| conclusion feels true | conclusion feels false | |
|---|---|---|
| argument is valid | 100\(\%\) say "valid" | 100\(\%\) say "valid" |
| argument is invalid | 0\(\%\) say "valid" | 0\(\%\) say "valid" |
1 ¿Por qué aprendemos estadística?
\[ \]
“No responderás cuestionarios
O cuestionarios sobre Asuntos Mundiales,
Tampoco con el cumplimiento
Realizaras ninguna prueba. No te sentarás
Con estadísticos ni cometerás
Una ciencia social”
– WH Auden1
1.1 Sobre la psicología de la estadística
Para sorpresa de muchas y muchos estudiantes, la estadística es una parte bastante significativa de la educación psicológica. Para sorpresa de nadie, la estadística rara vez es la parte favorita de la educación psicológica. Después de todo, si realmente te encantara la idea de hacer estadística, probablemente te habrías inscrito en una clase de estadística en este momento, no en una clase de psicología. Así que, como es lógico, hay una proporción bastante grande del estudiantado que no está contenta con el hecho de que la psicología tenga tanta estadística. Por todo ello, pensé que el lugar correcto para comenzar podría ser responder algunas de las preguntas más comunes que la gente tiene sobre la estadística.
Una gran parte de este tema en cuestión se relaciona con la idea misma de la estadística. ¿Qué es? ¿Para qué está ahí? ¿Y por qué los científicos están tan obsesionados con eso? Todas son buenas preguntas, si lo pensamos. Así que empecemos con la última. Como grupo, los científicos parecen estar extrañamente obsesionados con realizar pruebas estadísticas en todo. De hecho, usamos la estadística con tanta frecuencia que a veces nos olvidamos de explicarle a la gente por qué lo hacemos. Es una especie de artículo de fe entre los científicos, y especialmente entre los científicos sociales, que no se puede confiar en los hallazgos hasta que hayamos utilizado la estadística. Se puede perdonar al estudiantado universitario por pensar que todos estamos completamente locos, porque nadie se toma la molestia de responder una pregunta muy sencilla:
¿Por qué haces estadística? ¿Por qué los científicos no usan el sentido común?
Es una pregunta ingenua en algunos aspectos, pero la mayoría de las buenas preguntas lo son. Hay muchas buenas respuestas, 2 pero, en mi opinión, la mejor respuesta es realmente sencilla: no confiamos lo suficiente en nosotras mismas. Nos preocupa que seamos humanos y susceptibles a todos los prejuicios, tentaciones y debilidades que sufren los humanos. Gran parte de la estadística es básicamente una salvaguarda. Usar el “sentido común” para evaluar la evidencia significa confiar en los instintos, confiar en argumentos verbales y usar el poder puro de la razón humana para llegar a la respuesta correcta. La mayoría de los científicos no cree que este enfoque funcione.
De hecho, ahora que lo pienso, esto me suena mucho a una pregunta psicológica, y dado que trabajo en un departamento de psicología, parece una buena idea profundizar un poco más aquí. ¿Es realmente plausible pensar que este enfoque de “sentido común” es muy fiable? Los argumentos verbales tienen que construirse con lenguaje, y todos los lenguajes tienen sesgos: algunas cosas son más difíciles de decir que otras, y no necesariamente porque sean falsas (p. ej., la electrodinámica cuántica es una buena teoría, pero difícil de explicar con palabras). Los instintos de nuestro “intestino” no están diseñados para resolver problemas científicos, están diseñados para manejar inferencias cotidianas, y dado que la evolución biológica es más lenta que el cambio cultural, deberíamos decir que están diseñados para resolver los problemas cotidianos para un mundo diferente al que vivimos. Fundamentalmente, el razonamiento sensato requiere que las personas participen en la “inducción”, haciendo conjeturas sabias y llevando el razonamiento más allá de la evidencia inmediata de los sentidos para hacer generalizaciones sobre el mundo. Si crees que puedes hacer eso sin dejarte influir por diversos factores, bueno, no hace falta que continuemos discutiendo. Incluso, como muestra la siguiente sección, ni siquiera podemos resolver problemas “deductivos” (aquellos en los que no se requiere adivinar) sin que nuestros sesgos preexistentes nos influyan.
