Las pruebas estadísticas son un componente esencial del análisis de datos. Nos ayudan a comprender los datos y sacar conclusiones sobre la población. También se utilizan para investigar relaciones variables y probar hipótesis. Generalmente, son un método de análisis de datos para determinar si existe o no una diferencia significativa entre los dos grupos. Con la ayuda de ejemplos, discutiremos los diversos tipos de pruebas estadísticas y su importancia en esta publicación de blog.
¿Qué son las pruebas estadísticas?
Las pruebas estadísticas se utilizan para determinar si dos conjuntos de datos son significativamente diferentes entre sí. Las pruebas estadísticas logran esto empleando una variedad de medidas estadísticas como la media, la desviación estándar y el coeficiente de variación. La prueba estadística luego comparará las medidas estadísticas calculadas con un conjunto de criterios predeterminados. La prueba estadística concluirá que existe una diferencia significativa entre los dos conjuntos de datos si los datos cumplen con los criterios.
Según el tipo de datos que se analicen, se pueden utilizar varias pruebas estadísticas. Las pruebas T, las pruebas de chi-cuadrado y las pruebas ANOVA son tres de las pruebas estadísticas más comunes.
Tipos de pruebas estadísticas
Las pruebas estadísticas son de varios tipos:
#1. Pruebas estadísticas paramétricas
Si los datos se distribuyen normalmente, se utilizan pruebas paramétricas.
Una prueba estadística paramétrica hace suposiciones sobre los parámetros de la población y las distribuciones de datos. Estas pruebas incluyen pruebas t, pruebas z y pruebas ANOVA, que suponen que los datos se distribuyen normalmente.
Prueba Z
Cuando se conocen las varianzas y el tamaño de la muestra es grande, se utiliza una prueba z para determinar si las medias de dos poblaciones son diferentes. La media de la población se compara mediante la prueba z. Los parámetros utilizados son la media poblacional y la desviación estándar. La prueba Z se utiliza para confirmar que la muestra extraída es de la misma población.
Ho: La media muestral es igual a la media poblacional (hipótesis nula)
z = (x — ) / ( / n), donde x=media muestral, u=media poblacional y / n=desviación estándar poblacional.
Acepte la hipótesis nula si el valor z es menor que el valor crítico; en caso contrario, rechazar la hipótesis nula.
Prueba T
La prueba t compara las medias de dos muestras. Cuando se desconocen los parámetros de la población (media y desviación estándar), se utiliza una prueba t.
Las pruebas T pareadas se utilizan para comparar las diferencias entre dos variables de la misma población (puntuaciones previas y posteriores a la prueba). Por ejemplo, en un programa de capacitación, el puntaje de desempeño del alumno antes y después de completar el programa.
La prueba t independiente, también conocida como prueba t de dos muestras o prueba t de Student, es una prueba estadística utilizada para determinar si existe una diferencia estadísticamente significativa en las medias de dos grupos no relacionados.
Por ejemplo, considere comparar niños y niñas en una población.
La media de un solo grupo se compara con una media dada en una prueba t de una muestra. Por ejemplo, si se dan las ventas promedio, se puede examinar el aumento y la disminución de las ventas.
t = (x1 — x2) / (/ n1 + / n2), donde x1 y x2 representan las medias de las muestras 1 y 2, respectivamente.
Prueba ANOVA
El análisis de varianza (ANOVA) es una técnica estadística utilizada para determinar si las medias de dos o más grupos difieren significativamente entre sí. ANOVA compara las medias de diferentes muestras para determinar el impacto de uno o más factores. Si usamos una prueba t en lugar de una prueba ANOVA, los resultados serán inexactos porque hay más de dos muestras.
En ANOVA, la hipótesis que se prueba es Ho: todos los pares de muestras son iguales, es decir, todas las medias de las muestras son iguales.
Al menos un par de muestras difiere significativamente.
Calculamos el valor F en la prueba Anova y lo comparamos con el valor crítico
F= ((SSE1 — SSE2)/m)/ SSE2/nk, donde SSE = suma residual de cuadrados.
m = el número de restricciones
k denota el número de variables independientes.
#2. Pruebas Estadísticas No Paramétricas
Las pruebas estadísticas no paramétricas se utilizan cuando los datos no se distribuyen normalmente. La prueba de chi-cuadrado es un ejemplo de una prueba no paramétrica.
