecto presumido en el fenmeno. Nota que no hay mtodos en el anlisis estadstico para la tarea de descubrir la explicacin causal para una asociacin estadstica. Una fuerte correlacin entre, digamos, A y B, puede deberse a cuatro razones alternativas:

A es la causa de B. B es la causa de A. Tanto A como B son causadas por C. A y B no tienen nada que ver con uno al otro. Su asociacin en los datos analizados est una coincidencia.

El investigador debe encontrar as la causalidad o la otra explicacin para la asociacin de las variables en alguna otra parte que en las medidas. En muchos casos, la teora original del investigador puede proporcionar una explicacin; si no, el investigador debe usar su sentido comn para clarificar la causa. A continuacin mencionamos algunos mtodos usuales de anlisis estadstico que pueden usarse al estudiar la interdependencia entre una o ms variables. Los mtodos han sido dispuestos siguiendo a qu escala de medicin corresponden la mayor parte de las variables. Meta de anlisis Presentar datos y su estructura a grandes rasgos Medir la fuerza de la asociacin entre dos variables Encontrar qu variables entre varios son asociadas: Transcribir una asociacin estadstica en una funcin Escala nominal Escala ordinal Escala de intervalo Escala de proporcin

Tabulacin ; Grficos Coeficiente de contingencia Correlacin ordinal Correlacin r de Pearson

Calcular contingencias o correlaciones para todos los pares de variables ; anlisis factorial Anlisis de regresin

matemtica:

Tabulacin
La tabulacin es una forma habitual de presentar las asociaciones entre dos o ms variables. Una tabla tiene la ventaja de que en ella puede disponerse bien una cantidad extensa de datos y se conservan las cifras exactas. Una desventaja es que una tabla grande no es ilustrativa: raras veces revela algo ms que las ms obvias regularidades o interdependencias entre datos. Algunas abreviaturas convencionales usadas en tablas se presentan bajo el encabezado Clasificar.

Presentacin grfica
Los productos, como objetos de estudio, son presentados con frecuencia como imgenes, que son una forma de presentacin grfica. (Ejemplos de presentaciones grficas.) Si el investigador desea resaltar algunos rasgos comunes o patrones generales que ha encontrado en un grupo de objetos, puede combinar varios objetos en un grfico, como en la figura de la izquierda. En el diagrama, Sture Balgrd muestra cmo los edificios viejos en Hrnsand siguen proporciones uniformes de anchura y altura (la lnea roja) con slo algunas excepciones. Al inventar mtodos ilustrativos de presentacin de los hallazgos del estudio de productos, la ms seria restriccin es la imaginacin del investigador. Con frecuencia, no obstante, la apariencia del objeto en s no es importante y slo interesan los valores numricos de sus mediciones. Si se considera as, lo primero que debiramos plantearnos al elegir el tipo de grficos es cul es la estructura que queremos mostrar de los datos. Por supuesto tenemos que no "mentir con ayuda de la estadstica", pero siempre es admisible elegir un estilo de presentacin realce los patrones importantes al eliminar o dejar en segundo plano las relaciones y estructuras que no nos interesan. Si nuestros datos consisten en solamente unas pocas mediciones, es posible mostrarlos todos como un diagrama de dispersin. Podemos exhibir los valores de dos variables sobre los ejes de abscisas y ordenadas, y adicionalmente unas cuantas variables ms utilizando los colores o formas de los puntos. En el diagrama de la derecha, la variable z tiene dos valores que se indican respectivamente por un cuadrado y un signo +. Si la variacin es demasiado pequea para que aparezca claramente, podemos darle nfasis eliminando partes de una o ambas escalas, vanse los ejemplos. Simplemente eliminamos la

