Mostrando entradas con la etiqueta Pruebas Estadísticas. Mostrar todas las entradas
Mostrando entradas con la etiqueta Pruebas Estadísticas. Mostrar todas las entradas

27/4/24

INTRODUCCIÓN AL ANÁLISIS DE VARIANZA (ANOVA)



El Análisis de Varianza o Analysis of Variance (ANOVA) es una familia de métodos estadísticos utilizados para comparar las medias de tres o más grupos y determinar si existen diferencias significativas entre ellas, se basa en la comparación de la variabilidad entre y dentro de los grupos para establecer si al menos una de las medias es diferente, para el contraste de hipótesis se usa la prueba F. El objetivo principal del ANOVA es evaluar si la variabilidad de los datos se debe a la influencia de ciertos factores o se debe al azar.

El ANOVA fue desarrollado por Ronald Fisher en 1918, al introducir el término “varianza” en un artículo sobre genética de poblaciones, más adelante en 1925, incluye al análisis de varianza (ANOVA) en su libro Statistical Methods for Research Workers, donde compara de una manera eficiente a diversos grupos sin aumentar la probabilidad de error tipo I (falsos positivos), realizando múltiples pruebas t independientes. En 1935 publica y formaliza los principios de experimentación en su libro The Design of Experiments, posteriormente surgen aplicaciones a los campos de psicología, biología, agricultura e ingeniería.

Cabe indicar que el ANOVA es una extensión de la Prueba t para comparar más de dos grupos y en caso de encontrar diferencias significativas es necesario utilizar pruebas post-hoc para identificar qué grupos son distintos; como se mencionó, para el contraste de hipótesis en una prueba de ANOVA, se utiliza la distribución F que, dicho sea de paso, también fue desarrollada por Fisher.

 

CONCEPTOS CLAVE

- Factor: Variable independiente categórica.
- Nivel: Diferentes valores dentro de un factor.
- Varianza: Medida de dispersión de los datos.
- Estadístico F: Razón de la varianza entre grupos y la varianza dentro de grupos.
- p-valor: Probabilidad de que las diferencias observadas sean debidas al azar (por ejemplo si p < 0.05, se rechaza la hipótesis nula).
- Efecto de interacción: Cuando dos factores combinados, por separado, tienen un efecto diferente al esperado.
- Diseño de experimentos: También Design of Experiments (DOE), es una metodología de la estadística aplicada de recopilación y análisis de datos que permite estudiar la relación entre múltiples variables de entrada o factores y variables de salida o respuesta.

 

SUPUESTOS PREVIOS DEL ANOVA

- Normalidad: Los datos de los grupos deben tener una distribución normal y se puede comprobar a través de pruebas como Shapiro-Wilk o Kolmogorov-Smirnov.

- Homocedasticidad: O también, homogeneidad de varianzas, las varianzas de los grupos deben ser aproximadamente iguales, puede ser medido mediante pruebas como Levene, Brown-Forsythe, entre otros.

- Independencia: Las observaciones deben ser independientes entre sí, determinándose a partir del diseño del estudio.

En caso de incumplir alguno de estos supuestos, se pueden emplear pruebas alternativas como ANOVA de Welch, ANOVA no paramétrico Kruskal-Wallis, etc.


PROCEDIMIENTO BÁSICO PARA UN ANÁLISIS DE VARIANZA

1. Planteamiento del Problema 

- Definir la pregunta de investigación e identificar la variable dependiente o respuesta y la variable independiente o factor.
- Establecer las hipótesis estadísticas; por ejemplo para ANOVA de una vía:

Hipótesis nula (\(H_0\)): No hay diferencias significativas entre las medias de los grupos.  \(\mu_1=\mu_2=...=\mu_k\)
Hipótesis alternativa (\(H_1\)): Al menos una de las medias es diferente. \(μ_i≠μ_j\)


2. Diseño del experimento

- Determinar la asignación de los tratamientos y las unidades experimentales.
- Establecer el número de grupos y muestras por grupo, asegurando la aleatorización y control de factores externos.


3. Recopilación de datos

- Obtener las observaciones para cada grupo.
- Verificar la calidad de los datos y detectar valores atípicos.


4. Verificación de supuestos

- Normalidad.
- Homocedasticidad.
- Independencia.


5. Cálculo del ANOVA

- Determinar la variabilidad total y dividirla en variabilidad entre grupos (efecto del factor) y variabilidad dentro de los grupos (error aleatorio).

- Calcular el estadístico F:

\[F=\frac{\text{Variabilidad entre grupos}}{\text{Variabilidad dentro de los grupos}}\]
- Comparar el estadístico \(F\) con el valor \(F_{crítico}\) de la tabla F,

Si \(F_{calculado} > F_{crítico}\), se rechaza \(H_0\).
Si \(F_{calculado} ≤ F_{crítico}\), no se rechaza \(H_0\).

También se puede obtener el \(p\)-valor para determinar la significancia estadística.


6. Interpretación de resultados

Por ejemplo, si comparamos  \(p\)-valor con el nivel de significancia (p.e. \(\alpha\) = 0.05), entonces:

Si \(p ≤ 0.05\), se rechaza \(H_0\) y se concluye que hay diferencias significativas.
Si \(p > 0.05\), no se rechaza \(H_0\) y se concluye que no hay evidencia suficiente para afirmar diferencias.


7. Pruebas Post Hoc

Si concluimos que existen diferencias significativas, entonces aplicamos las pruebas post-hoc para identificar qué grupos difieren entre sí (por ejemplo pruebas de Tukey, Bonferroni, etc.).

10/6/23

REGRESIÓN LINEAL SIMPLE




La regresión lineal es una técnica estadística fundamental que sirve para modelar y explicar la relación entre una variable dependiente y una o más variables independientes, asumiendo una relación lineal entre ellas (buscando la línea recta que mejor se ajusta a los datos observados); esta técnica es empleada en diversos campos como: economía, ciencias sociales, medicina, ingeniería, entre otros; con el fin de predecir valores de manera generalizada en base a los datos observados.

 

Definición matemática

La ecuación del modelo de regresión lineal simple se define como:
\[y = \beta_0 + \beta_1 x + \epsilon\]

Donde:
- \(y\) es la variable dependiente.
- \(x\) es la variable independiente.
- \(\beta_0\) es el intercepto, el valor esperado de \(y\) cuando \(x=0\).
- \(\beta_1\) es la pendiente, que indica el cambio esperado en \(y\) por unidad de cambio en \(x\).
- \(\epsilon\) es el término de error, que representa la variabilidad en \(y\) que no puede ser explicada por \(x\).


Considerar:

\(\beta_1>0\) → Crecimiento de \(y\) por cada incremento unitario en \(x\).
\(\beta_1<0\) → Disminución de \(y\) por cada incremento unitario en \(x\).



