11.1: Una colección de hipótesis
- Page ID
- 151740
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
\( \newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\)
( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\id}{\mathrm{id}}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\kernel}{\mathrm{null}\,}\)
\( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\)
\( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\)
\( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\AA}{\unicode[.8,0]{x212B}}\)
\( \newcommand{\vectorA}[1]{\vec{#1}} % arrow\)
\( \newcommand{\vectorAt}[1]{\vec{\text{#1}}} % arrow\)
\( \newcommand{\vectorB}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vectorC}[1]{\textbf{#1}} \)
\( \newcommand{\vectorD}[1]{\overrightarrow{#1}} \)
\( \newcommand{\vectorDt}[1]{\overrightarrow{\text{#1}}} \)
\( \newcommand{\vectE}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{\mathbf {#1}}}} \)
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
\(\newcommand{\avec}{\mathbf a}\) \(\newcommand{\bvec}{\mathbf b}\) \(\newcommand{\cvec}{\mathbf c}\) \(\newcommand{\dvec}{\mathbf d}\) \(\newcommand{\dtil}{\widetilde{\mathbf d}}\) \(\newcommand{\evec}{\mathbf e}\) \(\newcommand{\fvec}{\mathbf f}\) \(\newcommand{\nvec}{\mathbf n}\) \(\newcommand{\pvec}{\mathbf p}\) \(\newcommand{\qvec}{\mathbf q}\) \(\newcommand{\svec}{\mathbf s}\) \(\newcommand{\tvec}{\mathbf t}\) \(\newcommand{\uvec}{\mathbf u}\) \(\newcommand{\vvec}{\mathbf v}\) \(\newcommand{\wvec}{\mathbf w}\) \(\newcommand{\xvec}{\mathbf x}\) \(\newcommand{\yvec}{\mathbf y}\) \(\newcommand{\zvec}{\mathbf z}\) \(\newcommand{\rvec}{\mathbf r}\) \(\newcommand{\mvec}{\mathbf m}\) \(\newcommand{\zerovec}{\mathbf 0}\) \(\newcommand{\onevec}{\mathbf 1}\) \(\newcommand{\real}{\mathbb R}\) \(\newcommand{\twovec}[2]{\left[\begin{array}{r}#1 \\ #2 \end{array}\right]}\) \(\newcommand{\ctwovec}[2]{\left[\begin{array}{c}#1 \\ #2 \end{array}\right]}\) \(\newcommand{\threevec}[3]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \end{array}\right]}\) \(\newcommand{\cthreevec}[3]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \end{array}\right]}\) \(\newcommand{\fourvec}[4]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \\ #4 \end{array}\right]}\) \(\newcommand{\cfourvec}[4]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \\ #4 \end{array}\right]}\) \(\newcommand{\fivevec}[5]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \\ #4 \\ #5 \\ \end{array}\right]}\) \(\newcommand{\cfivevec}[5]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \\ #4 \\ #5 \\ \end{array}\right]}\) \(\newcommand{\mattwo}[4]{\left[\begin{array}{rr}#1 \amp #2 \\ #3 \amp #4 \\ \end{array}\right]}\) \(\newcommand{\laspan}[1]{\text{Span}\{#1\}}\) \(\newcommand{\bcal}{\cal B}\) \(\newcommand{\ccal}{\cal C}\) \(\newcommand{\scal}{\cal S}\) \(\newcommand{\wcal}{\cal W}\) \(\newcommand{\ecal}{\cal E}\) \(\newcommand{\coords}[2]{\left\{#1\right\}_{#2}}\) \(\newcommand{\gray}[1]{\color{gray}{#1}}\) \(\newcommand{\lgray}[1]{\color{lightgray}{#1}}\) \(\newcommand{\rank}{\operatorname{rank}}\) \(\newcommand{\row}{\text{Row}}\) \(\newcommand{\col}{\text{Col}}\) \(\renewcommand{\row}{\text{Row}}\) \(\newcommand{\nul}{\text{Nul}}\) \(\newcommand{\var}{\text{Var}}\) \(\newcommand{\corr}{\text{corr}}\) \(\newcommand{\len}[1]{\left|#1\right|}\) \(\newcommand{\bbar}{\overline{\bvec}}\) \(\newcommand{\bhat}{\widehat{\bvec}}\) \(\newcommand{\bperp}{\bvec^\perp}\) \(\newcommand{\xhat}{\widehat{\xvec}}\) \(\newcommand{\vhat}{\widehat{\vvec}}\) \(\newcommand{\uhat}{\widehat{\uvec}}\) \(\newcommand{\what}{\widehat{\wvec}}\) \(\newcommand{\Sighat}{\widehat{\Sigma}}\) \(\newcommand{\lt}{<}\) \(\newcommand{\gt}{>}\) \(\newcommand{\amp}{&}\) \(\definecolor{fillinmathshade}{gray}{0.9}\)Eventualmente todos sucumbimos a la locura. Para mí, ese día llegará una vez que finalmente me asciendan a profesor titular. Enclavado con seguridad en mi torre de marfil, felizmente protegido por la tenencia, finalmente podré despedirme de mis sentidos (por así decirlo), y entregarme a esa línea de investigación psicológica más completamente improductiva: la búsqueda de la percepción extrasensorial (ESP). 158