1.1.1 La maldición del sesgo de creencia
La gente es en su mayoría bastante inteligente. Ciertamente somos más inteligentes que las otras especies con las que compartimos el planeta (aunque muchas personas podrían estar en desacuerdo). Nuestras mentes son bastante sorprendentes, y parecemos ser capaces de las hazañas más increíbles del pensamiento y la razón. Aunque eso no nos hace perfectos. Y entre las muchas cosas que la Psicología ha demostrado a lo largo de los años es que realmente nos resulta difícil ser neutrales, evaluar la evidencia de manera imparcial y sin dejarnos influir por sesgos preexistentes. Un buen ejemplo de esto es el efecto del sesgo de creencia en el razonamiento lógico: si le pides a la gente que decida si un argumento en particular es lógicamente válido (es decir, la conclusión sería verdadera si las premisas fueran verdaderas), tendemos a estar influenciadas por la credibilidad de la conclusión, incluso cuando no deberíamos. Por ejemplo, aquí hay un argumento válido donde la conclusión es creíble:
Todos los cigarrillos son caros (Premisa 1)
Algunas cosas adictivas son baratas (Premisa 2)
Por lo tanto, algunas cosas adictivas no son cigarrillos (Conclusión)
Y aquí hay un argumento válido donde la conclusión no es creíble:
Todas las cosas adictivas son caras (Premisa 1)
Algunos cigarrillos son baratos (Premisa 2)
Por lo tanto, algunos cigarrillos no son adictivos (Conclusión)
La estructura lógica del segundo argumento es idéntica a la estructura del primer argumento y ambos son válidos. Sin embargo, en el segundo argumento, hay buenas razones para pensar que la premisa 1 es incorrecta y, como resultado, es probable que la conclusión también sea incorrecta. Pero eso es completamente irrelevante para el tema en cuestión; un argumento es deductivamente válido si la conclusión es una consecuencia lógica de las premisas. Es decir, un argumento válido no tiene que involucrar declaraciones verdaderas.
Por otro lado, aquí hay un argumento inválido que tiene una conclusión creíble:
Todas las cosas adictivas son caras (Premisa 1)
Algunos cigarrillos son baratos (Premisa 2)
Por lo tanto, algunas cosas adictivas no son cigarrillos (Conclusión)
Y finalmente, un argumento inválido con una conclusión increíble:
Todos los cigarrillos son caros (Premisa 1)
Algunas cosas adictivas son baratas (Premisa 2)
Por lo tanto, algunos cigarrillos no son adictivos (Conclusión)
Ahora, supongamos que la gente es perfectamente capaz de dejar de lado sus prejuicios sobre lo que es cierto y lo que no, y evaluar un argumento únicamente por sus méritos lógicos. Esperaríamos que el 100 % de la gente dijera que los argumentos válidos son válidos y que el 0 % de la gente dijera que los argumentos inválidos son válidos. Por tanto, si hiciéramos un experimento sobre este tema, esperaríamos ver datos como los de @ tbl-tab1-1.
Si los datos psicológicos fueran así (o incluso una buena aproximación), podríamos confiar en nuestro instinto. Es decir, estaría perfectamente bien dejar que los científicos evaluaran los datos basándose en su sentido común, y no molestarse con todo este turbio asunto de la estadística. Sin embargo, habéis hecho clases de psicología, y ahora probablemente ya sabéis a dónde va esto.