Prueba de chi-cuadrado (2 pruebas)
La prueba de chi-cuadrado compara dos variables categóricas. Calcular el valor estadístico de Chi-Cuadrado y compararlo con un valor crítico de la distribución de Chi-Cuadrado le permite determinar si las frecuencias observadas y esperadas son significativamente diferentes.
Ho: Las variables x e y son independientes es la hipótesis que se está probando para chi-cuadrado.
Las variables x e y no son independientes entre sí.
Fórmula chi-cuadrado (o=observado, e=esperado).
Elegir qué prueba estadística usar
Aquí hay parámetros que lo ayudarán a determinar qué prueba estadística usar
#1. Problema de investigación
La elección de una prueba estadística está determinada por la pregunta de investigación a responder. Además, las preguntas de investigación lo ayudarán a desarrollar la estructura de datos y el diseño de la investigación.
#2. Desarrollo de una hipótesis nula
Puede crear una hipótesis nula después de haber definido la pregunta de investigación. Una hipótesis nula implica que no hay significancia estadística en las observaciones esperadas.
#3. Importancia del protocolo de estudio
Se especifica un nivel de significación antes de comenzar el protocolo de estudio. El nivel de significación determina la significancia estadística, que define si se acepta o rechaza la hipótesis nula.
#4. La elección de una cola o dos colas
Debe decidir si su estudio será unilateral o bilateral. Debe usar pruebas de una cola si tiene evidencia clara de que las estadísticas apuntan en una dirección. Sin embargo, si no hay una dirección clara de la diferencia esperada, se requiere una prueba de dos colas.
#5. El número de variables que se examinarán.
Las pruebas y procedimientos estadísticos se clasifican en función del número de variables que pretenden analizar. Como resultado, al seleccionar una prueba, debe considerar cuántas variables desea analizar.
#6. Tipo de datos
Es fundamental especificar si sus datos son continuos, categóricos o binarios. En el caso de datos continuos, también debe determinar si los datos tienen una distribución normal o sesgada para determinar qué prueba estadística utilizar.
#7. Diseños de estudio, emparejados y no emparejados
Cuando las dos muestras dependen una de la otra, un diseño por pares incluye estudios de comparación en los que se comparan las medias de las dos poblaciones. Los resultados de las dos muestras se agrupan y comparan en un diseño de estudio no pareado o independiente.
Está en camino de encontrar la prueba estadística adecuada para su pregunta de investigación ahora que ha aprendido los pasos para seleccionar una prueba estadística. Debido a que cada situación es diferente, es fundamental comprender todas sus opciones y tomar una decisión informada.
Si no está seguro de qué prueba usar, siempre consulte con su investigador principal, estadístico o software.
¿Qué son las pruebas de significación estadística?
Las pruebas de significación estadística son una determinación hecha por un analista de que los resultados de los datos no pueden explicarse únicamente por casualidad. El analista hace esta determinación utilizando pruebas de hipótesis estadísticas. Esta prueba devuelve un valor p, que es la probabilidad de ver resultados tan extremos como los de los datos, suponiendo que los resultados se deban completamente al azar. Un valor de p del 5% o menos se considera comúnmente como estadísticamente significativo.
Comprensión de las pruebas de significación estadística
La significación estadística es una determinación de la hipótesis nula, lo que implica que los resultados se deben únicamente al azar. Cuando el valor p es lo suficientemente pequeño, un conjunto de datos proporciona significación estadística.
Cuando el valor p es grande, los resultados de los datos se explican únicamente por casualidad, y los datos se consideran consistentes con (pero no prueban) la hipótesis nula.
Además, cuando el valor p es lo suficientemente pequeño (típicamente 5% o menos), los resultados no pueden explicarse únicamente por casualidad y los datos se consideran inconsistentes con la hipótesis nula. En este caso, se rechaza la hipótesis nula del azar como explicación de los datos en favor de una explicación más sistemática.
La significación estadística se usa con frecuencia en nuevos ensayos de fármacos, pruebas de vacunas e investigación de patologías para probar la eficacia e informar a los inversores sobre el éxito de la empresa en el lanzamiento de nuevos productos.
Ejemplos de pruebas de significación estadística
Supongamos que Alex, un analista financiero, siente curiosidad por saber si algunos inversionistas estaban al tanto del inminente fracaso de una empresa. Alex decide comparar el promedio de los rendimientos diarios del mercado antes y después del fracaso de la empresa para ver si existe una diferencia estadísticamente significativa entre los dos promedios.
