MODELOS ESTADÍSTICOS 1

Modelos estadísticos

Reinel Maya Ojeda

Universidad ETAC, Campus Chalco

Licenciatura: Ciencias de la Educación

Materia: Evaluación Cuantitativa

Profesor: Ing. Luis R. Chávez Pérez

Fecha: 7 de febrero de 2018

Índice

Introducción 3

Desarrollo 4

Conclusiones 7

Referencias 8
MODELOS ESTADÍSTICOS 3

Introducción

Estamos en un mundo donde a pesar de la singularidad y las diferencias individuales

encontramos seriaciones y patrones entre grupos de cosas, fenómenos o seres que lo habitan.

Pensemos solamente en una parvada de aves, en la minuciosa perfección de una estructura

arquitectónica, en todos los ciclones que durante este año azotarán diferentes regiones, en las

miles y miles de células de nuestro cuerpo, en la cantidad de seres humanos que habitan en la

tierra; cada ave, cada ladrillo, cada ciclón, cada una de las microscópicas células y cada ser

humano es único, diferente, irrepetible, y aun así, forman parte de un sistema que lo contiene

entre semejantes. Hay técnicas que se han ido desarrollando con el tiempo para contabilizar,

distinguir, inferir, controlar y advertir el comportamiento de fenómenos en la realidad. Se han

creado prototipos y modelos para reproducir en menor escala un fenómeno de gran magnitud

en la naturaleza. En un final, aunque cada ave es diferente, la parvada se comporta como un

solo organismo vivo; aunque cada ladrillo de un muro es único, a su vez forma junto a los

otros una única realidad; aunque cada ciclón por venir sea de singulares magnitudes, todos

tienen algo en común y pueden estudiarse bajo unos criterios universales y predecibles;

aunque cada célula de nuestra piel -por ejemplo- es diferente a las otras, hay algo que las hace

a todas juntas piel y no cabello; y aunque cada ser humano aquí o en China es rotundamente

particular e irrepetible, todos tenemos un comportamiento y una manera de ser “humanos”

que nos asemeja y envuelve. Conocer los comportamientos de diferentes muestras de

población, más que contarlas y medirlas, es lo que ha sido el interés de la estadística. Una

ciencia relativamente joven, con un método propio y la aspiración por controlar todo

fenómeno empíricamente posible. Con este trabajo realizaremos un acercamiento a los

diferentes métodos estadísticos. ¿Cuál es su origen y fundamento? Penetraremos el

pensamiento de algunos de sus exponentes; y sin detenernos tanto en cuestiones técnicas,

desentrañaremos puntos neurálgicos en la pretensión y diseño de un modelo estadístico.

Desarrollo

La estadística es una ciencia que vio la luz con el desarrollo del pensamiento positivo; y

aunque así como la conocemos hoy se le atribuye a Fisher y Pearson, antes del siglo XX, e

incluso antes de nuestra Era, ya habían aparecido manifestaciones de corte estadístico.

Medeiros (2007), refiere que “nació con los negocios del Estado [Status, en latín], de ahí su

nombre” [transcripción mía] (p. 16).Y podemos definirla como “un conjunto de técnicas y

métodos de investigación que entre otros tópicos abarca la planificación de experiencias, la

recolección y organización de datos, la inferencia o procesamiento, el análisis y la diseminación

de información” [transcripción mía] (Morais, 2005: 3).

La estadística muestra particular interés en la recolección de ciertos datos de una muestra,

la organización de los mismos, el estudio de la manera en cómo presentar estos datos y su

análisis resumido y para ello utiliza el método científico. ¿Cómo es el método de la estadística

para que sea considerado ‘científico’? Morais (2005), enumera sus características en el

siguiente orden:

- Objetivo, describe la realidad como es y no como quisiésemos que fuese;

- Empírico, basado en los fenómenos (ocurrencias) y en los hechos (realidades);

- Racional, más asentada en la razón y en la lógica que en la intuición;

- Replicable, las mismas condiciones, en diferentes lugares y con diferentes

experimentadores, deben proporcionar resultados idénticos;

- Sistemático, debe constituir un todo coherente e integrado en sistemas más amplios;

- Metódico, obtenido mediante procedimientos y estrategias fiables mediante el

cumplimiento de planes rigurosos;

- Comunicable, conocido, claro, preciso y, reconocido por la comunidad científica;

- Analítico, busca entrar en la complejidad de los fenómenos;

- Cumulativo, se construye y se estructura a partir de conocimientos científicos

anteriores [transcripción mía]. (p. 20)

Y algo que la distingue en el manejo e interpretación de los datos, y que es fundamental

para elaborar cualquier hipótesis y para el diseño de los diferentes modelos es la definición y

uso de variables que “pueden ser: independientes, dependientes, moderadoras y parásitas”

[trascripción mía] (Almeida y Freire, 2000: 56). Con Morais (2005), definimos estas variables

como sigue:

Variable independiente: se identifica con la dimensión o la característica que el

investigador manipula deliberadamente para conocer el impacto que produce en otra

variable. Las variables independientes permiten su manipulación, admitiéndose que la

forma en como son manipuladas pueden condicionar el comportamiento de los sujetos y,

consecuentemente, los resultados en el contexto del estudio.

Variable dependiente: característica que puede ser influenciada cuando se manipula la

variable independiente.

Variables moderadoras o intervinientes: generalmente son tenidas como variables ajenas

al estudio que pueden influir en los resultados, se sitúan entre las variables independientes

y las variables dependientes, pudiendo actuar de forma interactiva.

