Este texto ofrece una introducción clara y fácil de usar a los conceptos y técnicas básicas que los estudiantes de ciencias sociales necesitan para tener una base sólida en estadística. Mediante un sencillo procedimiento paso a paso, guía al lector a través de los conceptos básicos de descripción de datos, estimación muestral, inferencia y asociación/correlación, explicando cada uno de ellos y su aplicación a problemas de la «vida real». Las definiciones en recuadro, los ejemplos prácticos y los ejercicios ayudan al lector en todo momento y se incluyen discos de datos en formato Macintosh y Windows para generar resultados y reproducir los procedimientos descritos.
Introducción a la estadística inferencial
Recuerde que la estadística descriptiva es la rama de la estadística cuyo objetivo es describir y resumir un conjunto de datos de la mejor manera posible, es decir, reduciéndolo a unas pocas medidas clave significativas y visualizaciones, con la menor pérdida de información posible. En otras palabras, la rama de la estadística descriptiva ayuda a tener una mejor comprensión y una imagen clara sobre un conjunto de observaciones gracias a las estadísticas de resumen y los gráficos. Con la estadística descriptiva, no hay incertidumbre porque sólo describimos el grupo de observaciones sobre el que decidimos trabajar y no se intenta generalizar las características observadas a otro o a un grupo más amplio de observaciones.
La estadística inferencial, en cambio, es la rama de la estadística que utiliza una muestra aleatoria de datos tomados de una población para hacer inferencias, es decir, para sacar conclusiones sobre la población de interés (véase la diferencia entre población y muestra si necesita refrescar los dos conceptos). En otras palabras, la información de la muestra se utiliza para hacer generalizaciones sobre el parámetro de interés en la población.
Estadística inferencial tamaño de la muestra
Replanteamiento estadístico: A Bayesian Course with Examples in R and Stan construye su conocimiento y confianza en la realización de inferencias a partir de datos. Reflejando la necesidad de scripts en la estadística actual basada en modelos, el libro le empuja a realizar cálculos paso a paso que suelen ser automatizados. Este enfoque computacional único garantiza que usted comprenda los detalles suficientes para tomar decisiones e interpretaciones razonables en su propio trabajo de modelización.
El texto presenta la inferencia causal y los modelos multinivel lineales generalizados desde una perspectiva bayesiana sencilla que se basa en la teoría de la información y la máxima entropía. El material básico abarca desde los fundamentos de la regresión hasta los modelos multinivel avanzados. También presenta el error de medición, los datos perdidos y los modelos de procesos gaussianos para la confusión espacial y filogenética.
La segunda edición hace hincapié en el enfoque de gráficos acíclicos dirigidos (DAG) para la inferencia causal, integrando los DAG en muchos ejemplos. La nueva edición también contiene nuevo material sobre el diseño de distribuciones a priori, splines, predictores categóricos ordenados, modelos de relaciones sociales, validación cruzada, muestreo de importancia, variables instrumentales y Hamiltonian Monte Carlo. Termina con un capítulo completamente nuevo que va más allá de la modelización lineal generalizada, mostrando cómo los modelos científicos específicos del dominio pueden incorporarse a los análisis estadísticos.
Apuntes de estadística inferencial
En la estadística descriptiva no hay incertidumbre: los estadísticos describen con precisión los datos que has recogido. Si se recogen datos de toda una población, se pueden comparar directamente estos estadísticos descriptivos con los de otras poblaciones.
Dado que el tamaño de una muestra siempre es menor que el de la población, parte de la población no queda recogida en los datos de la muestra. Esto crea un error de muestreo, que es la diferencia entre los verdaderos valores de la población (llamados parámetros) y los valores medidos de la muestra (llamados estadísticos).
El error de muestreo surge cada vez que se utiliza una muestra, incluso si ésta es aleatoria e insesgada. Por este motivo, siempre existe cierta incertidumbre en la estadística inferencial. Sin embargo, el uso de métodos de muestreo probabilístico reduce esta incertidumbre.
El error de muestreo es la diferencia entre un parámetro y la estadística correspondiente. Como en la mayoría de los casos no se conoce el parámetro real de la población, se puede utilizar la estadística inferencial para estimar estos parámetros de forma que se tenga en cuenta el error de muestreo.