parte que no nos interesa, sea por la parte superior o por la inferior. La parte descartada debe estar vaca de valores medidos empricamente. Para asegurarnos que el lector se da cuenta de la operacin, es mejor mostrarlo no slo en las escalas, sino tambin en la cuadrcula de fondo del diagrama. Por otro lado, si el rango de variacin de nuestros datos es muy amplio, podemos plantearnos usar una escala logartmica en uno o ambos ejes (vase el diagrama de la izquierda). La escala logartmica es apropiada solamente en una escala de proporcin. Si tenemos cientos de mediciones, es probable que no queramos mostrarlas todas en forma de diagrama de dispersin. Una posibilidad en este caso es clasificar los casos y presentarlos como un histograma. El histograma puede adaptarse para presentar hasta cuatro o cinco variables. Podemos hacer esto variando las anchuras de las columnas, sus colores, sus tramados y por una representacin tridimensional (fig. de la izquierda.). Todas estas variaciones se crean fcilmente con un programa de hoja de clculo como Excel, pero no deben ser usadas slo como adorno. Los patrones que rellenan o marcan las columnas del histograma pueden ser elegidos de forma que simbolicen una de las variables. Por ejemplo, las columnas que describen el nmero de automviles pueden estar formadas por una pila de automviles unos sobre otros. Esto es correcto, con tal de que no variemos el tamao de los smbolos usados en un histograma. De otro modo, la interpretacin se le hara difcil al lector (se vincula el nmero de automviles a la longitud, el rea o el volumen de los smbolos de los automviles?) El investigador suele estar interesado en las relaciones de dos o ms variables antes que en las parejas de mediciones tomadas separadamente. La forma normal de presentar dos o ms variables interdependientes es la curva. Esto implica una variable continua (es decir, en que el nmero de posibles valores es infinito). No debemos producir una curva a partir de mediciones que no son valores de la misma variable. Por ejemplo, los atributos de un objeto son variables diferentes. Ejemplos de ello son las evaluaciones personales que los investigadores suelen reunir con la ayuda de escalas semnticas diferenciales del tipo de la mostrada abajo: Estime las caractersticas de su dormitorio. Tache un recuadro en cada lnea. Claro _ _ _ _ _ _ _ Oscuro Ruidoso _ _ _ _ _ _ _ Tranquilo Limpio _ _ _ _ _ _ _ Sucio

Grande _ _ _ _ _ _ _ Pequeo Carecera ahora de sentido el presentar las distintas evaluaciones del dormitorio como un solo "perfil" como en el diagrama de la izquierda (aunque encontremos con frecuencia este tipo de presentaciones ilgicas en informes de investigacin.) Si queremos a toda costa poner el acento en que las variables han de ir juntas (por ejemplo porque todas son evaluaciones del mismo objeto), un mtodo apropiado podra ser, por ejemplo, un grupo de histogramas (como el de la derecha).

Todos los diagramas mostrados arriba pueden combinarse con mapas y otras presentaciones topolgicas. Por ejemplo, la variacin en las diferentes reas del pas suele mostrarse como un cartograma que distinga los diferentes distritos con distintos colores o tramas. Otra forma es el cartopictograma en que pequeos diagramas de sectores ("de tarta" o "queso") o de columnas han sido colocados en el mapa. Las conexiones entre distintas reas suele ser con frecuencia mostradas con filas cuyo grosor indica el nmero de conexiones. (Ejemplo.) Una obra til y concisa en espaol sobre el uso de diagramas para anlisis estadstico es: Antonio Alaminos, Grficos, Madrid, Centro de Investigaciones Sociolgicas, 1993 (Col. Cuadernos metodolgicos, n 7)

Contingencia y correlacin
La covarianza estadstica entre dos variables suele ser analizada haciendo una tabla o una presentacin grfica, pero tambin hay disponibles estadsticas especiales para indicar su intensidad. Los medios disponibles para el anlisis de los vnculos entre las variables dependen de con qu tipo de escala se han medido las variables. Vea la tabla que se present anterior.

Cociente de contingencia puede aplicarse a todo tipo de variables incluyendo aquellas que se han medido solo con una escala de clasificacin. Una estadstica alternativa es Chi cuadrado. Correlacin ordinal es adecuada cuando al menos una de las variables se han medido con una escala ordinal. La otra puede ser u ordinal o aritmtica. Para variables sobre escalas aritmticas, el mtodo usual es la correlacin estndar, mejor dicho la correlacin del momento-producto o correlacin de Pearson.

Las formulas para calcular las estadsticas de contingencia no se muestran aqu porque llevar a cabo los clculos manualmente sera poco prctico y los investigadores habitualmente los hacen con un ordenador.

La correlacin del momento-producto suele abreviarse con la letra r. Si el coeficiente de correlacin es bajo, por ejemplo algo entre -0.3 y +0.3, las dos variables no tienen mucho que ver entre s (ms exactamente, no tienen casi ninguna covariacin lineal). Si es alto, en otras palabras, si su valor se aproxima ya sea a +1 o a -1, esto significa que la relacin entre las dos variables se aproxima a la ecuacin y = ax + b. El signo del coeficiente de correlacin no es importante; el signo siempre es idntico al signo del coeficiente a en la ecuacin de arriba. Debajo, se puede ver tres diagramas de dispersin que demuestren tres conjuntos diferentes de datos de dos variables. Cada conjunto consiste en ocho pares de valores. Las correlaciones entre las dos variables se han calculado y se demuestran bajo cada diagrama. Se puede ver que no hay correlacin entre las variables en el conjunto en la izquierda, y los otros dos conjuntos demuestran las correlaciones de 0,5 y 1,0.

