Introducción al metaanálisis en JAMOVI: uso en correlaciones de Pearson

El metaanálisis, como parte de la revisión sistemática, suele definirse como el análisis estadístico que combina los resultados de múltiples estudios científicos, que tienen como objeto de resolver el mismo tipo de problema (Glass, McGaw, & Smith, 1981), verificando la consistencia de las soluciones alcanzadas por los distintos autores, y por tanto facilitando la acumulación del conocimiento (Marín, Sánchez y López, 2009).  Es decir, integra los resultados cuantitativos de estudios separados pero similares en sus objetivos/técnicas proporcionando una estimación numérica del efecto general de interés (Petrie, Bulman & Osborn ,2003). Incluso es posible extenderse a otros metaanálisis previos, con lo cual nos encontraríamos en situaciones de meta-metaanálisis (Mingebach, Kamp-Becker, Christiansen & Weber, 2018)

Opcionalmente, es posible asignar diferentes pesos a los diferentes estudios para calcular el estadístico final. Esta ponderación se relaciona con la inversa del error estándar (indirectamente con el tamaño de la muestra) informado en los distintos estudios contemplados. Es decir, los trabajos con un error estándar más pequeño y un tamaño de muestra más grande tienen más peso en el cálculo del tamaño del efecto agrupado.

Bondad de ajuste Chi-cuadrado en SPSS y JASP

El test de bondad de ajuste Chi-cuadrado es muy útil en situaciones donde usamos una variable categórica (escala de medida nominal u ordinal), y queremos comprobar si las proporciones observadas (frecuencias relativas) de cada categoría se ajustan o no a un conjunto de hipótesis- proporciones basada en investigaciones anteriores, teoría o ideas previas del investigador (Cohen, 1988; Lomax y Hahs-Vaughn, 2012). 

Vamos a introducir brevemente la pruebas de bondad de ajuste de Chi-cuadrado en SPSS (IBM Corp., 2019) y JASP (JASP Team, 2020), usando los datos correspondientes a una base de datos de funcionarios de prisiones obtenidos en una investigación del Grupo de Investigación Psicosocial (GIP) de la Universidad de Oviedo en 2020.

Introducción a la regresión cuantílica para comparar medianas en SPSS 26

El modelado basado en la regresión cuantílica, caracterizado por describir un cuantil dada una serie de variables exógenas, donde la mediana es un caso particular del algoritmo  general, tiene cada vez mas aplicaciones en el campo de la Metodología de las Ciencias del Comportamiento. En esta breve entrada vamos a ver como puede ser usado de  forma complementaria a algunas de las técnicas no paramétricas clásicas.

Por ejemplo, a la hora de comparar dos grupos que tienen un tamaño muestral muy reducido o no se ajustan al modelo de una distribución normal, una prueba no parámetrica clásica para compararlas es el test de Mann–Whitney, contrastando que los valores estadísticos centrales (medianas) son iguales o muy parecidos. 

El problema con esta prueba, es que es útil a la hora de contrastar promedios, asumiendo que la forma de dispersión son semejantes, lo cual no siempre es así.

SPSS 25: Introducción a la Inferencia Bayesiana con la prueba T-test

En esta breve exposición realizaremos una sucinta introducción de cómo realizar e interpretar una prueba T-test bayesiana para grupos independientes en SPSS. En el ejemplo vamos a comparar la edad de la comisión del primer delito reconocido por los presos de una muestra extraída del centro de Villabona, perteneciente al Principado de Asturias, teniendo en cuenta el sexo de los sujetos evaluados (1 = Varón, 1 = Mujer), utilizando la prueba T de muestras independientes.

Lectura de matrices en AMOS

Si se desea introducir como datos de partida en AMOS una matriz de correlaciones, deberemos tener en cuenta que el archivo SPSS de datos debe tener la siguiente estructura:

-La primera variable, tipo cadena con nombre ROWTYPE_ (anchura 8 caracteres) deberá contener como información n, corr sttdev y mean.

-La segunda VARNAME_ (ancho 8) que contendrá los nombres de las variables en cada fila correspondiente. 