El valor de p para el estudio fue del 28% (>5%), lo que indica que una diferencia de esta magnitud (-0.0033 a +0.0007) no es inusual bajo la explicación de solo azar. Como resultado, los datos no proporcionaron evidencia convincente de conocimiento previo de la falla. Si el valor p fuera del 0.01 % (mucho menos del 5 %), la diferencia observada sería extremadamente inusual bajo la explicación de solo azar. En este caso, Alex puede optar por rechazar la hipótesis nula e investigar si algunos comerciantes tenían conocimiento previo.
La significación estadística también se utiliza para evaluar nuevos productos médicos, como medicamentos, dispositivos médicos y vacunas. Los informes estadísticamente significativos disponibles públicamente también informan a los inversores sobre el éxito de la empresa en el lanzamiento de nuevos productos.
Supongamos, por ejemplo, que una compañía farmacéutica que se especializa en medicamentos para la diabetes reportó una reducción estadísticamente significativa en la diabetes tipo 1 después de probar su nueva insulina. El estudio incluyó 26 semanas de terapia aleatoria entre pacientes con diabetes, con un valor de p del 4 %. Esto les dice a los inversionistas y agencias reguladoras que los datos muestran una disminución estadísticamente significativa en la diabetes tipo 1.
¿Qué factores influyen en la significancia estadística?
Para determinar si los datos son estadísticamente significativos, se utilizan pruebas de hipótesis estadísticas. En otras palabras, si el fenómeno puede o no ser explicado únicamente por casualidad. La significación estadística es una determinación de la hipótesis nula, que establece que los resultados se deben completamente al azar. La hipótesis nula debe rechazarse para que los datos se consideren estadísticamente significativos.
¿Qué es exactamente el valor P?
Un valor p es una medida de la probabilidad de que una diferencia observada haya ocurrido por casualidad. Cuando el valor p es lo suficientemente pequeño (p. ej., 5% o menos), los resultados no pueden explicarse únicamente por casualidad y la hipótesis nula puede rechazarse. Cuando el valor p es grande, los resultados de los datos se explican únicamente por casualidad, y los datos se consideran consistentes con (y por lo tanto prueban) la hipótesis nula.
¿Cómo se utiliza la significación estadística?
La significación estadística se utiliza con frecuencia para evaluar la eficacia de nuevos productos médicos, como medicamentos, dispositivos y vacunas. Los informes estadísticamente significativos disponibles públicamente también informan a los inversores sobre el éxito de la empresa en el lanzamiento de nuevos productos. Los precios de las acciones de las empresas farmacéuticas suelen verse influidos significativamente por los anuncios sobre la importancia estadística de sus nuevos productos.
¿Cuáles son las tres variedades principales de pruebas estadísticas?
Las pruebas de regresión, las pruebas de comparación y las pruebas de correlación son las tres variedades principales de pruebas estadísticas.
¿Qué son las pruebas estadísticas en SPSS?
Las pruebas T, chi-cuadrado, correlación, regresión y análisis de varianza se encuentran entre las pruebas estadísticas disponibles en SPSS.
¿Cuáles son los dos métodos principales en estadística?
En estadística, existen dos métodos principales: la estadística descriptiva, que resume los datos mediante índices como la media y la mediana, y la estadística inferencial, que extrae conclusiones de los datos mediante pruebas estadísticas como la prueba t de Student.
¿ANOVA es una prueba estadística?
ANOVA, que significa Análisis de varianza, es una prueba estadística utilizada para comparar las medias de varios grupos.
Conclusión
Las pruebas estadísticas se utilizan para determinar si dos conjuntos de datos son significativamente diferentes entre sí. Las pruebas estadísticas se clasifican en dos tipos: paramétricas y no paramétricas. Las pruebas paramétricas hacen suposiciones sobre los datos, mientras que las pruebas no paramétricas no hacen suposiciones sobre los datos. Ambos tipos de pruebas se utilizan para sacar conclusiones sobre una población a partir de una muestra. El tipo de prueba a utilizar está determinado por el tipo de datos disponibles.
Artículos Relacionados
- ANÁLISIS ESTADÍSTICO: Tipos, Técnicas y Propósito
- Planificación de la demanda: descripción general, comparaciones, salarios y trabajos
- MÉTODOS ESTADÍSTICOS: Lo que debe saber y guiar
- ¿Cuál es el mejor tipo de prueba de drogas para usar en las evaluaciones de empleados?
- Salario Quant: un desglose completo y cómo convertirse en un Quant
Referencias