A pesar del hecho que el anlisis de correlacin es capaz de manejar solamente dos variables, puede utilizarlo para el anlisis inicial de un gran nmero de variables, cuando no tenemos una idea clara de las relaciones mutuas entre ellas. Es fcil para un ordenador calcular una matriz de correlacin entre todos los pares potenciales de variables. Podemos entonces elegir esos pares que presentan las correlaciones ms fuertes, y continuar examinandolos con otras herramientas de anlisis ms refinadas. Un aspecto dbil del anlisis de correlacin es que no puede detectar otras relaciones lineales entre las variables. Por ejemplo, una relacin que obedece a la ecuacin y = ax2 pasara inadvertida. Sin embargo, algunos de los nuevos programas de anlisis son capaces de detectar incluso esta y algunas otras asociaciones habituales de variables. Adems, se puede intentar:

sustituir los valores de una variable con sus valores cuadrados, su raz cuadrada o con alguna otra modificacin, y hacer de nuevo la matriz de correlacin. La computadora toma el cuidado del clculo. hacer un diagrama de dispersin de las dos variables que usted piensa quizs tenga una relacin, y mirar si el patrn resultante sigue una forma de cualquier funcin matemtica apropiada.

Una vez que usted haya encontrado un par de variables con una correlacin o contingencia fuerte usted puede continuar, por ejemplo, con las operaciones siguientes:

Considere, en base de su teora, cul variable del par es independiente (es decir la razn) y cul es el dependiente (la consecuencia), y si la relacin puede implicar todava ms variables.

Descubra el patrn exacto de la relacin. Los mtodos posibles para esto incluyen los anlisis de serie temporal y de regresin.

Si la correlacin se calcula a partir de una muestra, debemos recordar probar su representatividad estadstica con la prueba t.

Anlisis de regresin
El investigador suele tener razones tericas o prcticas para creer que determinada variable es causalmente dependiente de una o ms variables distintas. Si hay bastantes datos empricos sobre estas variables, el anlisis de regresin clasico o "multivariate" es un mtodo apropiado para desvelar el patrn exacto de esta asociacin. El anlisis de la regresin encuentra la ecuacin linear que se desva lo menos posible de las observaciones empricas. Por ejemplo, en el diagrama a la derecha, los puntos simbolizan las observaciones donde se han medido dos variables, y la lnea representa la ecuacin y = 8x + 45, obtenido con anlisis de la regresin de modo que la suma de las diferencias cuadradas de los valores medidos de y llegue a ser mnima. El esquema contiene slo cuatro observaciones. Es demasiado poco para producir una ecuacin plausible porque las observaciones podran ser el resultado de coincidencia slo, sin ninguna dependencia verdadera entre las variables. Si usted quiere hallazgos plausibles o "estadsticamente significativos" se necesitara mucho ms, quizs 40 observaciones multiplicados por el nmero de las variables independientes. El algoritmo de anlisis de regresin construye una ecuacin, que tiene el siguiente patrn con una o ms variables independientes. Adems, da los parmetros a1 , a2 etc. y b valores tales que la ecuacin corresponde a los valores empricos con tanta precisin como es posible. y = a1x1 + a2x2 + a3x3 + ... + b En la ecuacin, y = la variable dependiente x1 , x2 etc. = variables independientes a1 , a2 etc. = parmetros b = constante. Una desventaja del algoritmo del anlisis de regresin es que puede discernir relaciones slo lineales entre las variables. As no puede manejar tales formatos usuales de ecuacin

