Objetivos de aprendizaje
Al final de esta sección, podrás:
- Leer y comprender una tabla de regresión estándar que se encuentra comúnmente en revistas de ciencias políticas
- Comprender las expresiones numéricas en una tabla de regresión, incluyendo el coeficiente, el error estándar y el nivel de confianza
Los politólogos suelen presentar sus resultados analíticos de la investigación en la tabla. Además, bastantes artículos o libros a menudo también incluirán estadísticas resumidas, generalmente antes de presentar su análisis. Las secciones anteriores le dotaron de suficiente información para revisar con precisión los datos de análisis publicados en diversas revistas. Sin embargo, como se menciona a lo largo de este libro, los avances metodológicos son una característica en la ciencia política, particularmente en el avance de los enfoques cuantitativos. Los investigadores suelen tomar prestadas técnicas de otras disciplinas, especialmente aquellas con acertijos o problemas tangenciales, como la economía o la psicología. De igual manera, buscarán incorporar nuevos desarrollos de estadísticos y/o matemáticos en el modelado formal o la teoría de juegos.
Nuevamente, a pesar de que algunos investigadores en ciencias políticas utilizan modelos matemáticos de comportamiento o han comenzado a utilizar metodología experimental, la investigación cuantitativa en ciencia política se basa en gran medida en métodos de observación. Una vez que la información ha sido codificada y organizada en conjuntos de datos, los politólogos suelen utilizar un tipo de análisis de regresión. Si bien este tipo de análisis cuantitativo es el enfoque más común, una discusión en profundidad sobre regresión y otras técnicas estadísticas está fuera del alcance de este capítulo y del libro de texto. Sin embargo, creemos que, sin embargo, es importante presentarle una comprensión básica de una tabla estadística en un artículo de revista, y cómo generalmente se presentan los resultados analíticos de la investigación cuantitativa.
Para repetir, un estudiante necesita exposición adicional y capacitación en métodos cuantitativos para interpretar adecuadamente una tabla de resultados generados por un análisis estadístico de regresión. Sin embargo, hay algunos elementos de una tabla de regresión que amerita una discusión en esta sección ya que se requerirá que los estudiantes de ciencias políticas lean dichas tablas en los artículos que hayan sido asignados en clase. Sin embargo, incluso antes de que una estudiante comience el análisis de una tabla de regresión, primero necesita identificar la relación causal que se examina en el artículo. Es decir, la primera tarea en el análisis de una tabla de resultados estadísticos es identificar las variables de resultado (dependientes) y las variables explicativas (independientes). En el proceso de identificación, también se necesita entender cómo se cuantifica/mide cada variable (ver Sección 8.1). Además, es importante identificar el modelo estadístico que se está estimando. Nuevamente, toda esta discusión está más allá del alcance del capítulo actual. Simplemente queremos hacerte consciente de que hay muchas cosas a considerar a la hora de mirar una tabla de regresión.
El primer número a entender en la tabla de regresión anterior se llama coeficiente. Los coeficientes informan al lector de la naturaleza de la relación entre el resultado y las variables explicativas. Cada coeficiente tiene un signo positivo o negativo. Un signo negativo indica una relación inversa con la variable de resultado. En términos más simples, si el valor de un coeficiente sube, entonces el valor de la variable de resultado baja. Por el contrario, un signo positivo en un coeficiente significa que un aumento en el valor del coeficiente da como resultado un aumento en el valor del resultado. En cuanto a la definición sustantiva de un coeficiente, o lo que realmente significa esta relación, ya sea inversa o positiva, dependerá del modelo estadístico utilizado en el estudio.
El segundo número, justo debajo del coeficiente entre paréntesis es el error estándar. En un sitio web muy útil de Steven Miller (“Reading a Regression Table: A Guide for Students” 2014), señala que “el error estándar es [una] estimación de la desviación estándar del coeficiente”. Esto nos ayuda a comprender cuán correlacionadas están las dos variables. Y nos dice cuán potencialmente equivocada es la estimación ya que capta cuánta incertidumbre tenemos en el modelo. Cuanto mayor sea el error estándar, más débil es el modelo en relación con las variables. Esto significa que no estamos tan seguros de si la correlación, o relación entre las variables, es tan cierta como pueda parecer. Finalmente, los investigadores utilizan el error estándar cuando buscan mejorar la certeza de los hallazgos.
El tercer conjunto de números a considerar se encuentra en la parte inferior de la tabla de regresión. Estos son los niveles de confianza para cada coeficiente. La idea de confianza es muy similar al concepto de significancia estadística o niveles alfa introducido en la Sección 8.3. Normalmente hablando en las ciencias sociales, los investigadores utilizan asteriscos (*) para reportar el nivel de significación. Un coeficiente con un asterisco “*” indica que la relación entre el resultado y esa variable en particular tiene 90% de confianza. Además, dos asteriscos “**” indican 95% y tres asteriscos significan 99% de confianza en consecuencia. La mayoría de los programas de software estadístico, incluyendo Stata, R, SPSS y SAS, reportan automáticamente el nivel de significancia de las variables explicativas. Si los coeficientes no tienen ningún asterisco en absoluto, eso significa que el modelo no pudo distinguir si la relación entre el resultado y las variables era importante. En cambio, podría ser resultado de factores aleatorios o sistemáticos. En este caso, los investigadores reportarían que estos coeficientes sin ningún asteriscos fueron estadísticamente insignificantes.
Por último, recuerde que en una tabla de regresión, podría haber bastantes indicadores numéricos reportados adicionales. Además, la variedad de cifras estadísticas éstas cambiarán dependiendo de los modelos utilizados. Además, un investigador puede incluir pruebas diagnósticas adicionales, a menudo para asegurar la robustez del modelo. Como se señaló anteriormente, para que un estudiante se sienta totalmente equipado para ser con confianza un “consumidor” de la investigación política cuantitativa, se requerirán cursos adicionales de método cuantitativo y estadística. No obstante, esperamos que en lo mínimo este capítulo haya despertado su interés en el enfoque cuantitativo de la investigación política.