Supongamos que ha llegado este glorioso día. Mi primer estudio es sencillo, en el que busco probar si existe la clarividencia. Cada participante se sienta en una mesa, y un experimentador le muestra una tarjeta. La tarjeta es negra por un lado y blanca en el otro. El experimentador se lleva la tarjeta y la coloca sobre una mesa en una habitación contigua. La tarjeta se coloca con el lado negro hacia arriba o el lado blanco hacia arriba completamente al azar, ocurriendo la aleatorización solo después de que el experimentador haya salido de la habitación con el participante. Un segundo experimentador entra y le pregunta al participante qué lado de la tarjeta está ahora orientado hacia arriba. Es puramente un experimento de un solo disparo. Cada persona ve solo una tarjeta, y da una sola respuesta; y en ningún momento el participante está realmente en contacto con alguien que sabe la respuesta correcta. Mi conjunto de datos, por lo tanto, es muy sencillo. Yo he hecho la pregunta de N personas, y algún número X de estas personas ha dado la respuesta correcta. Para concretar las cosas, supongamos que he probado N=100 personas, y X=62 de estas obtuvieron la respuesta correcta... un número sorprendentemente grande, claro, pero ¿es lo suficientemente grande para que me sienta seguro al afirmar que he encontrado pruebas de ESP? Esta es la situación en la que las pruebas de hipótesis resultan útiles. Sin embargo, antes de hablar de cómo probar hipótesis, necesitamos tener claro lo que entendemos por hipótesis.
Hipótesis de investigación versus hipótesis estadísticas
La primera distinción que debes tener clara en tu mente es entre hipótesis de investigación e hipótesis estadísticas. En mi estudio ESP, mi objetivo científico general es demostrar que la clarividencia existe. Ante esta situación, tengo un claro objetivo de investigación: espero descubrir evidencias para ESP. En otras situaciones, en realidad podría ser mucho más neutral que eso, así que podría decir que mi objetivo de investigación es determinar si existe o no la clarividencia. Independientemente de cómo me quiera retratar, el punto básico que estoy tratando de transmitir aquí es que una hipótesis de investigación implica hacer una afirmación científica sustantiva y comprobable... si eres psicólogo, entonces tus hipótesis de investigación son fundamentalmente sobre construcciones psicológicas. Cualquiera de las siguientes hipótesis de investigación contaría como hipótesis de investigación:
- Escuchar música reduce tu capacidad de prestar atención a otras cosas. Se trata de una afirmación sobre la relación causal entre dos conceptos psicológicamente significativos (escuchar música y prestar atención a las cosas), por lo que es una hipótesis de investigación perfectamente razonable.
- La inteligencia está relacionada con la personalidad. Al igual que el último, esta es una afirmación relacional sobre dos construcciones psicológicas (inteligencia y personalidad), pero la afirmación es más débil: correlacional no causal.
- La inteligencia es* velocidad de procesamiento de la información . Esta hipótesis tiene un carácter bastante diferente: en realidad no es una afirmación relacional en absoluto. Es una afirmación ontológica sobre el carácter fundamental de la inteligencia (y estoy bastante seguro de que está mal). Vale la pena expandirse en este en realidad: Por lo general, es más fácil pensar en cómo construir experimentos para probar hipótesis de investigación de la forma “¿X afecta a Y?” de lo que es para atender reclamos como “¿qué es X?” Y en la práctica, lo que suele suceder es que encuentres formas de probar afirmaciones relacionales que se derivan de tus ontológicas. Por ejemplo, si creo que la inteligencia es* velocidad de procesamiento de información en el cerebro, mis experimentos a menudo implicarán buscar relaciones entre medidas de inteligencia y medidas de velocidad. Como consecuencia, la mayoría de las preguntas cotidianas de investigación tienden a ser de naturaleza relacional, pero casi siempre están motivadas por preguntas ontológicas más profundas sobre el estado de la naturaleza.