En un estudio clásico, Evans et al. (1983) realizó un experimento que analizaba exactamente esto. Lo que descubrieron es que cuando los sesgos preexistentes (es decir, las creencias) coincidían con la estructura de los datos, todo salía como se esperaba (Table 1.2).
| conclusion feels true | conclusion feels false | |
|---|---|---|
| argument is valid | 92\(\%\) say "valid" | |
| argument is invalid | 8\(\%\) say "valid" |
No es perfecto, pero es bastante bueno. Pero mira lo que sucede cuando nuestros sentimientos intuitivos sobre la verdad de la conclusión van en contra de la estructura lógica del argumento (Table 1.3):
| conclusion feels true | conclusion feels false | |
|---|---|---|
| argument is valid | 92\(\%\) say "valid" | 46\(\%\) say "valid" |
| argument is invalid | 92\(\%\) say "valid" | 8\(\%\) say "valid" |
Vaya, eso no es tan bueno. Aparentemente, cuando a las personas se nos presenta un argumento sólido que contradice nuestras creencias preexistentes, nos resulta bastante difícil incluso percibirlo como un argumento sólido (la gente solo lo hizo el 46 % de las veces). Peor aún, cuando a las personas se nos presenta un argumento débil que está de acuerdo con nuestros prejuicios preexistentes, casi nadie puede ver que el argumento es débil (¡la gente se equivocó el 92 % de las veces!). 3
Si lo piensas bien, no es que estos datos sean extremadamente incriminatorios. En general, a las personas les fue mejor que al azar para compensar sus sesgos anteriores, ya que alrededor del 60 % de los juicios de las personas fueron correctos (se esperaría que el 50 % fuera por casualidad). Aun así, si fueras un “evaluador de evidencia” profesional, y alguien viniera y te ofreciera una herramienta mágica que mejora tus posibilidades de tomar la decisión correcta del 60% al (digamos) 95%, probablemente lo aceptarías, ¿verdad? Por supuesto que lo harías. Afortunadamente, tenemos una herramienta que puede hacer esto. Pero no es magia, es la estadística. Esa es la razón número 1 por la que a los científicos les encanta la estadística. Es demasiado fácil para nosotros “creer lo que queremos creer”. Entonces, si queremos “creer en los datos”, vamos a necesitar un poco de ayuda para mantener bajo control nuestros sesgos personales. Eso es lo que hace la estadística, nos ayuda a mantenernos honestos.
1.2 La historia con moraleja de la paradoja de Simpson
La siguiente es una historia real (¡creo!). En 1973, la Universidad de California, Berkeley, tenía algunas preocupaciones sobre la admisión de estudiantes en sus cursos de posgrado. Específicamente, lo que causó el problema fue el desglose por género de sus admisiones (Table 1.4).
| Number of applicants | Percent admitted | |
|---|---|---|
| Males | 8442 | 44\(\%\) |
| Females | 4321 | 35\(\%\) |
Dado esto, ¡les preocupaba que los demandaran!4 Dado que había casi 13 000 solicitantes, una diferencia del 9 % en las tasas de admisión entre hombres y mujeres es demasiado grande para ser una coincidencia. Datos bastante convincentes, ¿verdad? Y si te dijera que estos datos en realidad reflejan un sesgo débil a favor de las mujeres (¡más o menos!), probablemente pensarías que estoy loca o soy sexista.
Muchas gracias a Wilfried Van Hirtum por señalarme esto.
