Los objetivos expresan la intención del investigador en términos operativos, aquí comenzamos con el análisis estadístico bivariado, es decir estudios analíticos propiamente dichos, la estadística aplica pruebas para encontrar la relación, así como medir esta misma, para luego con herramientas metodológicas completar su intención.
Corresponde a los estudios analíticos, de relación entre variables, en un primer momento plantear relaciones netamente probabilísticas para luego plantear relaciones de causalidad, los datos son recolectados a propósito de la investigación pudiendo ser observacionales como experimentales.
Son herramientas nuevas en este nivel: el análisis bivariado, para la prueba de hipótesis o estimación puntual, otra novedad es la aparición de la variable fija, como criterio de conformación de grupo y también los coeficientes que ayudan a medir la intensidad de la relación entre las variables.
También aquí aparece la necesidad de plantear relaciones causales, para lo cual la estadística es insuficiente, por tanto habrá la necesidad de desarrollar los criterios de causalidad, resaltando la intervención del investigador a propósito del estudio, para asegurar de que la variable manipulada sea reconocida como causa del efecto observado.
Plantean relaciones bivariadas, relacionan a las variables de dos en dos, incluso en los casos de estudios que poseen muchas variables, una de ellas es la variable de supervisión, se trata de la variable de estudio, de la variable que caracteriza la línea de investigación.
Si van a participar dos variables, estas pueden ser fijas o aleatorias, en el ejemplo: Comparación del rendimiento académico de dos salones de clases, donde en cada salón hay veinte niños, la variable fija es salón de clases, porque ya se conoce, mientras que la variable aleatoria es el rendimiento académico, algo que todavía no se conoce.
Modelo matemático 1: Una variable fija y una aleatoria. La variable fija es el criterio de conformación de grupo en el ejemplo anterior, los grupos corresponde a las categorías de la variable salón de clases, mientras que la variable aleatoria es la variable a medir, no se conoce antes del procedimiento de la recolección de datos y es la razón por la cual se hace el estudio.
Modelo matemático 2: Dos variables aleatorias. Aquí ninguna de las dos variables se conoce antes de la recolección de datos, por tanto ambas variables se recogen, que si son dos variables categóricas se plantea una asociación, mientras que si son dos variables numéricas se plantea una correlación; en investigación esta intención se plantea después del Modelo 1.
Modelo matemático 3: Dos variables fijas. En este modelo ambas variables son categóricas y dicotómicas, donde ya se conocen las frecuencias de las categorías, entonces se construye una tabla de contingencia para analizar lo que ocurre en su interior, en los núcleos de la tabla y se busca su distribución, corresponde al test exacto de Fisher.
1. OBJETIVO COMPARAR
Representa el análisis bivariado más básico que existe, involucra la participación de dos variables: una variable fija y una variable aleatoria; existen dos formas de comparar, se puede comparar dos grupos paralelos o independientes y también se pueden comparar las medidas realizadas en el mismo grupo.
Veamos el siguiente ejemplo: queremos comparar el rendimiento académico en dos salones de clases, salón A y salón B. La variable fija – criterio de conformación de grupo – es el salón de clases cuyas categorías son salón A y salón B y la variable aleatoria – variable a medir – es el rendimiento académico, es decir, la proporción de alumnos aprobados.
Antes de realizar la recogida de datos ya sabemos cuántos alumnos hay en cada salón de clases; lo que no se sabe es la proporción de alumnos aprobados en cada salón de clases. Por eso, el rendimiento académico es la variable aleatoria, mientras que la variable salón de clases es la variable fija ya que no requiere de medición.
La comparación de grupos permite identificar diferencias entre los grupos participantes, teniendo en cuenta que pueden ser dos o más, la comparación inicial es a dos colas. En nuestro ejemplo de los dos salones de clases, se busca saber si son o no diferentes, aún no estamos planteando que alguno de estos dos salones tenga mayor rendimiento académico que el otro.
La comparación de medidas repetidas también es posible a este nivel, se puede comparar las medidas antes y después de un periodo de observación, para analizar su evolución. Todas estas comparaciones se pueden aplicar tanto a datos categóricos como numéricos, siempre que hagan referencia a la variable aleatoria.
2. OBJETIVO ASOCIAR O CORRELACIONAR
Plantea que dos sucesos ocurren de manera simultánea en repetidas ocasiones, tal concurrencia puede responder o no a la causalidad. La asociación es un planteamiento a nivel probabilístico, es decir, no estamos buscando relaciones causales, más adelante en un siguiente nivel se plantearán relaciones de causalidad.
En los casos de que exista asociación, podemos encontrarnos con cualquiera de estas tres condiciones: el factor asociado es un factor predictivo, el factor asociado es un factor concurrente, o el factor asociado es una consecuencia. Es decir, el factor asociado se presenta temporalmente antes de la variable de estudio, en simultáneo, o después de la variable de estudio.
El objetivo correlacionar, plantea que en un mismo individuo, las unidades de una de sus variables se correlacionan con las unidades de otra variable distinta. Podemos correlacionar, por ejemplo, el índice de masa corporal y el colesterol en un grupo de personas, a mayores valores de índice de masa corporal, también habrá mayores valores de colesterol.
El objetivo asociar por tanto es equivalente al objetivo correlacionar, el primero se refiere a la concurrencia de dos sucesos, como la asociación entre la diabetes y la obesidad. El segundo se refiere a la correlación de unidades de dos variables numéricas; por otro lado cuando hablamos de variables, lo correcto es hablar de relación entre las variables.
Para correlacionar, se define las unidades de medición en las variables, por ejemplo: kg/m2 en el índice de masa corporal y mg% para la glucosa; para asociar se define las categorías de interés de las variables, por ejemplo: con obesidad y con diabetes. En síntesis, la asociación se aplica a los datos categóricos, mientras que la correlación a los datos numéricos.
3. OBJETIVO MEDIR LA FUERZA DE ASOCIACIÓN O CORRELACIÓN
La fuerza de asociación.
Cuando dos variables están relacionadas, interesa medir la fuerza de esa relación, si fumar es un factor de riesgo para el cáncer del pulmón. La pregunta es ¿Cuál es el riesgo de enfermar para los fumadores, respecto de los no fumadores?, el riesgo será ser el doble, el triple, es algo que hay que calcular.
La concordancia es otra forma de medir la fuerza de asociación, si dos psiquiatras evalúan a cien personas para saber si tienen o no depresión, lo esperado es que sus resultados coincidan en todos los casos. Sin embargo esto no siempre resulta así, pueden concordar en el ochenta por ciento de los casos, en el setenta y seis, por citar otra cifra, es algo que hay que calcular.
La fuerza de correlación.
Es análoga al riesgo y a la concordancia que se aplican a los datos categóricos, solo que se aplica en datos numéricos.Por ejemplo, existe correlación entre la hemoglobina de la madre durante la gestación con el peso de su recién nacido, esto quiere decir que, para prevenir el bajo peso, tenemos que subir la hemoglobina de la madre.
Esta correlación también se puede medir, y responde a la pregunta ¿En qué medida, la hemoglobina de la madre predice el peso del recién nacido? Mientras más fuerte sea la correlación, mayor control habrá que tener sobre la hemoglobina materna, si la correlación es baja, entonces habrá que buscar otras variables con mayor fuerza de correlación.
Este objetivo de medir ya sea la fuerza de asociación o la fuerza de correlación se ejecuta, únicamente cuando se ha demostrado previamente la existencia ya sea de la asociación o de la correlación. Si no se puede demostrar la asociación o correlación mediante la prueba de hipótesis, entonces no hay nada que medir.