Representación gráfica



 

Hipótesis del Modelo
 

* Hipótesis del intercepto: Se prueba para determinar si el intercepto es significativamente diferente de cero.

 H₀: β₀ ​= 0

* Hipótesis de la pendiente: Se prueba para determinar si la variable independiente \(x\) tiene un efecto significativo sobre la variable dependiente \(y\).

  H₀​: β₁​ = 0 


Ajuste del Modelo

Ajustar el modelo de regresión, utilizando técnicas de Mínimos Cuadrados Ordinarios (MCO u OLS) para encontrar los coeficientes que minimizan la suma de los errores cuadrados.

 

a) Cálculo de la pendiente (β₁)

\[\beta_1 = \frac{\sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})}{\sum_{i=1}^{n} (x_i - \bar{x})^2}\]

Donde:
- \(x_i\) y \(y_i\) son los valores individuales de las observaciones.
- \(\bar{x}\) es la media de los valores de  \(x\).
- \(\bar{y}\) es la media de los valores de  \(y\).


b) Cálculo del intercepto (β₀)

\[\beta_0 = \bar{y} - \beta_1 \bar{x}\]

Donde:
- \(\beta_0\) es la pendiente calculada previamente.
- \(\bar{y}\) es la media de los valores de  \(y\).
- \(\bar{x}\) es la media de los valores de  \(x\).

23/4/22

P-VALOR



El  p-valor (p-value) también conocido como valor de p o valor de probabilidad, es una medida que nos permite evaluar la significancia estadística de los resultados observados durante un estudio o experimento, ayudándonos a tomar decisiones sobre las hipótesis planteadas; es una herramienta fundamental para la inferencia estadística y la interpretación de resultados obtenidos en una investigación al contrastar hipótesis; representa la probabilidad de observar los datos recolectados, o datos aún más extremos, en caso de que la hipótesis nula fuera realmente cierta.

Entonces, el p-valor proporciona la medida de lo probable que es obtener los resultados que hemos observado si es que la hipótesis nula fuera cierta; esta probabilidad oscila entre 0 y 1, y cuanto menor es el p-valor, mayor es la evidencia que nos lleva a descartar la hipótesis nula, obteniéndose un resultado más significativo. El p-valor se utiliza en pruebas de hipótesis estadísticas donde comparamos un estadístico de muestra (media, proporción, diferencia entre grupos, etc.) con su distribución bajo la hipótesis nula; los resultados se consideran significativos si el p-valor es menor que un nivel de significancia previamente fijado (por ejemplo 0.05), donde se rechaza la hipótesis nula, y se acepta la hipótesis alternativa.

Es importante recalcar, que el p-valor no indica la probabilidad de que la hipótesis nula sea cierta o falsa, sino la probabilidad de obtener los resultados que hemos observado en el caso de que la hipótesis nula fuese cierta; además, el p-valor por sí solo no proporciona información suficiente.


CONSIDERACIONES SOBRE P-VALOR

a) Tamaño de la Muestra: El tamaño de la muestra puede influir en la precisión del p-valor, es decir, que en muestras pequeñas los resultados tienden a ser menos confiables, mientras que con muestras grandes, se pueden alcanzar resultados estadísticamente significativos.

b) Nivel de significancia (α): El nivel de significancia previamente definido (comúnmente 0.05), determina el umbral de rechazo de la hipótesis nula (H₀). Es importante elegir un nivel de significancia apropiado respecto al contexto del estudio y las consecuencias de cometer un error tipo I (rechazar la hipótesis nula cuando no debe ser rechazada).

c) Tamaño del efecto: Además del p-valor,es importante considerar el tamaño del efecto; que es la magnitud de la fuerza  de la relación entre dos variables o la diferencia observada entre los grupos. Un p-valor puede ser estadísticamente significativo, pero si el tamaño del efecto es pequeño, el resultado puede tener poca relevancia práctica.

d) Contexto del estudio: Al interpretar el p-valor, se debe considerar el contexto del estudio y la pregunta de investigación en su totalidad, pues su importancia varía según el contexto.

e) Replicabilidad y robustez: Los resultados estadísticamente significativos deben ser replicados en estudios independientes, teniendo en cuenta la robustez de los resultados; un solo p-valor significativo no garantiza la validez o la replicabilidad de los resultados.

f) Posibles sesgos y limitaciones: Es necesario tener en cuenta los posibles sesgos en el diseño del estudio o las limitaciones en el método analítico a la hora de interpretar los resultados, pues los sesgos son influyentes por lo que deben ser considerados en la interpretación del p-valor.


BENEFICIOS DEL P-VALOR

a) Objetividad: El p-valor proporciona una medida objetiva de evidencia en contra de la hipótesis nula, tomando como base, datos observados en la muestra.

b) Estandarización: El p-valor proporciona una medida estandarizada que facilita la comparación de la significancia estadística entre distintos estudios o análisis, sin considerar las unidades de medida o escalas utilizadas.

c) Guía para la toma de decisiones: El p-valor puede servir como guía directa para la toma de decisiones al realizar pruebas de hipótesis estadísticas; ya que, si p-valor fuese inferior al nivel de significancia predefinido, se rechazaría la hipótesis nula en favor de la hipótesis alternativa; por ejemplo en los casos típicos sobre la toma de decisiones basadas en evidencias, donde los resultados de los p-valores significativos influyen en la formulación de políticas y la toma de decisiones clínicas.

d) Comunicación científica: El p-valor es una medida utilizada para resumir la evidencia estadística en trabajos científicos y sus análisis.

e) Interpretación de resultados: El p-valor permite dar una interpretación estadística de los resultados, para comprender y demostrar su importancia en diferentes estudios.



LIMITACIONES DEL P-VALOR

a) Poca interpretabilidad, ya que describe la probabilidad de observar los datos cuando la hipótesis nula es cierta, pero no proporciona información sobre la magnitud del efecto.

b) Uso inadecuado, se observa en una inferencia causal basada únicamente en la significancia estadística, llegando a mal interpretarse el resultado.

c) Sesgo de publicación y selección, que lleva a sobre valorar la importancia de resultados estadísticamente significativos o también subestimar la evidencia en contra de la hipótesis nula.

d) Dependencia del tamaño de la muestra, al obtener resultados estadísticamente significativos en muestras grades, sin considerar el tamaño del efecto.

e) Niveles arbitrarios de significancia, por ejemplo si la selección de α=0.05 es arbitraria, entonces la interpretación de los resultados también puede resultar arbitraria.

f) Replicabilidad y reproducibilidad, los estudios con resultados estadísticamente significativos no siempre serán replicables en estudios independientes, lo que genera dudas sobre su validez y robustez.

g) Limitaciones en estudios exploratorios, pues la significancia con p-valor puede resultar poco útil, pues podría aumentar la probabilidad de falsos positivos o errores en la información obtenida.