Curiosamente, en realidad es cierto. Cuando las personas comenzaron a observar con más atención los datos de admisión, contaron una historia bastante diferente (Bickel et al., 1975). Específicamente, cuando lo analizaron departamento por departamento, resultó que la mayoría de los departamentos en realidad tenían una tasa de éxito ligeramente más alta para las mujeres solicitantes que para los hombres. Table 1.5 muestra las cifras de admisión para los seis departamentos más grandes (con los nombres de los departamentos eliminados por razones de privacidad):
| Males | Females | |||
|---|---|---|---|---|
| Department | Applicants | Percent admitted | Applicants | Percent admitted |
| A | 825 | 62\(\%\) | 108 | 82\(\%\) |
| B | 560 | 63\(\%\) | 25 | 68\(\%\) |
| C | 325 | 37\(\%\) | 593 | 34\(\%\) |
| D | 417 | 33\(\%\) | 375 | 35\(\%\) |
| E | 191 | 28\(\%\) | 393 | 24\(\%\) |
| F | 272 | 6\(\%\) | 341 | 7\(\%\) |
Sorprendentemente, ¡la mayoría de los departamentos tenían una tasa más alta de admisiones para mujeres que para hombres! Sin embargo, la tasa general de admisión en la universidad para mujeres fue menor que para hombres. ¿Cómo puede ser esto? ¿Cómo pueden ambas afirmaciones ser verdaderas al mismo tiempo?
Esto es lo que está pasando. En primer lugar, fíjate que los departamentos no son iguales entre sí en términos de sus porcentajes de admisión: algunos departamentos (por ejemplo, A, B) tendían a admitir un alto porcentaje de los solicitantes calificados, mientras que otros (por ejemplo, F) tendían a rechazar la mayoría de los candidatos, aunque fueran de alta calidad. Entonces, entre los seis departamentos que se muestran arriba, fíjate que el departamento A es el más generoso, seguido por B, C, D, E y F en ese orden. A continuación, observa que los hombres y las mujeres tendían a postularse a diferentes departamentos. Si clasificamos los departamentos en términos del número total de candidatos masculinos, obtenemos A>B>D>C>F>E (los departamentos “fáciles” están en negrita). En general, los hombres tendían a postularse a los departamentos que tenían altas tasas de admisión. Ahora compara esto con cómo se distribuyeron las candidatas. Clasificar los departamentos en términos del número total de candidatas produce un orden bastante diferente C>E>D>F>A>B. En otras palabras, lo que estos datos parecen sugerir es que las candidatas tendían a postularse a departamentos “más difíciles”. Y de hecho, si observamos la Figura Figure 1.1 vemos que esta tendencia es sistemática y bastante llamativa. Este efecto se conoce como paradoja de Simpson. No es común, pero sucede en la vida real, y la mayoría de las personas se sorprenden mucho cuando lo encuentran por primera vez, y muchas personas se niegan incluso a creer que es real. Es muy real y si bien hay muchas lecciones estadísticas muy sutiles enterradas allí, quiero usarlas para resaltar un punto mucho más importante: investigar es difícil, y hay muchas trampas sutiles que contradicen la intuición al acecho de los desprevenidos. Esa es la razón número 2 por la que a los científicos les encantan las estadísticas y por la que enseñamos métodos de investigación. Porque la ciencia es difícil, y la verdad a veces se oculta astutamente en los rincones y grietas de datos complicados.
Antes de dejar este tema por completo, quiero señalar algo más realmente crítico que a menudo se pasa por alto en una clase de métodos de investigación. La estadística solo resuelve parte del problema. Recuerda que comenzamos todo esto con la preocupación de que los procesos de admisión de Berkeley pudieran estar sesgados injustamente en contra de las mujeres solicitantes. Cuando miramos los datos “agregados”, parecía que la universidad estaba discriminando a las mujeres, pero cuando “desagregamos” y miramos el comportamiento individual de todos los departamentos, resultó que los departamentos estaban, en todo caso, ligeramente sesgados a favor de las mujeres. El sesgo de género en el total de admisiones se debió al hecho de que las mujeres tendían a autoseleccionarse para los departamentos más difíciles. Desde un punto de vista legal, eso probablemente eximiría a la universidad. Las admisiones de posgrado se determinan a nivel del departamento individual, y hay buenas razones para hacerlo. A nivel de departamentos individuales, las decisiones son más o menos imparciales (el débil sesgo a favor de las mujeres en ese nivel es pequeño y no es consistente en todos los departamentos). Dado que la universidad no puede dictar a qué departamentos eligen postularse las personas, y la toma de decisiones se lleva a cabo a nivel del departamento, difícilmente se le puede responsabilizar por cualquier sesgo que produzcan esas elecciones.