Observe que en la práctica, mis hipótesis de investigación podrían superponerse mucho. Mi objetivo final en el experimento ESP podría ser probar una afirmación ontológica como “ESP existe”, pero podría restringirme operacionalmente a una hipótesis más estrecha como “Algunas personas pueden `ver' objetos de una manera clarividente”. Dicho esto, hay algunas cosas que realmente no cuentan como hipótesis de investigación adecuadas en ningún sentido significativo:
- El amor es un campo de batalla. Esto es demasiado vago para ser comprobable. Si bien está bien que una hipótesis de investigación tenga un grado de vaguedad, tiene que ser posible operacionalizar tus ideas teóricas. A lo mejor simplemente no soy lo suficientemente creativo para verlo, pero no puedo ver cómo esto se puede convertir en ningún diseño de investigación concreto. Si eso es cierto, entonces esta no es una hipótesis de investigación científica, es una canción pop. Eso no quiere decir que no sea interesante —un montón de preguntas profundas que tienen los humanos caen dentro de esta categoría. Tal vez algún día la ciencia pueda construir teorías comprobables del amor, o probar para ver si Dios existe, y así sucesivamente; pero ahora mismo no podemos, y yo no apostaría a ver nunca un enfoque científico satisfactorio para ninguno de los dos.
- La primera regla del club de tautología es la primera regla del club de tautología. No se trata de una reclamación sustantiva de ningún tipo. Es cierto por definición. Ningún estado de naturaleza concebible podría ser inconsistente con esta alegación. Como tal, decimos que se trata de una hipótesis no falsificable, y como tal está fuera del dominio de la ciencia. Cualquier otra cosa que hagas en la ciencia, tus afirmaciones deben tener la posibilidad de equivocarse.
- Más personas en mi experimento dirán “sí” que “no”. Esta falla como hipótesis de investigación porque es una afirmación sobre el conjunto de datos, no sobre la psicología (a menos que, por supuesto, su pregunta de investigación real sea si las personas tienen algún tipo de sesgo de “sí”!). Como veremos en breve, esta hipótesis empieza a sonar más como una hipótesis estadística que como una hipótesis de investigación.
Como puede ver, las hipótesis de investigación pueden ser algo desordenadas a veces; y en última instancia son afirmaciones científicas. Las hipótesis estadísticas no son ninguna de estas dos cosas. Las hipótesis estadísticas deben ser matemáticamente precisas, y deben corresponder a afirmaciones específicas sobre las características del mecanismo generador de datos (es decir, la “población”). Aun así, la intención es que las hipótesis estadísticas tengan una clara relación con las hipótesis de investigación sustantivas que te importan. Por ejemplo, en mi estudio ESP mi hipótesis de investigación es que algunas personas son capaces de ver a través de paredes o lo que sea. Lo que quiero hacer es “mapear” esto en una declaración sobre cómo se generaron los datos. Entonces pensemos en cuál sería esa afirmación. La cantidad que me interesa dentro del experimento es P (“correcta”), la probabilidad verdadera pero desconocida con la que los participantes en mi experimento responden correctamente a la pregunta. Usemos la letra griega θ (theta) para referirnos a esta probabilidad. Aquí hay cuatro hipótesis estadísticas diferentes:
- Si el ESP no existe y si mi experimento está bien diseñado, entonces mis participantes solo están adivinando. Entonces debería esperar que lo hagan bien la mitad del tiempo y así mi hipótesis estadística es que la verdadera probabilidad de elegir correctamente es θ=0.5.
- Alternativamente, supongamos que el ESP existe y los participantes pueden ver la tarjeta. Si eso es cierto, la gente se desempeñará mejor que el azar. La hipótesis estadística sería que θ>0.5.