UMBRALES DE P-VALOR MÁS USADOS

Para determinar la significancia estadística en términos de p-valor, debemos considerar los umbrales de rechazo de la hipótesis nula que denominamos nivel de significancia (α). Los umbrales de p-valor más empleados son: 0.05, 0.01, 0.001 y 0.10; estos valores indican las probabilidades del 5%, 1%, 0.1% y 10% respectivamente, de que los resultados obtenidos sean estadísticamente significativos si la hipótesis nula fuese verdadera. De estos umbrales, el más utilizado es 0.05, si el p-valor es menor que 0.05 entonces se considera que los resultados son estadísticamente significativos; para un p-valor de 0.01 la exigencia es mayor, pues requiere más evidencia para poder rechazar la hipótesis nula; en caso de p-valor menor a 0.001, la exigencia y la certeza de los resultados es aún mayor; mientras que el valor 0.1 es el nivel de significancia es menos estricto que los anteriores y se utiliza en estudios exploratorios o cuando se desea ser más permisivo al rechazar la hipótesis nula.

Estos valores pueden variar según contexto de la investigación, la naturaleza de los datos o las preferencias del investigador por cierta disciplina o ámbito de estudio.


P-valor < 0.05

Significa que existe una probabilidad menor al 5% de que los resultados observados se deban al azar o a la casualidad, este valor es ampliamente utilizado en muchos ámbitos científicos y de investigación, pues intenta buscar el equilibrio entre ser lo suficientemente riguroso como para evitar el riesgo de cometer errores de tipo I (falsos positivos), y ser lo suficientemente sensible como para detectar hallazgos significativos; algunos ámbitos son:

- Ciencias sociales: Psicología, economía, ciencia política, sociología, etc.
- Ciencias de la salud: Medicina, sanidad pública, nutrición, etc.
- Ciencias biológicas: Biología, bioquímica, biotecnología, etc.
- Ciencias ambientales: Ecología, geografía ambiental, geología, climatología, etc.
- Ciencias de la computación: Ciencia de datos, Inteligencia artificial, etc.
- Ingeniería: Civil, mecánica, eléctrica, etc.


P-valor < 0.01

Es utilizado comúnmente en ámbitos donde se exige mayor control sobre el error de tipo I, pues un falso positivo puede resultar considerablemente significativo; incluyen ámbitos como:
- Investigación médica: Al evaluar nuevos tratamientos o intervenciones médicas.
- Ciencias de la salud pública: Los resultados de una investigación pueden marcar la dirección de las decisiones políticas en salud.
- Ciencias ambientales: Al evaluar riesgos de impactos ambientales.
- Ciencias económicas: En el análisis económico, financiero y  la evaluación de políticas económicas.
- Ingeniería: Al evaluar la seguridad y las estructuras.


P-valor < 0.001

Se utiliza en disciplinas donde se necesita una evidencia muy fuerte para rechazar la hipótesis nula, pues las investigaciones en tales ámbitos, traen consecuencias importantes y los riesgos son muy altos, algunas de estas disciplinas son:

- Ciencias médicas: Ensayos clínicos de nuevos fármacos o de tratamientos.
- Salud pública: Estudios relacionados con la prevención de enfermedades, el control de epidemias o  políticas de salud pública.
- Ciencias ambientales: Estudio de los efectos de los contaminantes medioambientales.
- Ingeniería de la seguridad: Estudios donde la precisión de los datos tiene consecuencias significativas en la seguridad pública.
- Investigación biomédica: Estudios relacionados con la genética, biología molecular o patogenia de enfermedades.


P-valor < 0.1

Se utiliza en disciplinas donde se puede tolerar un mayor riesgo de error tipo I (falsos positivos) y donde la rigurosidad estadística no es tan crítica como en otros ámbitos, pues se acepta un mayor margen de error en favor de la exploración, la innovación o la obtención de información preliminar; se pueden incluir:

- Estudios exploratorios: En estudios donde se exploran nuevas ideas, teorías o relaciones.
- Estudios piloto: Antes de realizar estudios más grandes y costosos, a menudo se realizan estudios piloto o investigaciones preliminares.
- Estudios de observación: En estudios como encuestas de opinión o estudios de mercado.
- Estudios de ingeniería: En las etapas iniciales del diseño o desarrollo de productos, donde se están explorando distintas estrategias y soluciones.


DEFINICIÓN MATEMÁTICA

El p-valor indica la probabilidad (P) de que un resultado o prueba estadística Kn es mayor o igual a un valor observado kn asumiendo una hipótesis nula (H₀) verdadera:

\[p-valor=P(K_n≥k_n | H_0 \text{ verdadera})\]

Si el p-valor es pequeño, indica que, bajo la hipótesis nula, los datos observados son improbables, lo que nos lleva a rechazar la hipótesis nula, en favor de la hipótesis alternativa; por otro lado, si el valor de p-valor es grande, indica que los datos observados son consistentes con la hipótesis nula. Las pruebas estadísticas pueden ser normal, t-student, chi-cuadrada, entre otras.

 


COEFICIENTE DE CORRELACIÓN DE SPEARMAN

 

 

El coeficiente de correlación de Spearman, conocido también como rs o rho de Spearman (ρ), se puede definir como una medida no paramétrica que evalúa la fuerza y la dirección de una relación monotónica entre dos variables; a diferencia del coeficiente de correlación de Pearson que se encarga de medir relaciones lineales. El coeficiente de Spearman utiliza rangos de datos en lugar de valores que es útil para medir la relación entre dos variables que no cumplen el supuesto de normalidad en su distribución de datos; al igual que el coeficiente de Pearson su valor oscila entre -1 y +1, donde un valor cercano a ±1 indica una fuerte asociación y un valor cercano a 0 indica una asociación débil.

El uso de rangos en la correlación de Spearman permite manejar tanto variables continuas como discretas, proporcionando una medida robusta frente a valores atípicos; resultando así, una herramienta valiosa para múltiples disciplinas (como la psicología, la biología, las ciencias sociales, etc.), en donde los datos no siempre siguen una distribución normal. La correlación de Spearman fue desarrollado en el año 1904 por el psicólogo británico Charles Spearman, para demostrar que las variables tienden a cambiar entre sí de manera consistente, aunque no necesariamente de forma lineal. 


Definición Matemática

El coeficiente de correlación de Spearman puede definirse como una correlación entre rangos de datos; la fórmula se expresa como:

\[\rho=r_s=\frac{Cov(rg(X), rg(Y))}{\sigma_{rg(X)} \sigma_{rg(Y)}}\]

Donde:

\(rg(X)\) y \(rg(Y)\) son los rangos de \(X\) e \(Y\), respectivamente.
\(Cov\) es la covarianza
\(\sigma_{rg(X)}\) y \(\sigma_{rg(Y)}\) son las desviaciones estándar de los rangos de \(X\) y \(Y\).

