Hoy quiero dejar por escrito lo que recuerdo y mis impresiones de las sesiones 21~30 de la formación en investigación educativa y análisis estadístico para docentes.
1. logit (로그잇) y regresión logística
Al principio, al oír hablar de regresión logística pensé que sería algo muy sofisticado, pero resultó ser una regresión lineal que sigue al logit.
No esperaba volver a encontrar aquí el concepto de logit que había visto antes al estudiar LLM.
La razón de probabilidades (odds) es la probabilidad de que ocurra un suceso dividida por la probabilidad de que no ocurra.
Si a esto le aplicamos el logaritmo, obtenemos el logit.
Se usa el logit porque, según el cambio de la variable, el factor de aumento o disminución del logit se mantiene constante.
Sin embargo, el propio gráfico del logit no es fácil de interpretar, por lo que en el proceso de interpretación hace falta volver a transformarlo en razón de probabilidades y, después, en probabilidad.
El método de uso en R también es muy sencillo: basta con añadir una g delante de la función lm que veníamos usando y convertirla en glm.
data <- read.csv(file.choose())
m1 <- glm(Y ~ X, data=data, family = binomial)2. La paradoja de Lord y cómo interpretarla
La paradoja de Lord trata de cómo, a partir del gráfico del cambio de peso de dos grupos (hombres y mujeres), la interpretación varía según el método de análisis utilizado.
Se la llama paradoja porque, usando los mismos datos, se obtienen resultados de investigación diferentes.
Un investigador analizó los dos grupos mediante un análisis de covarianza (análisis ANCOVA), y otro utilizó la diferencia entre el peso final y el peso inicial para su análisis.
Esta diferencia comienza ya en la propia pregunta de investigación.
Si el primero, mediante el análisis de covarianza, abordaba “el efecto de la dieta cuando hombres y mujeres parten del mismo peso”, el segundo trataba sobre “el cambio medio de peso tras la dieta en hombres y mujeres”.
En conclusión, los dos métodos de análisis responden a preguntas de investigación diferentes y cuál de ellos es más adecuado depende del objetivo del estudio y de la perspectiva de interpretación.
Esto sugiere que, en investigación, debemos aplicar el método de contraste adecuado según el propósito y la orientación del estudio.
3. Opinión final sobre la formación en investigación educativa y análisis estadístico para docentes
Cuando me inscribí por primera vez, pensé que no sería muy diferente de la asignatura de metodología de la investigación que había cursado en el posgrado, pero me resultó de muchísima ayuda.
Si en el posgrado se abordaba la investigación educativa en general, en esta formación a distancia sentí que se centraba exactamente en lo necesario para escribir un artículo y lo explicaba con detalle hasta la parte práctica.
Principalmente se trató el análisis estadístico relacionado con la regresión lineal; al fin y al cabo, creo que, entre los análisis estadísticos que un docente puede realizar, la regresión lineal es el que se puede usar de forma más útil.
Además, al principio me preguntaba por qué tenía que aprender R, pero tras seguir las clases instalé inmediatamente R y R Studio.
Yo ya no puedo investigar sin R.
Lo único que lamento es que en los materiales de la clase no hubiera archivos csv, por lo que resultaba difícil hacer prácticas reales de análisis estadístico con R.
Yo lo intenté usando datos de Kaggle, pero si alguien no estuviera familiarizado con este tipo de análisis, podría haberle costado seguir el ritmo.
En cualquier caso, la formación fue muy buena.
Si alguien me preguntara si recomiendo el curso, mi respuesta sería, por supuesto, YES.
Creo que escuchar solo este curso ya puede ayudar muchísimo a la hora de escribir un artículo.
Por último, rezo para poder escribir bien mi artículo este año.
댓글을 불러오는 중...