CLASIFICACIÓN DE LAS TÉCNICAS ESTADÍSTICAS
Las técnicas estadísticas pueden clasificarse en univariadas y multivariadas. Las técnicas univariadas son recomendables cuando hay una sola medición para cada elemento de la muestra, o cuando hay varias mediciones para cada elemento pero cada variable se analiza por separado. Por otro lado, las técnicas multivariadas son convenientes para el análisis de los datos, cuando hay dos o más mediciones de cada elemento y las variables se analizan al mismo tiempo. Las técnicas multivariadas se interesan en las relaciones simultáneas entre dos o más fenómenos. Difieren de las técnicas univariadas en el hecho de que no se concentran en los niveles (promedios) y las distribuciones (varianzas) del fenómeno, sino en la medida de las relaciones (correlaciones o covarianzas) entre esos fenómenos. Las técnicas univariadas pueden clasificarse en función de si los datos son métricos o no datos métr métrii cos se miden en una escala de intervalo o de razón. Los datos no métricos. Los datos métricos se miden en una escala nominal u ordinal. Dichas técnicas también se clasifican de acuerdo con el uso de una, dos o más muestras. Advierta que aquí el número de muestras se determina según la forma en que se tratan los datos para propósitos del análisis, y no en función de la manera en que se recolectaron los datos. Por ejemplo, los datos para los hombres y las mujeres pueden haber sido recolectados como una sola muestra; pero si el análisis implica un examen de las diferencias sexuales, se usarán ndependii entes entes si se toman al azar de diferentes técnicas para dos muestras. Las muestras son i ndepend poblaciones. Para propósitos del análisis, los datos que conciernen a diferentes grupos de encuestados (por ejemplo, hombres y mujeres) por lo general se tratan como muestras par eadas cuando los datos de las dos muestras independientes. Por otro lado, las muestras son pa se relacionan con el mismo grupo de encuestados. En el caso de los datos métricos, cuando ha y una única muestra, pueden usarse las pruebas z y t . Cuando hay dos o más muestras independientes, pueden usarse las pruebas z y t para para las dos muestras y un análisis de varianza de un factor (ANOVA de un factor) para más de dos muestras. En el caso de dos o más muestras relacionadas, puede usarse la prueba t pareada. pareada. En el caso de los datos no métricos que impliquen una sola muestra, puede usarse la distribución de frecuencias, chi-cuadrada, la pru eba de Kolmogorov-Smirnov (K-S), corridas y pruebas binomiales. Para dos muestras independientes con datos no métricos, pueden usarse la chi cuadrada, la prueba de Mann-Whitney, Mann -Whitney, la mediana, K-S, y el análisis de varianza de un factor de Kruskal-Wallis (K-W ANOVA). En contraste, cuando hay dos o más muestras relacionadas deben usarse pruebas de signos, McNemar y Wilcoxon (figura 1).
F igura 1: Clasificación de las técnicas univariadas
Las técnicas estadísticas multivariadas se clasifican como técnicas de dependencia o de interdependencia (figura 2). Las técni cas de dependencia son adecuadas cuando es posible identificar a una o más variables como variables dependientes y al resto como variables independientes. Cuando hay una sola variable dependiente, se puede utilizar la tabulación cruzada, el análisis de varianza y covarianza, la regresión, el análisis discriminante de dos grupos y el análisis conjunto. Sin embargo, si hay más de una variable dependiente, las técnicas apropiadas serían el análisis multivariado de varianza y covarianza, la correlación canónica y el análisis discriminante múltiple. En las técnicas de interdependencia, las variables no se clasifican como dependientes o independientes; más bien se examina todo el conjunto de relaciones de interdependencia. Estas técnicas se enfocan en la interdependencia de las variables o en la semejanza entre objetos. La principal técnica para estudiar la interdependencia de las variables es el análisis factorial. El análisis de la semejanza entre objetos puede realizarse usando el análisis de conglomerados y el escalamiento multidimensional.
F igura 2: Clasificación de técnicas multivariadas