 

- Para datos sin empates, \(\rho\) se puede simplificar:

 Donde:

\(d_i\) es la diferencia entre los rangos de cada par de observaciones.
\(n\) es el número de observaciones.

- Si hay empates (valores iguales), se asigna a cada valor el promedio de los rangos.


Tipos de Variables y Supuestos

La correlación de Spearman es adecuada para variables ordinales, de intervalos, discretas y continuas, y como se observó, es muy útil cuando los datos no están normalmente distribuidos o existe una relación monotónica no lineal; entonces los supuestos más importantes son:

- Las dos variables pueden medirse en escalas ordinal, de intervalo o de razón.
- Las variables tienen relación monotónica (cuando una variable aumenta la otra también, o cuando una variable aumenta la otra disminuye).
- Las variables pueden ser ordenadas.
- Las variables representan observaciones pareadas (cada par de valores proviene de un solo participante).


Ventajas y Desventajas

- Entre las ventajas tenemos  que: no requiere normalidad, mide relaciones monotónicas para detectar relaciones no lineales, es robusto por ser menos sensible a outliers o valores extremos.
- Entre las desventajas tenemos que: al usar rangos se pierde información, puede ser menos potente que Pearson si la relación es verdaderamente lineal, no indica la naturaleza de la relación sino sólo su dirección y fuerza (en términos de orden).


Usos y Aplicaciones

Spearman se usa principalmente en disciplinas como psicología, biología y ciencias sociales, donde los datos a menudo no cumplen con los supuestos de normalidad y linealidad. Es útil para evaluar relaciones en donde no importan las magnitudes absolutas, sino sólo el orden de los datos.


Interpretación

El coeficiente de Spearman varía entre -1 y 1: cuando ρ = 1, la correlación es positiva perfecta (los rangos son idénticos), es decir, al aumentar una variable, la otra también aumenta de manera perfecta; cuando ρ = -1, la correlación es negativa perfecta (los rangos son inversos); al aumentar una variable, la otra disminuye de manera perfecta y si ρ = 0 entonces no hay correlación monotónica entre las variables; en la siguiente tabla, observamos valores más específicos sobre la fuerza de correlación:

 

Valor de \(\rho\) de Spearman Significado
   -1 Correlación negativa perfecta
   [-0.90 a -0.99] Correlación negativa muy alta
   [-0.70 a -0.89] Correlación negativa alta
   [-0.40 a -0.69] Correlación negativa moderada
   [-0.20 a -0.39] Correlación negativa baja
   [-0.01 a -0.19] Correlación negativa muy baja
   0 Correlación nula
   [0.01 a 0.19] Correlación positiva muy baja
   [0.20 a 0.39] Correlación positiva baja
   [0.40 a 0.69] Correlación positiva moderada
   [0.70 a 0.89] Correlación positiva alta
   [0.90 a 0.99] Correlación positiva muy alta
   1 Correlación positiva perfecta

 Fuente: Martínez & Campos (2015)


Pasos para la prueba de significancia estadística

1. Establecer las hipótesis: 

H₀: \(\rho = 0\) (No hay correlación entre las variables).
H₁: \(\rho ≠ 0\) (Existe una correlación entre las variables).


2. Elegir el nivel de significancia (\(\alpha\)): 

Comúnmente, \(\alpha=0.05\)

 

3. Calcular el estadístico de prueba:  

Para el coeficiente de correlación de Spearman, el estadístico de prueba \(t\) se calcula como:

Donde \(n\) es el número de observaciones y \(p\) es el coeficiente de correlación de Spearman.

4. Determinar el valor crítico:

Usar la distribución \(t\) de Student con \(n-2\) grados de libertad.

5. Decisión: Comparar el estadístico de prueba calculado con el valor crítico (tabla \(t\)) o también se puede determinar comparando el \(p-valor\) con \(\alpha\):

Con \(t\):
Si \(|t| > t_{\text{crítico}}\): se rechaza H₀, entonces existe correlación significativa entre las variables
Si \(|t| ≤ t_{\text{crítico}}\): no se rechaza H₀, entonces no hay correlación significativa entre las variables

Con \(p-valor\):
Si \(p-valor ≤ \alpha\): rechazamos H₀, entonces existe correlación significativa entre las variables
Si \(p-valor > \alpha\): no rechazamos H₀, entonces no existe correlación significativa entre las variables


Ejemplos

1. Ejemplo de cálculo de \(\rho\) para datos sin empates: 

- Consideremos dos variables con 10 observaciones cada una:

X Y
1 2
2 1
3 4
4 3
5 6
6 5
7 8
8 7
9 10
10 9

- Primero, asignamos rangos a X y Y:

X Rangos X Y Rangos Y \(d_i\)= Rangos X − Rangos Y \(d_i^2\)
1 1 2 2 -1 1
2 2 1 1 1 1
3 3 4 4 -1 1
4 4 3 3 1 1
5 5 6 6 -1 1
6 6 5 5 1 1
7 7 8 8 -1 1
8 8 7 7 1 1
9 9 10 10 -1 1
10 10 9 9 1 1
 

- Ahora calculamos ρ o rs utilizando la fórmula de Spearman:

\(\rho = 1 - \frac{6 \sum d_i^2}{n(n^2 - 1)}== 1 - \frac{6*10}{10(10^2 - 1)}=1− 0.0606 = 0.9394\)

- Interpretación: El coeficiente de correlación de Spearman (\(\rho=0.9394\)) indica una fuerte correlación positiva monotónica entre las variables X y Y; entonces, a medida que los valores de X aumentan, los valores de Y también tienden a aumentar, estableciéndose una relación ordenada y consistente.


2. Ejemplo de cálculo de \(\rho\) para datos empatados: 

- Consideremos un ejemplo con las siguientes observaciones:

X Y
1 2
2 1
3 4
4 4
5 6
6 6
7 8
8 8

- Primero, asignamos rangos a X y Y, manejando los empates:

X Rangos X Y Rangos Y \(d_i\)= Rangos X − Rangos Y \(d_i^2\)
1 1 2 1.5 -0.5 0.25
2 2 1 1 1 1
3 3 4 3.5 -0.5 0.25
4 4 4 3.5 0.5 0.25
5 5 6 5.5 -0.5 0.25
6 6 6 5.5 0.5 0.25
7 7 8 7.5 -0.5 0.25
8 8 8 7.5 0.5 0.25
 
 
- Sumamos los cuadrados de las diferencias: 

\(\sum d_i^2 = 0.25 + 1 + 0.25 + 0.25 + 0.25 + 0.25 + 0.25 + 0.25 = 3\)

 
- Aplicamos la fórmula: 

\(\rho = 1 - \frac{6 \sum d_i^2}{n(n^2 - 1)}= 1 - \frac{6 \times 3}{8(8^2 - 1)}=1 – 0.0357 = 0.9643\)

 
- Interpretación: el coeficiente de correlación de Spearman (\(\rho\)) es 0.9643, indicando una fuerte correlación positiva monotónica entre las variables X y Y.