Esa fue la base de mis comentarios algo simplistas anteriores, pero esa no es exactamente toda la historia, ¿verdad? Después de todo, si estamos interesadas en esto desde una perspectiva más sociológica y psicológica, podríamos preguntarnos por qué hay diferencias de género tan marcadas en las solicitudes. ¿Por qué los hombres tienden a postularse a la ingeniería con más frecuencia que las mujeres, y por qué esto se invierte en el departamento de inglés? ¿Y por qué los departamentos que tienden a tener un sesgo de solicitud de mujeres tienden a tener tasas de admisión generales más bajas que aquellos departamentos que tienen un sesgo de solicitud de hombres? ¿No podría esto seguir reflejando un sesgo de género, a pesar de que cada departamento es imparcial en sí mismo? Que podría. Supongamos, hipotéticamente, que los hombres prefieren aplicar a “ciencias duras” y las mujeres prefieren “humanidades”. Y supongamos además que la razón por la cual los departamentos de humanidades tienen bajas tasas de admisión es porque el gobierno no quiere financiar las humanidades (los lugares de doctorado, por ejemplo, a menudo están vinculados a proyectos de investigación financiados por el gobierno). ¿Eso constituye un sesgo de género? ¿O simplemente una visión poco ilustrada del valor de las humanidades? ¿Qué pasaría si alguien de alto nivel en el gobierno recortara los fondos de humanidades porque sintiera que las humanidades son “cosas de chicas inútiles”? Eso parece bastante descaradamente sesgado por género. Nada de esto cae dentro del ámbito de la estadística, pero es importante para el proyecto de investigación. Si estás interesada en los efectos estructurales generales de los sutiles sesgos de género, entonces probablemente quieras ver los datos agregados y desagregados. Si estás interesada en el proceso de toma de decisiones en Berkeley, entonces probablemente solo estés interesada en los datos desagregados.
En resumen, hay muchas preguntas críticas que no puedes responder con estadísticas, pero las respuestas a esas preguntas tendrán un gran impacto en la forma en que analizas e interpretas los datos. Y esta es la razón por la que siempre debes pensar en la estadística como una herramienta para ayudarte a conocer tus datos. Nada mas y nada menos. Es una herramienta poderosa para ese fin, pero no hay sustituto para una reflexión cuidadosa.
1.3 Estadística en psicología
Espero que la discusión anterior haya ayudado a explicar por qué la ciencia en general está tan enfocada en la estadística. Pero supongo que tienes muchas más preguntas sobre el papel que juega la estadística en la psicología, y específicamente por qué las clases de psicología siempre dedican tantas horas a la estadística. Así que aquí está mi intento de responder a algunas de ellas…
¿Por qué la psicología tiene tanta estadística?
Para ser totalmente honesta, hay algunas razones diferentes, algunas de las cuales son mejores que otras. La razón más importante es que la psicología es una ciencia estadística. Lo que quiero decir con eso es que las “cosas” que estudiamos son personas. Gente real, complicada, gloriosamente desordenada, exasperantemente perversa. Las “cosas” de la física incluyen objetos como los electrones, y aunque surgen todo tipo de complejidades en la física, los electrones no tienen mente propia. No tienen opiniones, no difieren entre sí de forma extraña y arbitraria, no se aburren en medio de un experimento y no se enfadan con el experimentador y luego intentan sabotear deliberadamente el conjunto de datos (¡no es que lo haya hecho alguna vez!). En un nivel básico, la psicología es más difícil que la física.5 Básicamente, os enseñamos estadística a vosotras como psicólogas porque necesitáis ser mejores en estadística que los físicos. En realidad, hay un dicho que se usa a veces en física, en el sentido de que “si tu experimento necesita estadística, deberías haber hecho un experimento mejor”. Tienen el lujo de poder decir eso porque sus objetos de estudio son tristemente simples en comparación con el enorme lío al que se enfrentan los científicos sociales. Y no es solo psicología. La mayoría de las ciencias sociales dependen desesperadamente de la estadística. No porque seamos malos experimentadores, sino porque hemos elegido un problema más difícil de resolver. Te enseñamos estadística porque realmente la necesitas.
