Mindware. Herramientas para pensar mejor by Richard E. Nisbett

autor:Richard E. Nisbett [Nisbett, Richard E.]
La lengua: spa
Format: epub
editor: Debate
publicado: 2016-05-04T22:00:00+00:00

RECAPITULACIÓN

Las suposiciones tienden a estar equivocadas. Y si no lo están, es una estupidez confiar en ellas cuando no es difícil someterlas a prueba. El test A/B es en principio tan simple que lo entiende un niño: definir un procedimiento que queremos examinar, establecer una condición de control, lanzar una moneda al aire para determinar quién (o qué) va a recibir qué tratamiento y ver lo que sucede. Una diferencia encontrada empleando un diseño aleatorio establece que algo en el manejo de la variable independiente tiene una influencia causal en la variable dependiente. Una diferencia encontrada usando métodos correlacionales no puede garantizar que la variable independiente produzca realmente un efecto en la variable dependiente.

Los diseños correlacionales son endebles porque el investigador no ha asignado los casos a su condición. Por ejemplo, multitud de deberes escolares versus unos pocos, anuncios en la radio versus circulares, altos ingresos versus bajos ingresos. Si no asignamos aleatoriamente casos —personas, o animales, o terrenos agrícolas— a una condición, abrimos las puertas a toda clase de incertidumbres. Los casos en un nivel de la variable independiente pueden diferir de los casos en otro nivel de diversas maneras, algunas de las cuales pueden ser identificadas y algunas otras no. Algunas de las variables medidas, o de las variables no medidas, o de las solo concebidas, pueden estar produciendo el efecto en vez de la variable independiente de interés. Y puede ocurrir que la variable que se presume dependiente esté realmente produciendo diferencias en la variable que se presume independiente.

Cuanto mayor es el número de casos —personas, terrenos agrícolas, etc.—, tanto mayor es la probabilidad de que encontremos un efecto real y tanto menor la probabilidad de que «encontremos» un efecto que no existe. Si algún tipo de test estadístico muestra una diferencia de tal magnitud que se producirá menos de una vez de veinte por casualidad, decimos que es significativa en el nivel 0,05. Sin dicho test, a menudo no podemos saber si un efecto debe considerarse real.

Si asignamos cada caso a todos los tratamientos posibles, nuestro diseño será más sensible. Es decir: una diferencia de una magnitud determinada hallada por un diseño intra es más probable que sea estadísticamente significativa cuando es detectada en un diseño inter. Ello se debe a que todas las posibles diferencias entre dos casos han sido controladas, dejando solo la diferencia de tratamiento como posible causa de la relación.

Es crucial considerar si los casos que examinamos (personas, en el caso de una investigación sobre seres humanos) podrían influir unos en otros. Siempre que un caso determinado pueda haber influido en otros casos, de manera que cualquier caso podría haber tenido una repercusión en otros casos, hay una falta de independencia estadística. N es el número de casos que no pueden influir unos en otros. El aula A tiene una N que no es el número de niños que hay en ella, sino que es 1. (Habría una excepción si la influencia pudiera considerarse con seguridad que es mínima o inexistente, como cuando los alumnos hacen un examen en un aula con cubículos donde no pueden hablar unos con otros.

descargar

Descargo de responsabilidad:
Este sitio no almacena ningún archivo en su servidor. Solo indexamos y enlazamos.                                                  Contenido proporcionado por otros sitios. Póngase en contacto con los proveedores de contenido para eliminar el contenido de derechos de autor, si corresponde, y envíenos un correo electrónico. Inmediatamente eliminaremos los enlaces o contenidos relevantes.