1.5: Esbozo del Libro

El objetivo de este texto es desarrollar una comprensión de cómo construir teorías probando hipótesis utilizando datos empíricos y modelos estadísticos. Hay tres ingredientes necesarios para una fuerte investigación empírica. La primera es una teoría cuidadosamente construida que genera hipótesis empíricamente comprobables. Una vez probadas, estas hipótesis deberían tener implicaciones para el desarrollo de la teoría. El segundo ingrediente son los datos de calidad. Los datos deben ser válidos, confiables y relevantes. El ingrediente final es utilizar el diseño y ejecución del modelo apropiado. Específicamente, se deben utilizar los modelos estadísticos apropiados para probar las hipótesis. Los modelos apropiados son aquellos que se especifican, estiman y utilizan datos que se ajustan a los supuestos estadísticos. Este curso se centra en el diseño y ejecución de modelos.

Como se señaló, este texto utiliza la ideología política y puntos de vista sobre el medio ambiente como estudio de caso para examinar la construcción teórica en las ciencias sociales. ³ El texto está organizado por los pasos idealizados del proceso de investigación. Como primer paso, este primer capítulo discutió teorías y pruebas de hipótesis, que siempre deben ser (¡pero a menudo no lo son!) la primera consideración. El segundo capítulo se centra en el diseño de la investigación y cuestiones de validez interna y externa. El capítulo 3 examina los datos y cubre formas específicas de entender cómo se distribuyen las variables en los datos. Esto es vital saber antes de hacer cualquier tipo de modelado estadístico. El cuarto capítulo es una introducción a la probabilidad. El quinto capítulo abarca la inferencia y cómo llegar a conclusiones respecto a una población cuando se estudia una muestra. El sexto capítulo explora cómo entender las relaciones básicas que pueden sostenerse entre dos variables, incluyendo tabulaciones cruzadas, covarianza, correlación y pruebas de diferencia de medias. Estas relaciones son la base de enfoques estadísticos más sofisticados y, por lo tanto, la comprensión de estas relaciones suele ser un precursor de los últimos pasos del análisis estadístico. Los capítulos séptimo a décimo se centran en la regresión bi-variable de mínimos cuadrados ordinarios (OLS) o regresión de OLS con una variable dependiente y una variable independiente. Esto nos permite comprender la mecánica de la regresión antes de pasar a la tercera sección (capítulos once a quince) que cubren la regresión múltiple de OLS. La última sección del libro (capítulo dieciséis) abarca la regresión logística (logit). La regresión logit es un ejemplo de una clase de modelos llamados modelos lineales generalizados (GLM). Los GLM permiten realizar análisis lineales en diferentes tipos de variables dependientes que pueden no ser apropiadas para la regresión de OLS.

Como nota final, este texto hace un uso extensivo de R. El código para reproducir todos los ejemplos está excluido en el texto de tal manera que se pueda copiar y pegar fácilmente en su consola R. Los datos utilizados para los ejemplos también están disponibles. La puedes encontrar aquí.

1. Este asunto se discutirá con más detalle en la sección de regresión múltiple. ↩
2. Cuanto más café, mayor es la productividad — ¡hasta cierto punto! Más allá de algún nivel de consumo, el café puede inducir nerviosismo y comportamiento de tipo Add, socavando así la productividad. Por lo tanto, la función planteada que vincula el consumo de café con la productividad es no lineal, inicialmente positiva pero luego plana o negativa a medida que aumenta el consumo. ↩
3. Como ya te habrás dado cuenta, los científicos sociales a menudo toman estos pasos fuera de orden... podemos volver a” una idea, o saltarnos un paso y volver a ella más tarde. No hay un libro de cocina confiable para lo que hacemos. Más bien, pensar en los pasos idealizados del proceso científico como una heurística importante que nos ayuda a pensar a través de nuestra línea de razonamiento y análisis —muchas veces después del hecho— para ayudarnos a estar seguros de que aprendimos lo que pensamos que aprendimos de nuestro análisis. ↩