¡Es significativo! ¿Qué es eso? La estadística inferencial

Ahora que hemos visto qué es la estadística en general y a su vez una de sus ramas la estadística descriptiva, prosigamos con el otro gran tipo de estadística. En el post de hoy, definiremos fácilmente la estadística inferencial y presentaremos ejemplos de cuándo este tipo de estadística se usa.

Adicionalmente, mencionaremos los conceptos básicos de esta y expondremos algunos conceptos para determinar inferencias. Aquí, no se explicará en detalle cada uno de los conceptos ya que le dedicaremos un post individual a cada uno de ellos. Considero que este post es un gran paso para comprender la estadística en psicología y en otras ciencias ya que este tipo es el más utilizado para llegar a conclusiones sobre el comportamiento, lo que piensa y siente la gente.

Bueno, mucha introducción vamos a lo nuestro: La estadística inferencial pretende inferir u obtener conclusiones que se pueden generalizar a toda la población a partir del estudio de una muestra (o grupo más pequeño).

En ese caso, si ponemos un ejemplo sencillo imagínense que quieren pintar las paredes de su casa. Ustedes van a comprar la pintura y les suelen enseñar una paleta de colores con “muestras de colores” para que ustedes escojan una para luego comprar el galón de pintura y pintar toda la pared. En el caso de la estadística inferencial la lógica es muy parecida. De un grupo más pequeño (o muestra de pintura) quieren ver como sería toda la pared (la población). ¿Ven? Es bastante sencillo, ¿no? Continuemos usando el mismo ejemplo de pintar las paredes de la casa. Para pintar la casa, ustedes necesitan una serie de implementos como por ejemplo: la muestra, comprar la brocha, el rodillo y el galón de pintura (o contratar a una persona que tenga todos estos implementos). Los implementos de la estadística inferencial son: la pregunta de investigación que se quiere responder, los objetivos del estudio, en otras palabras cómo se va a responder esa pregunta, una hipótesis de qué puede pasar,  la muestra de personas que se quiere estudiar, las técnicas estadísticas a utilizar y el muy conocido valor “p” que en SPSS es mejor conocido como “la significación”.

Vamos a un ejemplo: Ustedes investigadores o personas curiosas, quieren averiguar si existen diferencias en el bienestar psicológico entre un grupo de 50 personas (muestra A) que tienen mascotas en comparación con otro grupo de 50 individuos (muestra B) que nunca ha tenido una mascota. Para ello, es necesario tomarle una prueba de bienestar psicológico a ambos grupos y obtener el promedio de cada grupo por separado. La lógica nos diría “genial, ahora solo miro los puntajes promedio y el puntaje más alto es el que tiene más bienestar”, ¡pues no! :)). Si se compara sólo los promedios, sólo se sabrá que un grupo tiene un puntaje promedio mayor que el otro, nada más.

Sin embargo, no podremos saber si es que esta diferencia se ha dado por otros motivos que no conocemos o simplemente por el “azar”. Puede ser que justo ese día las personas que no tienen mascotas les fue excelente en el trabajo o que alguno se ganó la lotería y por eso escribió en la prueba que su bienestar psicológico es altísimo. Por ende, mirar solo los promedios no es suficiente. En ese caso, ¿qué hacemos? Lo que tenemos que hacer es plantear hipótesis o plantear una prueba de hipótesis. 

¿Qué es esto? Muy sencillo, es literalmente proponer hipótesis si es que nuestro resultado se va a dar o no. En otras palabras, contrastar dos hipótesis.  En el ejemplo, anterior de las mascotas y el bienestar podríamos mencionar las siguientes hipótesis: 1) Que no hay diferencia entre el grupo A y el grupo B 2) Que sí hay diferencias pero no sabemos quién tendrá un promedio mayor, o quizás que las personas que tienen mascotas (grupo A) tendrán mayor bienestar psicológico que las que no (grupo B). Esto depende de ustedes, lo importante es que contrasten una hipótesis con otra para simplificar el tema. Si alguien está interesado en la nomenclatura matemática de esto puede ir a la parte de comentarios y ahí lo encontrará. Recuerden, este blog intenta explicar con palabras sencillas la estadística pero si alguien tiene interés en la terminología puede ir siempre a la parte de comentarios. Ok, luego que tienen sus hipótesis planteadas ahora la idea es probar cuál hipótesis se va a cumplir.

¿Cómo se hace esto? Con el valor “p”. ¿Qué es esto? En términos banales, El valor p, es la probabilidad que la primera hipótesis sea cierta. Sin embargo, en palabras más técnicas, es la probabilidad que uno tiene para poder rechazar la primera hipótesis (que no hay diferencias entre los grupos).

El valor p, va de 0 = 0% a 1, que es igual a 100%. En general, en psicología y en otras ciencias sociales se usa 5% como la probabilidad límite para poder rechazar esta primera hipótesis. Por eso, nuestro profesor de estadística nos dice que debemos ver la significación del SPSS y si esta es menor a 0.05 (que en realidad es 5%), podemos rechazar la primera hipótesis. Luego que rechazamos la hipótesis podemos decir que nuestro resultado es significativo, en otras palabras, que hay más de 95% de probabilidad que nuestra segunda hipótesis (que hay diferencias en el bienestar psicológico en las personas que tienen mascotas en comparación con las que no) se pueda dar en la realidad. Dicho de otro modo, que existe menos de 5% de probabilidad que nuestra primera hipótesis (que no hay diferencias en el bienestar entre el grupo de propietarios de mascotas y el grupo que nunca ha tenido una mascota) se cumpla en la realidad.

Bueno, creo que ha sido bastante por hoy. En general, en la estadística inferencial hay millones de pruebas para hacer inferencias: pruebas t, ANOVAS, Correlaciones, Regresiones lineales y logísticas, ecuaciones estructurales, etc. Vamos a ir viendo un análisis a la vez y de a pocos. Para el siguiente post veremos algo relacionado a los valores significativos y cuáles son los tipos de errores más comunes que se pueden cometer en estadística. En otras palabras, el error tipo 1 y el error tipo 2. Para los que llegaron acá ¡Los felicito! ¡Muy buen trabajo! Espero volverlos a tener aquí en el blog y no duden en comentar o preguntar si tienen alguna pregunta.

¡Buenas vibras para todos!

¡Hasta la vista!

Bibliografía recomendada

Sirkin, M. (2006). Statistics for the social sciences. Sage: UK

Advertisement