3. Ejemplo para determinar la significancia estadística: 

- Considerando el ejercicio anterior...

- Dado que:

\(n\) = 8
\(\rho\) = 0.9643

- Calculemos el estadístico de prueba \(t\):

\(t = 0.9643 \sqrt{\frac{8 - 2}{1 - 0.9643^2}}=0.9643 \times 9.316 \approx 8.98\)

- Determinamos el valor crítico:

Para α = 0.05 y n−2 = 6 grados de libertad, buscamos el valor crítico utilizando una tabla \(t\) o software estadístico, resultando el valor crítico de \(t\) aproximadamente 2.447.

- Comparamos el estadístico de prueba con el valor crítico:

Nuestro estadístico de prueba \(t\) ≈ 8.98 es mayor que el valor crítico de 2.447, por otro lado, al ubicar el p-valor, en una tabla \(t\)-student resulta ser muy pequeño (mucho menor a 0.05), indicando que la probabilidad de obtener el valor de \(\rho\) mediante el azar es extremadamente baja.

- Decisión:

Dado que \(t \) ≈ 8.98 es significativamente mayor que el valor crítico de 2.447 y p-valor es menor que α = 0.05, entonces, rechazamos la hipótesis nula H₀, lo que sugiere que hay una correlación significativa entre las variables X y Y. 

- Interpretación

El coeficiente de correlación de Spearman (\(\rho\) = 0.9643) es estadísticamente significativo e indica una fuerte correlación positiva entre las variables.



Referencias: (1), (2), (3), (4), (5), (6), (7), (8), (9).



5/6/21

COEFICIENTE DE CORRELACIÓN DE PEARSON






El coeficiente de correlación de Pearson, llamado también coeficiente de correlación lineal o \(r\) de Pearson, es una medida estadística paramétrica, que cuantifica significativamente la relación lineal entre dos variables cuantitativas. Este coeficiente fue desarrollado por Karl Pearson en 1895, para medir la fuerza y la dirección de la relación lineal entre variables cuantitativas, sus valores se encuentran entre -1 y +1, en el que -1 indica una correlación negativa perfecta, +1 una correlación positiva perfecta y 0 ausencia de correlación lineal y que, en su forma gráfica, mide como se agrupan los puntos de datos alrededor de una línea recta que representaría una correlación perfecta.

Entonces, la correlación lineal es un método que permite medir la intensidad de la relación lineal entre dos variables; cuando existe una correlación lineal positiva, ambas variables aumentan juntas, por el contrario, si es negativa, una variable disminuye a medida que la otra aumenta.
Existen coeficientes de correlación paramétricos, como la Correlación de Pearson (cuya distribución de datos debe cumplir ciertos supuestos para ser aplicados) y no paramétricos (aquellos conjuntos de datos que no necesitan cumplir supuestos), es importante seleccionar el coeficiente adecuado para obtener resultados válidos y evitar conclusiones equivocadas..

 

Definición Matemática

Calculamos \(r\) de Pearson a partir de covarianzas y varianzas:

 \[r_{XY} = \frac{\sigma_{XY}}{\sigma_X \sigma_Y} =\frac{Cov(X,Y)}{\sqrt{Var(X) * Var(Y)}}\]

 \[Cov(X,Y) = \frac{\sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})}{n}\]

 \[Var(X) = \frac{\sum_{i=1}^{n} (x_i - \bar{x})^2}{n}\]

 \[Var(X) = \frac{\sum_{i=1}^{n} (y_i - \bar{y})^2}{n}\]

 

Finalmente:

\[r_{XY} = \frac{\sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n} (x_i - \bar{x})^2 \sum_{i=1}^{n} (y_i - \bar{y})^2}}\]

Donde:
- \(x_i\) y \(y_i\) son los valores individuales de las variables de \(X\) y \(Y\), respectivamente.
- \(\bar{x}\) y \(\bar{y}\) son las medias de las variables \(X\) y \(Y\), respectivamente.
- \(n\) es el número de observaciones.


Supuestos

El coeficiente de correlación de Pearson es una medida paramétrica y para que la mayoría de las pruebas paramétricas sean válidas, deben cumplirse ciertos supuestos como:

a) Linealidad: La relación entre las variables debe ser lineal.

Hipótesis:
H₀: La relación entre las dos variables es lineal.
H₁: La relación entre las dos variables no es lineal.

Evaluación del supuesto:
Las pruebas más comunes para evaluar la linealidad son: pruebas de bondad de ajuste y la visualización mediante un gráfico de dispersión (scatter plot)

Interpretación:
Si p-valor > α, no se rechaza H₀ y se asume que la relación es lineal.
Si p-valor ≤ α, se rechaza H₀ y se concluye que la relación no es lineal.


b) Normalidad: Las dos variables deben ser continuas y aproximadamente normales.

Hipótesis:
H₀: Las dos variables están distribuidas normalmente.
H₁: Al menos una de las variables no está distribuida normalmente.

Evaluación del supuesto:
Las pruebas más usadas para comprobar la normalidad de las variables son: prueba de Shapiro-Wilk y prueba de Kolmogorov-Smirnov, además de la visualización mediante gráficos Q-Q (quantile-quantile plot).

Interpretación:
Si p-valor > α, no se rechaza H₀ y se asume que las variables son normales.
Si p-valor ≤ α, se rechaza H₀ y se concluye que las variables no son normales.


c) Independencia de las Observaciones: Las observaciones deben ser independientes.

Hipótesis:
H₀: Las observaciones son independientes entre sí.
H₁: Las observaciones no son independientes entre sí.

Evaluación del supuesto:
Generalmente se usa la prueba Durbin-Watson.

Interpretación:
Si p-valor > α, no se rechaza H₀. Se asume que las observaciones son independientes.
Si p-valor ≤ α, se rechaza H₀. Se concluye que las observaciones no son independientes.


d) Homocedasticidad (varianza constante): la variabilidad de los datos debe ser constante a lo largo del rango de valores, entonces, los errores no varían mucho cuando cambia el valor de las variables independientes.

Hipótesis:
H₀: La varianza de los errores es constante en todos los valores de las variables independientes.
H₁: La varianza de los errores no es constante en todos los valores de las variables independientes.

Evaluación del supuesto:
La comprobación de la homocedasticidad puede realizarse mediante pruebas como Breusch-Pagan y visualización con un gráfico de dispersión de residuos frente a los valores ajustados.

Interpretación:
Si p-valor > α, no se rechaza H₀ y se asume que existe homocedasticidad.
Si p-valor ≤ α, se rechaza H₀ y se concluye que existe heterocedasticidad.