¿Puede cualquiera hacer estadística?
Hasta cierto punto, pero no completamente. Es cierto que no necesitas convertirte en un estadístico completamente capacitado solo para hacer psicología, pero sí necesitas alcanzar un cierto nivel de competencia estadística. En mi opinión, hay tres razones por las que todo investigador psicológico debería poder hacer estadística básica:
- En primer lugar, está la razón fundamental: la estadística está profundamente entrelazada con el diseño de la investigación. Si quieres ser buena en el diseño de estudios psicológicos, al menos debes comprender los conceptos básicos de la estadística.
- En segundo lugar, si quieres ser buena en el aspecto psicológico de la investigación, entonces debes ser capaz de comprender la literatura psicológica, ¿verdad? Pero casi todos los artículos de la literatura psicológica informan los resultados de los análisis estadísticos. Entonces, si realmente quieres comprender la psicología, debes poder comprender lo que otras personas hicieron con sus datos. Y eso significa comprender una cierta cantidad de estadísticas.
- En tercer lugar, existe un gran problema práctico al depender de otras personas para realizar todas las estadísticas: el análisis estadístico es caro. Si alguna vez te aburres y quieres averiguar cuánto cobra el gobierno australiano por las tasas universitarias, notarás algo interesante: las estadísticas están designadas como una categoría de “prioridad nacional”, por lo que las tasas son mucho, mucho más bajas que para cualquier otra área de estudio. Esto se debe a que existe una escasez masiva de estadísticos. Entonces, desde tu perspectiva como investigador psicológico, ¡las leyes de la oferta y la demanda no están exactamente de tu lado aquí! Como resultado, en casi cualquier situación de la vida real en la que desees realizar una investigación psicológica, la cruda realidad será que no tendrás suficiente dinero para pagar a un estadístico. Entonces, la economía de la situación significa que tienes que ser bastante autosuficiente.
Ten en cuenta que muchas de estas razones se generalizan más allá de los investigadores. Si quieres ser una psicóloga en ejercicio y mantenerte al día en el campo, es útil poder leer la literatura científica, que se basa en gran medida en la estadística.
No me importan los trabajos, la investigación o el trabajo clínico. ¿Necesito la estadística?
Está bien, ahora solo estás jugando conmigo. Aún así, creo que debería importarte a ti también. La estadística debe ser importante para ti de la misma manera que la estadística debe ser importante para todas. Vivimos en el siglo XXI y los datos están en todas partes. Francamente, dado el mundo en el que vivimos en estos días, ¡un conocimiento básico de estadística es bastante parecido a una herramienta de supervivencia! Lo cual es el tema de la siguiente sección.
1.4 La Estadística en la vida cotidiana
“Nos estamos ahogando en información,
pero estamos hambrientos de conocimiento”
- Varios autores, original probablemente John Naisbitt
Cuando empecé a redactar mis apuntes de clase, cogí los 20 artículos más recientes publicados en la web de noticias de ABC. De esos 20 artículos, resultó que en 8 de ellos se discutía algo que yo llamaría un tema estadístico y en 6 de ellos se cometía un error. El error más común, si tienes curiosidad, fue no informar de los datos de referencia (p. ej., el artículo menciona que el 5% de las personas en la situación X tienen alguna característica Y, pero no dice lo común que es la característica para todos los demás). Lo que quiero decir con esto no es que los periodistas sean malos en estadística (aunque casi siempre lo son), sino que un conocimiento básico de estadística es muy útil para intentar averiguar cuándo alguien está cometiendo un error o incluso mintiéndote. De hecho, una de las cosas más importantes que te aporta el conocimiento de la estadística es que te enfadas con el periódico o con Internet con mucha más frecuencia. Puedes encontrar un buen ejemplo de esto en Section 4.1.5 en el Chapter 4. En versiones posteriores de este libro intentaré incluir más anécdotas en ese sentido.