-A continuación se encuentran las columnas con las variables analizadas.

Un ejemplo podría ser el siguiente caso (matriz policórica generada por el programa Factor (Ferrando  y Lorenzo-Seva, 2017 ) y exportada al SPSS):

Tamaño del efecto en Kruskal-Wallis y pruebas post-hoc

El tamaño del efecto, aconsejado como básico en los análisis de datos modernos, no solo complementa el grado de significación (valor p) indicando si existe o no un efecto y su intensidad, también nos ayuda a reducir la posibilidad de los falsos positivos (error tipo I o tipo II), y además facilita la comparación de las investigaciones.

Una alternativa no paramétrica clásica al ANOVA, es la conocida como prueba de Kruskal-Wallis, la cual evalúa si las medianas de la población en una variable dependiente son semejantes en todos los niveles de un factor. Si rechazamos la Ho (semejanza de medianas) es posible realizar pruebas post-hoc mediante el procedimiento incrustado dentro del SPSS, pudiendo calcular a continuación los tamaños de los efectos a partir de las pruebas test de Dunn o la U de Mann-Whitney para los pares significativos.

Por otra parte el tamaño del efecto global puede ser derivado a partir de la expresión general:

....donde:

* E= estadístico epsilón (ε²) que fluctúa entre 0 a 1.

* H= estadístico de Kruskal-Wallis (aprox. a chi-2)

* n = número total de casos en el estudio

SPSS: Un algoritmo alternativo a la prueba t-test para medidas repetidas

La prueba clásica de diferencias de medidas repetidas (t-test) frecuentemente no es sensible a ligeras diferencias que se pueden observar descriptivamente en los niveles contrastados. 

Dentro de las alternativas que podemos usar, veremos brevemente un procedimiento en SPSS descrito por  Hedberg & Stephanie (2015) basado en las puntuaciones diferenciales y el modelo de regresión. Y también la alternativa no paramétrica correspondiente. 

El objetivo de esta breve artículo es describir el uso de un modelo de regresión como una alternativa válida a la prueba clásica de diferencias de medias para observaciones repetidas, intentando aumentar la potencia estadística de la cual carece la herramienta estadística usada preferentemente por los investigadores.

SPSS OMS: Visualización de la valoración y contraste de los grados de significación (p) en escalas Likert

Los grados de significación han sido una parte esencial durante años del trabajo de investigación. Y ahora se encuentra en fase de revisión, tanto su uso (Wasserstein & Lazar, 2016) como su forma de interpretarlo (Benjamin et al.,2017).

Encontrándonos en esta fase dialéctica, es interesante poder visualizar rápidamente nuestros resultados clásicos con objeto de contrastarlos con los nuevos. Y de todas las técnicas posibles vamos a ver de forma breve una de las posibilidades que aparecen en Análisis de Datos, usando para ello el paquete estadístico IBM SPSS.

SPSS 25: Introducción a la correlación bayesiana

La correlación bayesiana no deja de ser una distribución, y con objeto de ilustrarlo hemos creado esta breve referencia en este blog, usando como base de datos un antiguo estudio de nuestro grupo de investigación en Psicología Criminal y Forense. Para ello hemos utilizado el SPSS 25  tanto para explorar los datos de forma gráfica como para realizar las correspondientes estadísticas bayesianas. 

Introducción a la simulación en IBM SPSS modeler

El paquete estadístico SPSS, comercializado por SPSS Inc. (adquirido por IBM en 2009), es una de las herramientas más frecuentes en el campo de investigación en las Ciencias Sociales. (Annapurna, 2017). Y entre los procedimientos más útiles se encuentra la simulación de datos ().

En la herramienta IBM SPSS modeler, nos encontramos con el nodo "Generar simulación" que nos permite, generar datos simulados, ya sea bien a partir de distribuciones estadísticas especificadas por el investigador o de datos reales. Siendo útil en este caso cuando se desea evaluar el resultado de un modelo predictivo en presencia de incertidumbre en las entradas de modelo.