- Una tercera posibilidad es que el ESP sí exista, pero los colores están todos invertidos y la gente no se da cuenta (bien, eso es loco, pero nunca se sabe...). Si así es como funciona, entonces esperarías que el desempeño de la gente esté por debajo del azar. Esto correspondería a una hipótesis estadística que θ<0.5.
- Por último, supongamos que el ESP existe, pero no tengo idea de si la gente ve el color correcto o el incorrecto. En ese caso, la única afirmación que podría hacer sobre los datos sería que la probabilidad de hacer la respuesta correcta no es igual a 50. Esto corresponde a la hipótesis estadística de que θ≠ 0.5.
Todos estos son ejemplos legítimos de una hipótesis estadística porque son afirmaciones sobre un parámetro poblacional y están significativamente relacionadas con mi experimento.
Lo que esta discusión deja claro, espero, es que al intentar construir una prueba de hipótesis estadística el investigador en realidad tiene dos hipótesis bastante distintas a considerar. Primero, tiene una hipótesis de investigación (una afirmación sobre psicología), y esto corresponde a una hipótesis estadística (una afirmación sobre la población generadora de datos). En mi ejemplo ESP, estos podrían ser
Dan.s.research.hypothesis | Dan.s.Estadística.Hipótesis |
---|---|
ESP.Existe | θ≠ 0.5 |
Y la clave a reconocer es esto: una prueba de hipótesis estadística es una prueba de la hipótesis estadística, no de la hipótesis de investigación. Si tu estudio está mal diseñado, entonces se rompe el vínculo entre tu hipótesis de investigación y tu hipótesis estadística. Por dar un ejemplo tonto, supongamos que mi estudio de ESP se realizó en una situación en la que el participante pueda ver realmente la tarjeta reflejada en una ventana; si eso sucede, podría encontrar evidencias muy contundentes de que θ≠ 0.5, pero esto no nos diría nada sobre si “ESP existe”.
Hipótesis nulas e hipótesis alternativas
Hasta el momento, tan bien. Tengo una hipótesis de investigación que corresponde a lo que quiero creer del mundo, y puedo mapearla en una hipótesis estadística que corresponde a lo que quiero creer sobre cómo se generaron los datos. Es en este punto que las cosas se vuelven algo contradictivas para mucha gente. Porque lo que estoy a punto de hacer es inventar una nueva hipótesis estadística (la hipótesis “nula”, H 0) que corresponda exactamente a lo contrario de lo que quiero creer, y luego enfocarme exclusivamente en eso, casi al descuido de lo que realmente me interesa (que ahora se llama la “alternativa” hipótesis, H 1). En nuestro ejemplo ESP, la hipótesis nula es que θ=0.5, ya que eso es lo que esperaríamos si ESP no existiera. Mi esperanza, por supuesto, es que ESP sea totalmente real, y así la alternativa a esta hipótesis nula es θ≠ 0.5. En esencia, lo que estamos haciendo aquí es dividir los posibles valores de θ en dos grupos: esos valores que realmente espero no sean ciertos (el nulo), y esos valores con los que estaría contento si resultaran acertados (la alternativa). Una vez hecho esto, lo importante a reconocer es que el objetivo de una prueba de hipótesis no es mostrar que la hipótesis alternativa es (probablemente) cierta; el objetivo es mostrar que la hipótesis nula es (probablemente) falsa. La mayoría de la gente encuentra esto bastante raro.
La mejor manera de pensarlo, en mi experiencia, es imaginar que una prueba de hipótesis es un juicio penal 159... el juicio de la hipótesis nula. La hipótesis nula es el demandado, el investigador es el fiscal, y la prueba estadística en sí es el juez. Al igual que un juicio penal, existe una presunción de inocencia: la hipótesis nula se considera cierta a menos que usted, el investigador, pueda demostrar más allá de toda duda razonable que es falsa. Eres libre de diseñar tu experimento como quieras (dentro de lo razonable, ¡obviamente!) , y tu objetivo al hacerlo es maximizar la posibilidad de que los datos den lugar a una condena... por el delito de ser falso. El problema es que la prueba estadística establece las reglas del juicio, y esas reglas están diseñadas para proteger la hipótesis nula —específicamente para asegurar que si la hipótesis nula es realmente cierta, se garantiza que las posibilidades de una falsa condena sean bajas. Esto es bastante importante: después de todo, la hipótesis nula no consigue un abogado. Y dado que el investigador está tratando desesperadamente de demostrar que es falso, alguien tiene que protegerlo.