INTERVALOS DE CONFIANZA

 

Fuente: Adaptado de "Uso de árboles de decisión para la estimación estadística" (C. Valdivieso, R. Valdivieso & O. Valdivieso; 2010)

 

Referencias: (1), (2), (3).


11/4/16

PRUEBA T-STUDENT PARA UNA MUESTRA




La prueba "t" de Student es una prueba paramétrica que permite comprobar la hipótesis de que una muestra pertenece a determinada población (población de referencia) mediante la diferencia de sus medias. Suele usarse para muestras de tamaño inferior a los 30 individuos en el estudio de variables cuantitativas.


PROCEDIMIENTO PARA EL CONTRASTE DE HIPÓTESIS:

1. Planteamiento de las hipótesis

- Bilateral (para dos colas)
H₀: µ = µ₀
H₁: µ ≠ µ₀

- Unilateral derecho (para una cola hacia la derecha)
H₀: µ ≤ µ₀
H₁: µ > µ₀

- Unilateral izquierdo (para una cola hacia la izquierda)
H₀: µ ≥ µ₀
H₁: µ < µ₀

2. Determinación del Nivel de significancia

- Para dos colas: α/2 (p.e. Si se trabaja al 95% de confianza: α/2 = 0.05/2 = 0.025)

- Para colas derecha e izquierda: α (p.e. si se trabaja al al  95% de confianza: α =  0.05)


3. Hallar t-calculada (tc )
µ =media de la población (media de referencia)
Ẋ = media de la muestra
n = tamaño de la muestra
S = Error estándar de la muestra

4. Determinar t-crítica (tα⁄2 )

Ubicar en la tabla de valores críticos para una o dos colas de “t-student” el valor que resulta de la intersección y gl (n-1) grados de libertad y α o α/2 según sea el caso.

5. Decisión

- Si t-calculada > t-crítica, rechazar la hipótesis nula Ho

- Si t-calculada ≤ t-crítica, no rechazar Ho (Aceptar hipótesis alterna H₁)


PROCEDIMIENTO EN SPSS:

1. Analizar > comparar medias > Prueba T para una muestra

2. Seleccionar la variable de interés (cuantitativa) y en valor de prueba: el tamaño de la media poblacional hipotético basado en antecedentes reales

3. Resultados:

a) tabla de estadísticos descriptivos: media, desviación estándar y error típico de la media (intervalos de confianza para la media)

b) Prueba t para una muestra:

- Valor t: o "t-calculada", comparar este valor con "t-critico" obtenido de la tabla t con “gl” grados de libertad y α=0.05 (95% de confianza)

- gl: grados de libertad, que es  la diferencia entre el tamaño de la muestra menos una unidad (n-1). Este valor permite ubicar la t-crítica en la tabla de valores "t-student"

- Sig. (p-valor): Significancia de la diferencia de medias (para comparar usaremos α =0.05)

- Diferencia de medias: diferencia entre el valor de referencia y la media muestral

- Intervalos de confianza: Se señala que con un 95% de confianza que la variable en estudio está comprendida por una población entre: media poblacional + inferior y media poblacional + superior

4. Decisión:

a)
- Si t-calculada > t-crítica, se rechaza H₀
- Si t-calculada ≤ t-crítica, no se rechaza H₀ (se acepta H₁)

b)
- Si p-valor ≤ α, se rechaza H₀
- Si p-valor > α, no se rechaza H₀

c)
- Si el intervalo de confianza (valor inferior – valor superior) no incluye el valor 0, se rechaza H₀


Referencias: fuente 1, fuente 2, fuente 3.

PRUEBA T-STUDENT PARA DOS MUESTRAS INDEPENDIENTES


Esta prueba permite comparar dos muestras independientes a través de la diferencia entre sus medias muestrales. Para su aplicación se debe cumplir tres supuestos.

Supuestos para analizar t student

a) que cada muestra según la variable de estudio, siga una distribución normal
b) que las varianzas sean homogéneas (homocedasticidad).
c) que las muestras sean independientes

Alternativas en caso de no cumplirse los supuestos:

a) Supuesto de normalidad:
- Eliminar los valores extremos
- Transformar los datos
- Usar la prueba U de Mann-Whitney

b) Supuesto de homogeneidad de varianzas
- Usar prueba no paramétrica
- Transformar los datos

c) Supuesto de independencia
- Usar prueba t para muestras relacionadas


PROCEDIMIENTO PARA EL CONTRASTE DE HIPÓTESIS:

1. Hipótesis estadística

- Bilateral (para dos colas)
H₀: µ₁ = µ₂  o  H₀: µ₁ - µ₂ =  0
H₁: µ₁ ≠ µ₂   o  H₁: µ₁ - µ₂ ≠ 0

- Unilateral derecho (para una cola hacia la derecha)
H₀: µ₁ ≤ µ₂  o  H₀: µ₁ - µ₂  ≤ 0
H₁: µ₁ > µ₂  o  H₁: µ₁ - µ₂ > 0

- Unilateral izquierdo (para una cola hacia la izquierda)
H₀: µ₁ ≥ µ₂  o  H₀: µ₁ - µ₂ ≥ 0
H₁: µ₁ < µ₂  o  H₁: µ₁ - µ₂ < 0

2. Determinación del nivel de significancia

- Para dos colas: α/2 (p.e. Si se trabaja al 95% de confianza: α/2 = 0.05/2 = 0.025)
- Para colas derecha e izquierda: α (p.e. si se trabaja al al  95% de confianza: α =  0.05)


3. Normalidad. Para el caso de muestras mayores a 30 individuos se debe usar la prueba Kolmogorov-Smirnov (K-S) y para muestras menores e iguales a 30 individuos se debe usar  la prueba de Shapiro-Wilk. Para saber si la variable en estudio se distribuye normalmente, hallar p-valor:

- Si p-valor ≥ α, los datos provienen de una distribución normal
- Si p-valor < α, los datos No provienen de una distribución normal

* En SPSS: Analizar > Estadísticos descriptivos > Explorar > Lista de pendientes (variable numerica) - Lista de factores (variable de agrupación o muestras) > Gráficos (seleccionar Gráficos con pruebas de normalidad) > Aceptar.

4. Igualdad de varianza. Prueba de Levene:

- Si p-valor ≥ α, Las varianzas son homogéneas
- Si p-valor < α, hay diferencia significativa de varianzas

* En SPSS: Analizar > Comparar medias > Prueba T para muestras independientes > Variables de prueba (Variable numérica) - Variable de agrupación (variable donde contiene a las muestras) > definir grupos (definir los valores de las etiquetas) > Opciones (definir el nivel de confianza) > Aceptar.

5. T de Student para muestras independientes. P-valor de T de Student:

- Si p-valor ≤ α, se rechaza H₀
- Si p-valor > α, no se rechaza H₀

* En SPSS: p-valor = Sig.


