Con las estadísticas inferenciales, se intenta llegar a resoluciones que sobrepasen la información rápida por sí sola. Por ejemplo, utilizamos las estadísticas para intentar conjeturar a partir de la información de ejemplo lo que la población puede pensar. O, por otra parte, utilizamos estadísticas inferenciales para tomar decisiones sobre la probabilidad de que una distinción vigilada entre las reuniones sea fiable o que pueda haber ocurrido por casualidad en este examen. Por lo tanto, utilizamos las percepciones inferenciales para hacer deducciones de nuestra información a las condiciones progresivamente amplias; utilizamos las mediciones esclarecedoras básicamente para retratar lo que está sucediendo en nuestra información.

Aquí me centro en las estadísticas inferenciales que son útiles en la estructura de investigación de ensayos y semi ensayos o en la evaluación de los resultados de los programas. Tal vez una de las pruebas inferenciales menos difíciles se utiliza cuando se necesita pensar en la ejecución normal de dos reuniones en una medida solitaria para comprobar si hay una distinción. Debes saber si los jóvenes de octavo grado y las jovencitas varían en las puntuaciones de los exámenes de matemáticas o si la reunión de un programa varía en la medida de los resultados de una reunión de control. En cualquier momento que desee pensar en la ejecución normal entre dos reuniones debe considerar la prueba t de contrastes entre reuniones.

La mayor parte de las principales percepciones inferenciales se originan en un grupo general de modelos medibles conocidos como el Modelo Lineal General. Esto incorpora la prueba t, el Análisis de Varianza (ANOVA), el Análisis de Covarianza (ANCOVA), la investigación de reincidencia, y una considerable cantidad de técnicas multivariantes como el examen de factores, el escalamiento multidimensional, el examen de grupo, el examen de trabajo discriminante, etc. Dada la importancia del Modelo Lineal General, es un pensamiento inteligente para cualquier científico social genuino para sentirse cómodo con sus operaciones. La charla del Modelo Lineal General aquí es extremadamente rudimentaria y sólo considera el modelo de línea recta menos complejo. Sea como fuere, le permitirá conocer la posibilidad del modelo directo y le ayudará a prepararse para los exámenes más intrincados que se muestran debajo.

Una de las claves para ver cómo se piensa en las reuniones se ejemplifica en la idea de la variable “dummy”. El nombre no propone que estemos utilizando variables que no son astutas o, lo que es mucho más terrible, que el examinador que las utiliza es un “tonto”! Tal vez estas variables serían mejor retratadas como variables “intermediarias”. Básicamente una variable falsa es aquella que utiliza números discretos, normalmente el 0 y el 1, para hablar a varias reuniones en su examen. Las variables ficticias son un pensamiento directo que permite que ocurran algunas cosas realmente confusas. Por ejemplo, al incluir una variable falsa sencilla en un modelo, puedo mostrar dos líneas separadas (una por cada reunión de tratamiento) con una condición solitaria. Para percibir cómo funciona esto, mira el intercambio de variables ficticias.

Uno de los exámenes más significativos en la evaluación de los resultados de los programas incluye el contraste del grupo de programas y no programas en la variable o factores de resultados. La forma en que lo hacemos depende de la estructura de examen que utilizamos. Los planes de investigación se dividen en dos tipos de estructuras significativas: prueba y semi prueba. Dado que los exámenes varían para cada uno, se muestran de forma independiente.

Análisis exploratorio. El examen sencillo de dos grupos de postes, sólo aleatorio, se investiga típicamente con la prueba básica de la t o el ANOVA de una sola dirección. Las estructuras de ensayo factoriales se investigan normalmente con el Modelo de Análisis de Varianza (ANOVA). Los diseños de bloques aleatorios utilizan un tipo poco común de modelo de bloqueo ANOVA que utiliza factores codificados falsos para hablar a los cuadrados. El Análisis de Diseño Experimental de Covarianza utiliza, como cualquiera podría esperar, el modelo medible de Análisis de Covarianza.

Análisis Semi Experimental. Las estructuras de semi prueba varían de las de prueba en el sentido de que no utilizan tareas arbitrarias para asignar unidades (por ejemplo, individuos) para programar reuniones. La ausencia de tareas arbitrarias en estos planes en general enreda su examen de manera impresionante. Por ejemplo, para diseccionar el Diseño de Grupos No Equivalentes (NEGD) necesitamos modificar las puntuaciones de las pruebas preliminares por error de estimación en lo que regularmente se llama un modelo de Análisis de Covarianza de Confiabilidad Corregida. En el Diseño de Regresión-Discontinuidad, deberíamos estar particularmente preocupados por la curvilinealidad y la especificación errónea del modelo. Por lo tanto, en general utilizaremos un enfoque de examen preservativo que depende de la recaída polinómica, que comienza por sobredimensionar la capacidad genuina presumible y después disminuye el modelo dependiente de los resultados. El Diseño de Desplazamiento de Punto de Regresión tiene sólo una unidad tratada en solitario. Con el tiempo, el examen de la configuración del RPD depende directamente del modelo habitual de ANCOVA.

En el momento en que hayas explorado estos diferentes modelos de diagnóstico, verás que todos ellos se originan en una familia similar – el Modelo Lineal General. La comprensión de ese modelo permitirá conocer mejor las complejidades de la investigación de la información en los ámbitos de la investigación aplicada y social.