Comparar 2 grupos: T-Student (P) vs. U de Mann-Whitney (NP). Relacionar variables: Pearson (P) vs. Spearman (NP).
1. El camino Paramétrico (La ruta de la precisión)
El Escenario: Imagina que estás evaluando el impacto de una política pública educativa en 500 estudiantes (Muestra grande). Tus datos son notas numéricas exactas (Variable de intervalo) y siguen una curva de campana perfecta (Distribución normal).
La Aplicación: Aquí no puedes dudar. Usas una T-Student o un ANOVA.
¿Por qué? Porque tus datos tienen la solidez suficiente para hacer suposiciones fuertes y calcular promedios con un margen de error mínimo. Si usaras una no paramétrica aquí, estarías perdiendo información valiosa.
2. El camino No Paramétrico (La ruta de la robustez)
El Escenario: Ahora imagina una investigación en psicología clínica o ciencias sociales cualitativas. Tienes solo 15 participantes (Muestra pequeña) y estás midiendo "niveles de satisfacción" en una escala Likert (Variable ordinal/categórica). Los datos están dispersos y no hay una curva normal.
La Aplicación: Forzar un promedio aquí sería un error grave. En su lugar, usas Rho de Spearman para correlaciones o Wilcoxon.
¿Por qué? Porque estas pruebas trabajan con rangos y medianas, no con promedios. Son ideales cuando los datos son "rebeldes" o escasos, permitiéndote validar hipótesis sin cumplir requisitos estrictos de normalidad.
Para que no te detengas en el análisis de datos, sigue este subproceso de 4 pasos en tu próxima investigación:
Diagnóstico de Normalidad: Antes de elegir, ejecuta una prueba de normalidad (como Shapiro-Wilk para n<50 o Kolmogorov-Smirnov para n>50).
¿p > 0.05? → Probablemente es Paramétrica.
¿p < 0.05? → Vete por la No Paramétrica.
Identificación de Variables:
¿Mides cantidades exactas (kg, cm, $)? → Camino Paramétrico.
¿Mides orden o jerarquías (Alto/Medio/Bajo, Rankings)? → Camino No Paramétrico.
Revisión del Tamaño (N): Si tu N es menor a 30, ten mucho cuidado con las paramétricas a menos que la normalidad sea perfecta. Ante la duda con muestras pequeñas, la opción no paramétrica suele ser más segura (menos potencia, pero menos error tipo I).
Selección de la "Navaja Suiza":
El Escenario: Imagina que estás evaluando el impacto de una política pública educativa en 500 estudiantes (Muestra grande). Tus datos son notas numéricas exactas (Variable de intervalo) y siguen una curva de campana perfecta (Distribución normal).
La Aplicación: Aquí no puedes dudar. Usas una T-Student o un ANOVA.
¿Por qué? Porque tus datos tienen la solidez suficiente para hacer suposiciones fuertes y calcular promedios con un margen de error mínimo. Si usaras una no paramétrica aquí, estarías perdiendo información valiosa.
2. El camino No Paramétrico (La ruta de la robustez)
El Escenario: Ahora imagina una investigación en psicología clínica o ciencias sociales cualitativas. Tienes solo 15 participantes (Muestra pequeña) y estás midiendo "niveles de satisfacción" en una escala Likert (Variable ordinal/categórica). Los datos están dispersos y no hay una curva normal.
La Aplicación: Forzar un promedio aquí sería un error grave. En su lugar, usas Rho de Spearman para correlaciones o Wilcoxon.
¿Por qué? Porque estas pruebas trabajan con rangos y medianas, no con promedios. Son ideales cuando los datos son "rebeldes" o escasos, permitiéndote validar hipótesis sin cumplir requisitos estrictos de normalidad.
Para que no te detengas en el análisis de datos, sigue este subproceso de 4 pasos en tu próxima investigación:
Diagnóstico de Normalidad: Antes de elegir, ejecuta una prueba de normalidad (como Shapiro-Wilk para n<50 o Kolmogorov-Smirnov para n>50).
¿p > 0.05? → Probablemente es Paramétrica.
¿p < 0.05? → Vete por la No Paramétrica.
Identificación de Variables:
¿Mides cantidades exactas (kg, cm, $)? → Camino Paramétrico.
¿Mides orden o jerarquías (Alto/Medio/Bajo, Rankings)? → Camino No Paramétrico.
Revisión del Tamaño (N): Si tu N es menor a 30, ten mucho cuidado con las paramétricas a menos que la normalidad sea perfecta. Ante la duda con muestras pequeñas, la opción no paramétrica suele ser más segura (menos potencia, pero menos error tipo I).
Selección de la "Navaja Suiza":
No hay comentarios:
Publicar un comentario