CÁLCULO DE LA PRUEBA T PARA DOS MUESTRAS INDEPENDIENTES:

1. Hallar t-calculada (tc):

a) Para muestras de tamaños y varianzas iguales

b) Para muestras de diferente tamaño y varianzas iguales

Donde:
Ẋ₁ y Ẋ₂ = medias muestrales
N₁ y N₂ = tamaños muestrales
S₁² y S₂² = Varianzas

c) Para muestras de tamaño y varianzas diferentes

2. Grados de libertad

3. Determinar t-crítica (t α⁄2)

Ubicar en la tabla de valores críticos para una o dos colas de “t-student” el valor que resulta de la intersección y gl (n-1 o n1+n2-2) grados de libertad y α o α/2 según sea el caso

4. Decisión:

- Bilateral: Si - t-tabulada (α/2) < t-calculada < t-crítica (α/2), entonces rechazar H₀
- Unilateral derecho: Si t-calculado > t-crítica entonces rechazar H₀
- Unilateral izquierdo: Si t-calculado < - t-crítica, entonces rechazar H₀


Ejemplos: ejemplo 1, ejemplo 2, ejemplo 3, ejemplo 4.

Referencias: Fuente 1, fuente 2, fuente 3.

22/4/14

PRUEBA CHI CUADRADO


La prueba χ² de Pearson es considerada como una prueba no paramétrica que mide la discrepancia entre una distribución observada y otra teórica (bondad de ajuste), indicando en qué medida las diferencias existentes entre ambas, de haberlas, se deben al azar en el contraste de hipótesis.

La prueba Chi-cuadrado se utiliza con dos tipos de hipótesis que se denominan:

a) Pruebas de independencia, Cuando queremos averiguar si dos variables o dos vías de clasificación son independientes estadísticamente (dos criterios de clasificación, con cuadros de doble entrada)

b) Pruebas de bondad de ajuste, Cuando queremos comprobar si una variable, cuya descripción parece adecuada, tiene una determinada función de probabilidad (un solo criterio de clasificación, como cuando tenemos un grupo de sujetos, o de objetos, subdividido en varias categorías).

Esta metodología también puede ser usada en pruebas de homogeneidad de muestras y varianzas.

Fórmula general:
Cuanto mayor sea el valor de χ², menos verosímil es que la hipótesis sea correcta. De la misma forma, cuanto más se aproxima a cero el valor de chi-cuadrado, más ajustadas están ambas distribuciones.

Definición de hipótesis:

a) En pruebas de bondad de ajuste

En una prueba de ajuste, la hipótesis nula establece que una variable X tiene una cierta distribución de probabilidad con unos determinados valores de los parámetros. El tipo de distribución se determina, según los casos, en función de: La propia definición de la variable, consideraciones teóricas al margen de esta y/o evidencia aportada por datos anteriores al experimento actual. A menudo, la propia definición del tipo de variable lleva implícitos los valores de sus parámetros o de parte de ellos; si esto no fuera así dichos parámetros se estimarán a partir de la muestra de valores de la variable que utilizaremos para realizar la prueba de ajuste.

Las hipótesis contrastadas en la prueba son:

Hipótesis nula (H0): X tiene distribución de probabilidad f(x) con parámetros y1,..., yp
Hipótesis alternativa (H1): X tiene cualquier otra distribución de probabilidad.

Es importante destacar que el rechazo de la hipótesis nula no implica que sean falsos todos sus aspectos sino únicamente el conjunto de ellos; por ejemplo, podría ocurrir que el tipo de distribución fuera correcto pero que nos hubiésemos equivocado en los valores de los parámetros.

b) En pruebas de independencia

La prueba chi-cuadrado de contingencia sirve para comprobar la independencia de frecuencias entre dos variables aleatorias, X e Y.

Las hipótesis contrastadas en la prueba son:

Hipótesis nula (H0): X e Y son independientes.
Hipótesis alternativa (H1): X e Y no son independientes (No importa cual sea la relación que mantengan ni el grado de esta).

Condición de independencia: X e Y son independientes si y sólo si para cualquier pareja de valores x e y la probabilidad de que X tome el valor x e Y el valor y, simultáneamente, es igual al producto de las probabilidades de que cada una tome el valor correspondiente. X e Y son independientes ⇔ ∀ x, y f(x,y) = f(x) • f(y).

Por tanto, todo lo que necesitamos serán unas estimas de las funciones de probabilidad de ambas variables por separado (f(x) y f(y)) y de la función de probabilidad conjunta (f(x,y))

Frecuencias observadas (o empíricas) y frecuencias teóricas (o esperadas)

En todos los casos es importante la distinción entre dos tipos de frecuencias (o número de casos) porque en definitiva lo que hacemos mediante el chi-cuadrado es comparar estos dos tipos de frecuencias.

a) Frecuencias observadas (también denominadas empíricas), que son las que observamos y anotamos.
b) Frecuencias teóricas (también denominadas esperadas), que son las más probables (y ciertamente las más claras) en el caso de no relación o no diferencia.

El χ² lo que nos dice es si las frecuencias observadas están dentro de lo probable en el caso de no asociación. A mayor valor de χ² corresponde una menor probabilidad, por eso con un valor grande de χ² diremos que ese resultado es muy improbable si no hubiera relación, y por lo tanto decimos que sí la hay.

Cálculo de frecuencias teóricas o esperadas

a) En pruebas de bondad de ajuste


Por ejemplo tenemos un grupo de 300 sujetos clasificados en una categoría (preferencia por un color) dividida en tres niveles (tres colores: verde, azul y rojo que pueden ser los colores del envase de un producto comercial). Estas son las frecuencias observadas, ¿Cuáles serían las frecuencias teóricas o esperadas si los tres colores fueran igualmente atrayentes? Los 300 sujetos se repartirían por igual, y cada color tocaría a 100 sujetos; las frecuencias teóricas son por lo tanto 300/3 = 100.

b) En pruebas de independencia

Las frecuencias teóricas de cada casilla son iguales al producto de las sumas marginales dividido por el número total de sujetos (regla de tres simple). En el caso de dos categorías con dos niveles de tendríamos:


En este caso de cuatro casillas (tabla 2x2) interesa saber si todas las frecuencias teóricas son superiores a 5; ya que es recomendable que las frecuencias teóricas no sean muy pequeñas.

Cuando hay más de cuatro casillas, es necesario calcular todas las frecuencias teóricas.

Grados de libertad

Es el número de valores que pueden variar libremente manteniendo o imponiendo previamente unas determinadas restricciones a los datos. Dicho de una manera más sencilla, los grados de libertad son igual al número de valores o datos que pueden variar libremente dado un determinado resultado (o resultados). La Distribución Chi Cuadrada tiende a ser simétrica, a medida que los grados de libertad aumentan.