como y = ax2 + bx + c. Esta dificultad, sin embargo, puede ser evitado por reemplazar temporalmente la variable no lineal con una transformacin conveniente de ello, tal como su cuadrado, raz cuadrada, el inverso, o logaritmo. Si tenemos amplios datos con muchas variables, al principio del anlisis no estaremos tal vez seguros de qu variables estn mutuamente conectadas y cuales debieran as ser incluidas en la ecuacin. Podramos primero estudiar esto con una matriz de correlacin, o podemos dejar al programa de anlisis de regresin elegir las variables "correctas" (x1 , x2 etc.) para la ecuacin. "Correctas" son aquellas variables que mejoran la exactitud del ajuste entre la ecuacin y los valores empricos. Cuando una de las variables independientes es tiempo, y especialmente cuando tenemos una serie de tiempo de medidas en intervalos iguales, el anlisis de regresin es una herramienta conveniente para revelar una tendencia o un desarrollo a largo plazo en una serie de tiempo, considera estudio histrico. Esta tendencia se puede a menudo utilizar para pronosticar el desarrollo futuro de la variable dependiente. En el anlisis clsico de la regresin la ecuacin deseada contiene solamente una variable dependiente. En el caso que ms que uno variable dependiente se parecen ser implicadas, una herramienta conveniente para su anlisis es la correlacin cannica, no discutida aqu. Finalmente, la herramienta correcta para calcular la representatividad estadstica de la ecuacin obtenida por la anlisis de regresin est la prueba t.

Anlisis factorial
Todas las preguntas en un cuestionario se pueden considerar como variables, los valores de las cuales son encontrados estudiando las respuestas que cada pregunta recibe. Generalmente la mayor parte de las preguntas conciernen ms o menos el mismo tema, y es por lo tanto normal que algunas de estas variables resultan tener una alta correlacin mutua. El investigador ahora pudo desear descubrir si hay "variables de fondo" o los factores latentes que combinan algunas variables originales. Si se podra encontrar estas variables del fondo, los datos contenidos en los cuestionarios seran comprimidos grandemente y llegaran a ser ms fciles de comprender. El anlisis factorial es el mtodo normal de encontrar estas variables latentes. Por ejemplo, en un estudio acerca de la ropa de gente finlandesa joven, Sinikka Ruohonen (2001, p. 97) examin con un cuestionario las actividades del ocio de los respondedores, y descubri que haba una alta correlacin entre pasar tiempo en conciertos, en galeras de arte, en teatros y en bibliotecas y tambin en lectura de libros. Todos stos tenan una correlacin negativa con mirar la televisin o las competicines deportivas. Ruohonen dio el nombre de "factor cultural" a esto factor. l se asoci adems con educacin alta de madre y padre, y con independencia de las opiniones de otros al comprar ropas. Otro factor que Ruohonen encontr y nombr "esttico-social", incluy objetivos de seleccionar ropas: destacar sus buenos o belleza, retratar confianza en s mismo y

personalidad, llamar atencin, demostrar camaradera, valores comunes e ideologas. Este factor correlacion tambin, en poco grado, con inters en la ecologa, con se hacer la ropa por una misma, y no llevar pieles. Un tercer factor, "gastar" contuvo varios indicadores de gastar dinero comprando la ropa, los cosmticos y las joyas, tan bien como el aprecio del estilo, de la calidad y de la moda. Con la ayuda de un anlisis factorial, las variables de combinacin o factores latentes tras los atributos medidos pueden detectarse y especificarse, y el anlisis tambin dice lo estrechamente que estos factores estn vinculados con las variables originalmente verificadas.-- A veces se sita tambin una condicin suplementaria sobre los factores, concretamente que no deben tener correlacin alguna entre ellos y estn por lo tanto en "ngulo recto" uno con respecto a otro (= "rotacin ortogonal" de los factores durante el anlisis). Esta opcin, no obstante, suele disminuir la correlacin con las variables originales. Un inconveniente del mtodo del anlisis factorial es que su uso formalmente correcto pero desconsiderado puede producir fcilmente los factores elegantes y matemticamente exactos que sin embargo no tienen ningn significado emprico sensato. En el estudio citado arriba, Ruohonen evit este callejn sin salida con el medio de entrevistar algunos respondedores desde una u otra extremidad de un factor, los cuales eran capaces clarificar sus actitudes y estilos de vida y dar el motivo para sus opiniones que difieren del promedio. Es posible continuar el anlisis factorial agrupando los respondedores (u otros casos empricos) en grupos en base de sus valores en los factores que se encontraron en el anlisis. Esta operacin sufre de la misma inconveniencia que arriba: es difcil dar una explicacin emprica a estos grupos artificiales y encontrar cualquier rastro de su existencia verdadera en empiria. Adems, la dispersin de casos a lo largo de cada factor sigue casi siempre la distribucin normal de Gauss, que significa que la mayora de casos estn cerca del punto medio y el investigador no puede encontrar ninguna divisin distinta en grupos. Esta trampa del investigador se discute tambin en la pgina Clasificacin.

3.ago.2007. Enviar los comentarios al autor: Versin en espaol: con aumentos por Pentti Routio Ubicacin original: http://www2.uiah.fi/projects/metodi/

S-ar putea să vă placă și