Teoria de hipotesis estadistica

Análisis de varianza

Las pruebas de significación de hipótesis nulas (NHST) tienen varias deficiencias que probablemente son factores que contribuyen a la ampliamente debatida crisis de replicación de la neurociencia (cognitiva), la psicología y la ciencia biomédica en general. Revisamos estas deficiencias y sugerimos que, tras una experiencia negativa sostenida, la NHST deje de ser la práctica estadística dominante por defecto en toda la investigación biomédica y psicológica. Si las predicciones teóricas son débiles, no deberíamos confiar en las pruebas de hipótesis del todo o nada. Diferentes métodos inferenciales pueden ser los más adecuados para diferentes tipos de preguntas de investigación. Siempre que los investigadores utilicen NHST deben justificar su uso y publicar los cálculos de potencia previos al estudio y los tamaños de los efectos, incluidos los resultados negativos. Los estudios de comprobación de hipótesis deberían registrarse previamente y publicarse los datos brutos de forma óptima. Debería eliminarse gradualmente el actual enfoque educativo de la estadística light para estudiantes, que ha sostenido el uso generalizado y espurio de los NHST.

“Lo que antes se llamaba juicio ahora se llama prejuicio y lo que antes se llamaba prejuicio ahora se llama hipótesis nula. En las ciencias sociales, en particular, es una tontería peligrosa (disfrazada de “método científico”) y causará muchos problemas antes de que sea ampliamente apreciada como tal.”

Intervalo de confianza

Ahora que hemos estudiado los intervalos de confianza en el capítulo 8, vamos a estudiar otro método de uso común para la inferencia estadística: las pruebas de hipótesis. Las pruebas de hipótesis nos permiten tomar una muestra de datos de una población e inferir sobre la verosimilitud de hipótesis que compiten entre sí. Por ejemplo, en la próxima actividad sobre “ascensos” del apartado 9.1, estudiará los datos recogidos en un estudio psicológico de los años 70 para investigar si existía discriminación de género en las tasas de ascenso en el sector bancario en la época del estudio.

La buena noticia es que ya hemos tratado muchos de los conceptos necesarios para entender la comprobación de hipótesis en los capítulos 7 y 8. Aquí ampliaremos estas ideas y también proporcionaremos un marco general para comprender las pruebas de hipótesis. Al comprender este marco general, podrá adaptarlo a muchos escenarios diferentes.

Lo mismo puede decirse de los intervalos de confianza. Hay un marco general que se aplica a todos los intervalos de confianza y el paquete infer fue diseñado en torno a este marco. Mientras que los detalles pueden cambiar ligeramente para diferentes tipos de intervalos de confianza, el marco general sigue siendo el mismo.

Significación estadística

En el mundo actual, impulsado por los datos, las decisiones se basan constantemente en ellos. Las hipótesis desempeñan un papel crucial en ese proceso, ya sea en la toma de decisiones empresariales, en el sector sanitario, en el académico o en la mejora de la calidad. Sin hipótesis ni pruebas de hipótesis, se corre el riesgo de sacar conclusiones erróneas y tomar malas decisiones. En este tutorial, se tratarán las Pruebas de Hipótesis en Estadística.

La prueba de hipótesis es un tipo de análisis estadístico en el que se ponen a prueba las suposiciones sobre un parámetro de la población. Se utiliza para estimar la relación entre 2 variables estadísticas.

Un analista realiza pruebas de hipótesis en una muestra estadística para presentar pruebas de la plausibilidad de la hipótesis nula. Se realizan mediciones y análisis en una muestra aleatoria de la población para probar una teoría. Los analistas utilizan una muestra aleatoria de población para probar dos hipótesis: la hipótesis nula y la hipótesis alternativa.

La hipótesis nula suele ser una hipótesis de igualdad entre los parámetros de la población; por ejemplo, una hipótesis nula puede afirmar que el rendimiento medio de la población es igual a cero. La hipótesis alternativa es esencialmente la inversa de la hipótesis nula (por ejemplo, la población significa que el rendimiento no es igual a cero). Por lo tanto, son mutuamente excluyentes y sólo una puede ser correcta. Sin embargo, una de las dos posibilidades siempre será correcta.

Qué es la comprobación de hipótesis en investigación

Aunque la comprobación de hipótesis se popularizó a principios del siglo XX, sus primeras formas se utilizaron en el siglo XVIII. El primer uso se atribuye a John Arbuthnot (1710),[1] seguido de Pierre-Simon Laplace (década de 1770), en el análisis de la proporción de sexos humanos al nacer; véase § Proporción de sexos humanos.

Las pruebas de significación modernas se deben en gran medida a Karl Pearson (valor p, prueba ji al cuadrado de Pearson), William Sealy Gosset (distribución t de Student) y Ronald Fisher (“hipótesis nula”, análisis de la varianza, “prueba de significación”), mientras que las pruebas de hipótesis fueron desarrolladas por Jerzy Neyman y Egon Pearson (hijo de Karl). Ronald Fisher comenzó su andadura en la estadística como bayesiano (Zabell 1992), pero pronto se desencantó de la subjetividad que implicaba (en concreto, el uso del principio de indiferencia a la hora de determinar las probabilidades a priori), y trató de ofrecer un enfoque más “objetivo” de la inferencia inductiva[2].

Fisher hizo hincapié en el diseño experimental riguroso y en los métodos para extraer un resultado a partir de pocas muestras suponiendo distribuciones gaussianas. Neyman (que formó equipo con el más joven Pearson) hizo hincapié en el rigor matemático y en los métodos para obtener más resultados a partir de muchas muestras y una gama más amplia de distribuciones. Las pruebas de hipótesis modernas son un híbrido incoherente de la formulación, los métodos y la terminología de Fisher frente a Neyman/Pearson desarrollados a principios del siglo XX.