En los planteamientos más frecuentes se calculan de este modo:

a) En Pruebas de bondad de ajuste

Grados de libertad = k -1. [número de categorías menos una]

Por ejemplo, 300 sujetos están clasificados según elijan A, B o C (tres categorías de clasificación) los grados de libertad serán 3-1 = 2. Si partimos de un total de 300 sujetos divididos en tres categorías, en dos de ellas podemos poner cualquier número (sus frecuencias pueden variar libremente) pero en la tercera ya no hay libertad para poner cualquier valor: habrá que poner lo que nos falte para llegar a 300.

b) En Pruebas de independencia
Es decir, tenemos varias columnas y varias filas:

Grados de libertad = (f -1)(c -1). [número de filas menos una POR número de columnas menos una].


Por ejemplo, en un cuadro 2x2: dos columnas (hombre/mujer) y dos filas (sí/no), los grados de libertad serán (2-1)(2-1) = 1. En este caso partimos, como datos fijos y previos, de los totales marginales; estas son las restricciones. En una tabla 2x2, con cuatro clasificaciones, podemos variar libremente solamente la frecuencia (número) de una de las casillas: las demás vendrán forzadas para mantener los totales marginales (si partimos de que a + b = 90, uno de los dos, a ó b, pueden variar libremente, pero el otro valor debe ser necesariamente lo que falte para llegar a 90).

Nivel de significancia

α = Nivel de Significancia

En estadística, un resultado se denomina estadísticamente significativo cuando no es probable que haya sido debido al azar. Son comunes los niveles de significancia del 0,05, 0,01 y 0,1. En algunas situaciones es conveniente expresar la significancia estadística como percentil 1 − α. Este valor hace referencia al nivel de confianza que deseamos que tengan los cálculos de la prueba; es decir, si queremos tener un nivel de confianza del 95%, el valor de alfa debe ser del 0.05, lo cual corresponde al complemento porcentual de la confianza. Si un contraste de hipótesis proporciona un valor P inferior a α, la hipótesis nula es rechazada, siendo tal resultado denominado “estadísticamente significativo”. Cuanto menor sea el nivel de significancia, más fuerte será la evidencia de que un hecho no se debe a una mera coincidencia (al azar)

Regla de decisión

Se compara el χ2 calculado con el χ2 crítico tabulado (de la tabla de valores críticos chi cuadrado) en función del nivel de significación y del número de grados de libertad. Y si se tiene que:

1. χ2 calculado > χ2 crítico tabulado

Entonces se rechaza H0 (hipótesis nula), por lo tanto se concluye:

a) Para prueba de bondad de ajuste: La variable X, no se ajusta a la distribución de probabilidad propuesta, es decir, que las diferencias entre los valores esperados y los observados reflejan no solo el efecto del azar, sino también, que las frecuencias teóricas o esperadas (E) no son realmente, los valores esperados de las frecuencias.

b) Para prueba de independencia: Las variables X e Y, al nivel de significancia α, no son independientes o existe asociación entre las variables medidas al grupo de individuos.

 
2. χ2 calculado < χ2 crítico tabulado

Entonces no se rechaza H0, por lo tanto, se dice que:

a) Para prueba de bondad de ajuste. La variable X, provienen de la distribución de probabilidad f(x) con parámetros y1,..., yp . Las diferencias entre valores observados y esperados son atribuibles, exclusivamente, al efecto del azar. En estas condiciones, se puede calcular un parámetro que depende de ambos, cuya distribución se ajusta a una chi-cuadrado.

b) Para prueba de independencia. que las variables X e Y al nivel de significancia α, son independientes o que no parece existir asociación entre las variables estudiadas en el grupo de individuos.


Consideraciones importantes:

- La prueba chi cuadrado es un método muy utilizado y muy útil cuando los datos disponibles son realmente nominales (o categóricos), lo único que sabemos de los sujetos es en qué categoría podemos clasificarlos.

- Frecuentemente sabemos algo más de los sujetos: no solamente, por ejemplo, si están por encima o por debajo de la media (o apto o no apto) sino una puntuación exacta. O los tenemos clasificados según respuestas que admiten un código en números (como nada, poco, mucho… que pueden equivaler a 1, 2 y 3). Muchas veces el uso de chi-cuadrado supone una pérdida de información, y debemos preguntarnos si en vez de o además de esta prueba, no disponemos de otros métodos preferibles de análisis (como puede ser un coeficiente de correlación) porque aprovechamos mejor la información que de hecho tenemos.

- La prueba chi-cuadrado es muy sensible al número de sujetos (como sucede en todas las pruebas de significación estadística). Con facilidad obtenemos unos valores no solamente estadísticamente significativos, sino de una magnitud muy grande. Esto no quiere decir que la diferencia o la relación sea grande, puede ser muy pequeña. Como otros métodos de análisis que nos remiten a una probabilidad, conviene calcular siempre algún coeficiente que nos cuantifique mejor la magnitud de la relación o de la diferencia. En tablas 2x2 y con datos genuinamente dicotómicos, el coeficiente φ es el preferible.

- El encontrar un valor significativo de chi-cuadrado no quiere decir que haya una relación lineal entre las dos variables que han servido para clasificar a los sujetos (es decir que a más de una más de la otra, cuando tenga sentido hablar de más y menos). Para interpretar bien los resultados hay que observar las frecuencias, y ayuda el convertirlas en porcentajes con respecto a los totales marginales.

- Cuando el número total de sujetos es muy pequeño (N < 20), podemos aplicar la prueba exacta de Fisher, que no requiere ningún cálculo, sino simplemente consultar las tablas apropiadas.

- En contrastes de independencia, para que se pueda considerar correcta la significación calculada por el estadístico chi-cuadrado, se debe cumplir que las frecuencias esperadas no sean muy pequeñas (inferiores a 5) mas que en unas pocas casillas. Si es en muchas casillas donde esto ocurre (mas del 20% por ejemplo) se debe usar una prueba que no incluya aproximaciones, como la prueba exacta de Fisher.

- Si las muestras son muy grandes, la prueba de independencia dará resultados significativos, es conveniente una inspección visual para confirmar si las diferencias observadas por filas (o columnas) que nos parece de interés.

- Si una de las variables es numérica u ordinal, posiblemente queramos hacer algo mas que contrastar la independencia, lo aconsejable es usar pruebas de tipo T-Student, Anova o contrastes no paramétricos.

-El contraste de Chi-cuadrado sirve para contrastar independencia, no hay que considerarla como una medida de la asociación entre variables. Si buscamos estudiar la asociación entre variables tenemos otros métodos a nuestra disposición como regresión logística.

- La corrección de Yates se aplica a la prueba chi-cuadrado cuando al menos el valor de una frecuencia esperada es menor que 5. En general, se aplica la corrección de Yates o también corrección por continuidad cuando aproximamos una variable discreta a una distribución continua.


Fuentes: 1, 2, 3, 4, 5.