Com estatísticas inferenciais, você está tentando chegar a resoluções que ultrapassam a informação rápida sozinho. Por exemplo, utilizamos as estatísticas para tentar supor a partir do exemplo de informação o que a população pode pensar. Ou, por outro lado, utilizamos as estatísticas inferenciais para tomar decisões sobre a probabilidade de que uma distinção observada entre reuniões é uma distinção confiável ou que pode ter ocorrido por acaso neste exame. Assim, nós utilizamos insights inferenciais para fazer deduções de nossas informações para condições progressivamente amplas; utilizamos medidas esclarecedoras basicamente para retratar o que está acontecendo em nossas informações.

Aqui, eu me concentro em estatísticas inferenciais que são úteis na estrutura de pesquisa de ensaios e semi-testes ou na avaliação de resultados de programas. Talvez um dos testes inferenciais menos difíceis seja utilizado quando você precisa pensar sobre a execução normal de duas reuniões em uma medida solitária para verificar se há uma distinção. Você deve saber se os jovens do oitavo ano variam nos resultados dos testes de matemática ou se uma reunião do programa varia na medida do resultado de uma reunião de controle. Em qualquer ponto que você queira pensar sobre a execução normal entre duas reuniões, você deve considerar o teste t para contrastes entre as reuniões.

A maior parte dos principais insights inferenciais provém de um grupo geral de modelos mensuráveis conhecidos como Modelo Linear Geral. Este incorpora o teste t, Análise de Variância (ANOVA), Análise de Covariância (ANCOVA), investigação de recidivas, e uma considerável quantidade de técnicas multivariadas como o exame fatorial, escalonamento multidimensional, exame de grupo, exame de trabalho discriminante, etc. Dado o significado do Modelo Linear Geral, é um pensamento inteligente para qualquer cientista social genuíno se sentir confortável com suas operações. A fala do Modelo Linear Geral aqui é extremamente rudimentar e considera apenas o modelo de linha reta menos complexo. Seja como for, ele o familiarizará com a possibilidade do modelo direto e o ajudará a se preparar para os exames mais intrincados descritos abaixo.

Uma das chaves para ver como as reuniões são pensadas é exemplificada na ideia da variável “fictícia”. O nome não propõe que estamos a utilizar variáveis que não são astuciosas ou, de longe mais terríveis, que o examinador que as utiliza é um “fictício”! Talvez estas variáveis sejam melhor retratadas como variáveis “intermediárias”. Basicamente, uma variável falsa é aquela que utiliza números discretos, normalmente 0 e 1, para falar em vários encontros no seu exame. Variáveis fictícias são um pensamento simples que permite que algumas coisas verdadeiramente confusas ocorram. Por exemplo, ao incluir uma variável falsa direta em um modelo, posso exibir duas linhas separadas (uma para cada coleta de tratamento) com uma condição solitária. Para perceber como isto funciona, veja a troca em variáveis fictícias.

Um dos exames mais significativos nas avaliações de resultados de programas inclui contrastar o conjunto de programas e não-programas sobre a variável ou fatores de resultado. A forma como o fazemos depende da estrutura de exame que usamos. Os planos de pesquisa são divididos em dois tipos significativos de estruturas: teste e semi-teste. Uma vez que os exames variam para cada um deles, eles são exibidos de forma independente.

Análise Exploratória. O exame simples e aleatório de dois lotes é normalmente investigado com o teste t básico ou ANOVA de direção única. As estruturas factoriais do estudo são normalmente investigadas com o Modelo de Análise de Variância (ANOVA). Os desenhos de blocos aleatórios utilizam um tipo incomum de modelo de bloqueio de ANOVA que utiliza fatores codificados falsos para falar com os quadrados. A Análise de Covariância do Desenho Experimental utiliza, como qualquer pessoa pode esperar, o modelo de Análise de Covariância mensurável.

Análise Semi Experimental. As estruturas de semi-teste variam desde as estruturas de teste, na medida em que não utilizam tarefas arbitrárias para atribuir unidades (por exemplo, indivíduos) a reuniões de programas. A ausência de tarefa arbitrária nestes planos irá, em geral, convoluir o seu exame de forma impressionante. Por exemplo, para dissecar o Desenho de Grupos Não Equivalentes (NEGD), precisamos modificar as notas do pré-teste para erro de estimativa no que é regularmente chamado de Análise de Covariância Corrigida por Confiabilidade. No Desenho de Regressão-Descontinuidade, devemos estar particularmente preocupados com a curvilinearidade e com a falsa especificação do modelo. Portanto, utilizaremos em geral uma abordagem de exame preservacionista que depende de uma recidiva polinomial que começa por sobreajustar a presumível capacidade genuína e, depois disso, diminuir o modelo em função dos resultados. O Desenho do Deslocamento do Ponto de Regressão tem apenas uma unidade de tratamento solitário. Por e por, o exame da configuração do RPD depende directamente do modelo habitual da ANCOVA.

No momento em que você explorar esses diferentes modelos de diagnóstico, você verá que todos eles são originários de uma família semelhante – o Modelo Linear Geral. A compreensão desse modelo irá longe para familiarizá-lo com as complexidades da investigação da informação em ambientes de investigação aplicada e social.