Académique Documents
Professionnel Documents
Culture Documents
En los estudios en educacin es frecuente trabajar atributos, actitudes o conductas que, siendo en su dimensin
latente continuos, se miden de forma no
mtrica (discreta, nominal u ordinal), no
ajustndose, en consecuencia, al Modelo
59
Modelado estadstico
60
explicacin terica o sustantiva). Es deseable que el MODELO sea, por tanto, una
buena representacin de los DATOS, de
forma que el ERROR se reduzca lo
mximo posible.
De la construccin, formulacin y
ajuste de modelos a los datos empricos se
encarga precisamente el modelado estadstico, debiendo responder a tres criterios: (a) criterio estadstico o principio de
bondad de ajuste: la inclusin de parmetros en el MODELO en beneficio de una
mejor representacin de los DATOS con
la correspondiente disminucin del
ERROR (ver McClelland, 1997); (b) criterio lgico o principio de parsimonia: la
seleccin de los parmetros que formen
parte del modelo de tal modo que ste se
convierta en una representacin simple y
sobria de la realidad (Judd y McClelland,
1989, 3; y Ruiz-Soler, Pelegrina y LpezGonzlez, 2000) y (c) criterio sustantivo o
integracin terica del modelo en la red
conceptual que lo gener (Ato y Vallejo,
2007, 47).
5. Interpretacin del modelo, comprendiendo sus implicaciones con respecto a la variable de respuesta. Esta fase
conlleva una explicacin detallada de los
parmetros del modelo para comprobar si
se cumplen los criterios estadstico, lgico
y sustantivo.
Finalmente se acepta o no el modelo
y, si es preciso, se reinicia el proceso.
61
Modelo Lineal
62
63
64
Los primeros trabajos donde se introduce y desarrolla el Modelo Lineal Generalizado son, respectivamente, Nelder
y Wedderburgn (1972) y McCullagh y
Nelder (1989). Una buena introduccin se
encuentra en las terceras ediciones de las
obras de Draper y Smith (1998) y Weisberg (2005), as como en el imprescindible
texto de Dobson y Barnett (2008). Desde
el entorno de modelado estadstico, el
66
Inicialmente la distribucin de
Poisson comenz a aplicarse en el estudio
de conductas criminales, pero ya desde
finales del siglo pasado pas a ser un
modelo frecuente en mbitos como la bioestadstica, la econometra y el marketing
(Cameron y Tribedi, 1998, 94), as como
en diversas reas aplicadas: criminologa,
67
Mtodo
68
Resultados y discusin
69
70
1 1
71
72
73
Dm0 Dm1 (Tabla 6). D sigue una distribucin asinttica Chi cuadrado y evala
si la inclusin de los trminos del modelo
m1 reduce significativamente el valor de
discrepancia con respecto al modelo m0.
Como se obtiene un valor de p mnimo
(Tabla 6) se puede afirmar que, efectivamente, m1 tiene una influencia significa-
74
ciones en que los datos lo requieran, mostramos ahora la salida que se obtiene en
este ejemplo con un Modelo Lineal clsico: una regresin lineal simple. A estas
alturas ya sabemos que no es la solucin
adecuada. Tal y como seala Long (1997,
3), las caractersticas de una variable de
respuesta de recuento son tales que si
para su ajuste se emplea un Modelo
Lineal con funcin de enlace identidad,
las estimaciones resultantes son ineficientes, inconsistentes y sesgadas,
aunque, y esto es lo delicado, pueden ser
de magnitud y significacin similares a
las obtenidas por la regresin de Poisson.
No podemos eludir, por tanto, el extendido e incorrecto uso del ML clsico en el
mbito de las ciencias humanas en
75
76
Conclusin
77
78
Notas
[1]
[2]
[3]
No deben confundirse los modelos de datos categricos que emplean el procedimiento de estimacin por
mxima verosimilitud, como es el caso, con las tcnicas de anlisis de datos categricos (tambin llamadas modelos de datos categricos) correspondientes a los anlisis exploratorios multivariantes de
interdependencia cuyo procedimiento de estimacin es
el de mnimos cuadrados alternantes. Estos ltimos
comprenden, fundamentalmente, las contribuciones
procedentes del sistema GIFI, tales como el anlisis de
homogeneidad, el anlisis de correspondencias y el
anlisis de componentes principales no lineal (ver van
der Geer, 1993).
Bibliografa
AGRESTI, A. (2002) Categorical Data Analysis (2 ed.) (New
York, Wiley).
ATO, M. y LPEZ-GARCA, J. J. (1996) Anlisis estadstico
para datos categricos (Madrid, Sntesis).
ATO, M.; LOSILLA, J. L.; NAVARRO, J.; PALMER, A. y
RODRIGO, M. (2005) Modelo lineal generalizado
(Girona, EAP).
ATO, M. y VALLEJO, G. (2007) Diseos experimentales en Psicologa (Madrid, Pirmide).
BOCK, R. D. (1985) Multivariate Statistical Methods in Behavioural Research (Reprinted. New York, Scientific Software).
CAMERON, A. y TRIVEDI, P. (1998) Regression Analysis of
Count Data (Cambridge, Cambridge University Press).
CRAWLEY, M. J. (2007) The R Book (Chichester, Wiley &
Sons, Ltd).
MAXWELL, S. E. y DELANEY, H. D. (2004) Designing Experiments and Analyzing Data. A Model Comparison Perspective (2 ed.) (Hillsdale, Lawrence Erlbaum Associates).
NETER, J.; KUTNER, M. H.; NACHTSHEIM, C. J. y WASSERMAN, W. (1996) Applied Linear Statistical Models
(4 ed.) (Chicago, Irwin).
79
Resumen:
Anlisis de datos desde el Modelo
Lineal Generalizado. Una aplicacin
con R
80
Summary:
Data analysis from the Generalized
Linear Model approach: an application using R