1.5 Los métodos de investigación van más allá de las estadísticas
Hasta ahora, la mayor parte de lo que he hablado es de estadística, por lo que se te perdonaría que pensaras que la estadística es lo único que me interesa en la vida. Para ser justos, no estarías muy equivocada, pero la metodología de investigación es un concepto más amplio que la estadística. Por eso, la mayoría de los cursos de métodos de investigación abarcan muchos temas relacionados con la pragmática del diseño de la investigación y, en particular, con los problemas que surgen al investigar con seres humanos. Sin embargo, alrededor del 99% de los temores del alumnado se relacionan con la parte de estadística del curso, por lo que me he centrado en la estadística en esta discusión y espero haberte convencido de que la estadística es importante y, lo que es más importante, que no hay que temerla. Dicho esto, es bastante típico que las clases de introducción a los métodos de investigación estén muy cargadas de estadística. Esto no se debe (normalmente) a que los profesores y profesoras sean malas personas. Todo lo contrario. Las clases introductorias se centran mucho en la estadística porque casi siempre se necesita la estadística antes que el resto de la formación sobre métodos de investigación. ¿Por qué? Porque casi todas las tareas de las demás clases se basarán en la formación estadística, mucho más que en otras herramientas metodológicas. No es habitual que los trabajos de grado requieran que diseñes tu propio estudio desde cero (en cuyo caso necesitarías saber mucho sobre diseño de investigación), pero es habitual que los trabajos te pidan que analices e interpretes los datos que se recogieron en un estudio que diseñó otra persona (en cuyo caso necesitas estadística). En ese sentido, desde la perspectiva de que te permita rendir bien en el resto de tus clases, la estadística es más urgente.
Pero ten en cuenta que “urgente” no es lo mismo que “importante”: ambos son importantes. Quiero insistir en que el diseño de la investigación es tan importante como el análisis de datos, y este libro le dedica bastante tiempo. Sin embargo, mientras que la estadística tiene una especie de universalidad y proporciona un conjunto de herramientas básicas que son útiles para la mayoría de los tipos de investigación psicológica, los métodos de investigación no son tan universales. Hay algunos principios generales que todo el mundo debería tener en cuenta, pero gran parte del diseño de la investigación es muy idiosincrásico y específico del área de investigación a la que quieras dedicarte. En la medida en que son los detalles lo que importan, esos detalles no suelen aparecen en una clase introductoria de estadística y métodos de investigación.
la cita proviene del poema de Auden de 1946 Under Which Lyre: A Reactionary Tract for the Times, pronunciado como parte de un discurso de graduación en la Universidad de Harvard. La historia del poema es bastante interesante: https://www.harvardmagazine.com/2007/11/a-poets-warning.html↩︎
incluye la sugerencia de que el sentido común escasea entre los científicos.↩︎
En mis momentos más cínicos siento que este hecho por sí solo explica el 95% de lo que leo en Internet.↩︎
Las versiones anteriores de estas notas sugirieron incorrectamente que en realidad fueran demandadas. Pero eso no es cierto. Hay un buen comentario sobre esto aquí: https://www.refsmmat.com/posts/2016-05-08-simpsons-paradox-berkeley.html↩︎
lo que podría explicar por qué la física está un poco más avanzada como ciencia que nosotros.↩︎