Metodología para el Tratamiento de Datos Cuantitativos

Análisis de datos cuantitativos:

El proceso de análisis de datos cuantitativos implica:

• Decidir el programa de análisis de datos a utilizar.
• Explorar los datos obtenidos en la recolección.
• Analizar descriptivamente los datos por variable.
• Visualizar los datos por variable.
• Evaluar la confiabilidad, validez y objetividad de los instrumentos de medición utilizados.
• Analizar e interpretar mediante pruebas estadísticas las hipótesis planteadas (análisis estadístico inferencial).
• Realizar análisis adicionales.

Preparar los resultados para presentarlos.

Presentación de Resultados

En los resultados deben incluirse:

• La descripción general de la encuesta o método de recolección utilizado.
• Respuestas a los objetivos.
• Respuestas a las hipótesis.

No se deben cruzar datos que no respondan a los objetivos. Preferentemente, los resultados deben tener un orden que vaya de descriptivo a correlacional.

El análisis se realiza tomando en cuenta los niveles de medición de las variables y mediante la estadística, que puede ser:

Estadística Descriptiva

La estadística descriptiva se enfoca en resumir y describir las características principales de los datos.

• Distribución de frecuencias: Conjunto de puntuaciones respecto de una variable ordenadas en sus respectivas categorías. Generalmente se presenta como una tabla o gráficos con porcentajes.
• Medidas de tendencia central: Son puntos en una distribución obtenida, los valores medios o centrales de ésta.
  • Moda: Es la categoría o puntuación que ocurre con mayor frecuencia.
  • Mediana: Es el valor que divide la distribución por la mitad.
  • Media: Promedio aritmético de una distribución.
• Medidas de variabilidad: Indican la dispersión de los datos en la escala de medición de la variable.
  • Rango: Es la diferencia entre el valor máximo y mínimo.
  • Desvío estándar: Es el promedio de desviación de las puntuaciones con respecto a la media.
  • Varianza: Medida de la variación de una serie de observaciones respecto de la media.
• Gráficas: Representaciones visuales de los datos.
• Puntuación Z: Transformaciones que se pueden hacer a los valores con el propósito de analizar su distancia respecto a la media, en unidades de desviación estándar.

P-valor: Es una medida de cuán consistentes son nuestros datos con la hipótesis nula. Mientras más pequeño sea el p-valor, más fuerte es la evidencia para rechazar la hipótesis nula. Un p-valor cercano a 1 indica que los datos son consistentes con la hipótesis nula. Un p-valor muy pequeño indica evidencia en contra de la hipótesis nula. P= 0.05. < SIGNIFICATIVA, > NO SIGNIFICATIVA.

Estadística Inferencial

La estadística inferencial se utiliza para estimar parámetros y probar hipótesis, basándose en la distribución muestral.

Análisis Paramétrico

El análisis paramétrico depende de las características de la población. Es importante verificar que los resultados de la muestra se distribuyan de forma normal y que los datos obtenidos sean variables continuas o de forma intervalar y/o de razón.

• Coeficiente de correlación de Pearson: Prueba estadística para analizar la relación entre dos variables medidas en un nivel por intervalos o de razón.
• Regresión lineal: Modelo estadístico para estimar el efecto de una variable sobre otra.
• Prueba t: Utilizada para evaluar si dos grupos difieren entre sí de manera significativa respecto a sus medias en una variable.
• Análisis de varianza (ANOVA): Prueba estadística para analizar si más de dos grupos difieren significativamente entre sí en cuanto a sus medias y varianzas. Se aplica para dos grupos y el análisis de varianza unidireccional se usa para tres, cuatro o más grupos.