Variables extrañas o parásitas: variables asociadas a la variable independiente, que no

son consideradas en la experiencia, pero que pueden influir en los resultados esperados

con la variable dependiente [transcripción mía]. (p. 17)

En la construcción de modelos en estadística juega un papel importante la formulación

de hipótesis y para ello es necesario identificar estas variables y sus relaciones dentro de la

investigación. “La explicitación de las variables y de sus relaciones es esencial en la definición

de un modelo para la investigación que se pretende efectuar” [transcripción mía] (Morais,

2005: 21). Pero por muy cuidadosos que seamos un modelo es una representación reduccionista

de la realidad, no puede abarcarla con exactitud, porque hay ciertos principios sobre la

representación de algo que no pueden romperse. “Un modelo es [por consiguiente] una

simplificación o aproximación de la realidad y, por lo tanto, no reflejará toda la realidad”

[transcripción mía] (Taub, 1993: 1290). Este presupuesto debemos tenerlo muy presente para

liberarnos de toda presunción de verdad en la investigación; desatenderlo nos llevaría

ingenuamente al fracaso y a una pseudociencia, “solo podemos esperar identificar un modelo

que proporcione una buena aproximación a los datos a los que tenemos acceso” [transcripción

mía] (Burnham, K., y Anderson, D., 2002: 20). Aunque esto nos lleve a la conclusión de que

propiamente “todos los modelos son incorrectos” [transcripción mía] (Box, 1976: 791),

podríamos estar de acuerdo con Burnham, et al. (2002), cuando expresan:

Aunque un modelo no pueda tomarse como “verdad”, puede ser clasificado desde muy

útil, útil, algo útil hasta, finalmente, esencialmente inútil. Los métodos de selección de

modelos intentan clasificar al modelo candidato en relación con otros; si alguno de los

modelos es en verdad “bueno” es principalmente debido a la calidad de los datos, y la

ciencia y el pensamiento a priori que participó en su elaboración [transcripción mía] (p.

20)

Evoquemos la famosa anécdota de René Descartes (1596-1650) sobre cierta ocasión en

la que desde su cama observaba el inquieto vuelo de una mosca. Por momentos la mosca se

posaba en la pared y el filósofo se imbuía en la duda sobre cómo explicar el punto exacto donde

se encontraba ubicado el insecto. Es así como nacen las coordenadas cartesianas y con ello la

geometría analítica. El modelo de histograma en estadística, por ejemplo, se basa en esto para

su diseño, es el “conjunto de rectángulos yuxtapuestos representados en el sistema de

coordenadas cartesianas, donde el eje x es el “eje de las variables” y el eje y, es el “eje de las

frecuencias” [transcripción mía] (Medeiros, 2007: 69). Así encontramos una gran variedad de
MODELOS ESTADÍSTICOS 7

modelos lineales y no lineales, binominal, ordinal o multinominal, unifactorial o multifactorial,

modelos geométricos o hipergeométricos, como los conocidos: ANOVA, ANCOVA,

MANOVA, BERNOULLI, POISSON, entre tantos otros. Estamos de acuerdo en que “es difícil

establecer reglas precisas para la elección de la familia de modelos” [transcripción mía]

(McCullagh, 2002: 1226). Pero lo que sí tenemos que tener muy presente es que cada uno debe

estar “adecuado a su situación (tipo y número de variables dependientes y explicativas)”

(XLSTAT, 2017: párr. 9); y que “existen modelos para los cuales no hay una interpretación

mecanicista disponible, o que están en conflicto con las leyes científicas aceptadas. [Pero] tales

modelos alternativos [también] son necesarios para que las leyes científicas puedan ser

probadas” [transcripción mía] (McCullagh, 2002: 1245).

Conclusiones

Con todo lo anterior, me atrevo a afirmar con Box (1976), que aunque “todos los

modelos son incorrectos, (…) algunos son útiles” [transcripción mía] (p. 791), y que, por esta

razón, “el científico debe estar atento a lo que en verdad está mal. [Pues] no es apropiado

preocuparse por los ratones cuando hay tigres aguardándonos afuera” [transcripción mía] (p.

792). El estadístico sabe que “en la naturaleza nunca hubo una distribución normal, nunca

hubo una línea recta, pero con suposiciones normales y lineales, que se sabe que son falsas, a

menudo puede derivar resultados que coinciden, con una aproximación útil, a lo encontrado

en el mundo real” [transcripción mía] (p. 792).

Creo que lo más importante de todo es lograr un buen equilibrio entre teoría y práctica

porque si en la investigación no dedicamos especial cuidado al manejo de los datos de la

experiencia durante el diseño de los diferentes modelos, estos errores a la larga se verán

reflejados en los resultados.

Referencias

Almeida, L., y Freire, T. (2000). Metodologia da investigação em psicologia e educação.

Braga: Psiquilíbrios. Recuperado de: http://hdl.handle.net/10849/45

Box, G.E.P. (1976). Science and statistics. Journal of the American Statistical Association

71, 791–799. (Consultado el 05 de febrero de 2018)

Burnham, K., y Anderson, D. (2002). Model selection and multimodel inference. A Practical

Information-Theoretic Approach. New York: Springer.

McCullagh, P. (2002). What is a statistical model? En Annals of Statistics 30: 1225-1310.

doi:10.1214/aos/1035844977

Medeiros, C. A. de. (2007). Estatística aplicada à educação. Brasília: Universidade de

Brasília.

Morais, C. (2005). Escalas de medida, estatística descritiva e inferência estatística.

Bragança: Escola Superior de Educação. Recuperado de:

http://hdl.handle.net/10198/7325

Taub, F.B. (1993). Book review: Estimating ecological risks. Ecology 74, 1290–1291.

(Consultado el 05 de febrero de 2018)

XLSTAT. (2017). ¿Qué modelo estadístico debería elegir? Recuperado de:

https://help.xlstat.com/customer/es/portal/articles/2062461