El método científico tiene dos características principales: carácter empírico y carácter replicable. V F.
Los modelos matemáticos son una representación formal y estructurada de la realidad, son complejos y extensos. V F.
Los modelos matemáticos únicamente explican propiedades y leyes de la realidad. V F.
Existen tres tipos de modelos: Icónicos, analógicos y matemáticos. V F.
Una maqueta podría considerarse un modelo icónico. V F.
Los modelos teoréticos son aquellos que organizan las ideas o estructura del objeto de investigación en base a un tipo de lenguaje determinado. V F.
Los modelos analógicos se clasifican en informáticos y matemáticos. V F.
Los modelos matemáticos se expresan en lenguaje matemáticos y permiten hacer predicciones. V F.
Los modelos estadísticos son un subtipo de modelos matemáticos y tienen dos partes: una sistemática y otra aleatoria. V F.
La parte sistemática de un modelo se denomina también Término de Error. V F.
La parte aleatoria de un modelo constituye una estimación de aquello que no podemos explicar en la investigación. V F.
La parte sistemática es un conjunto de componentes que representan el efecto de varias variables combinadas. V F.
Y=β0+β1X1+β2X2+...+E sería la expresión lineal general de un modelo estadístico. V F.
β0 equivale al peso o importancia específica de cada variable específica en el modelo V F.
Los componentes β1 y β2 son términos que sirven para corregir el desfase de escala entre valores o entre la parte explicativa y la parte explicada del modelo. V F.
En el modelo Y=f(x)+E, Y es la parte explicativa o el objeto de investigación. V F.
A la hora de construir un modelo resulta importante introducir el mayor número de variables posibles. V F.
A la hora de diseñar un modelo debemos tender a escoger el más complejo posible, y si no es posible, reducirlo a uno más simple. V F.
No es necesario que el problema sea formulable operativamente para comenzar una investigación. V F.
En las investigaciones experimentales el investigador no provoca la aparición del fenómeno objeto de estudio. V F.
A la hora de interpretar los resultados se intenta aceptar o rechazar la hipótesis de trabajo. V F.
Los resultados de una investigación se expresan en términos absolutos. V F.
La validez externa está relacionada con la posibilidad de generalizar los resultados de un contexto a la población. V F.
La validez ecológica está relacionada con la posibilidad de generalizar los resultados a otros contenidos, otras variables, otras situaciones experimentales y otras muestras, entre otros. V F.
La elaboración del informe comienza por el título y acaba con la relación de resultados obtenidos. V F.
Según el papel en la investigación las variables se clasifican en: cualitativas y cuantitativas. V F.
Según el nivel de medida las variables pueden ser: nominales, ordinales, de intervalo y de razón. V F.
La distinción entre variables de intervalo y de razón radica en que las primeras no contemplan la posibilidad de que exista cero absoluto entre los valores que adoptan los datos, mientras que en las segundas sí existe esa posiblidad. V F.
En las variables discretas, entre dos valores adyacentes pueden existir infinitos valores intermedios. V F.
El número de hijos de una persona se considera una variable continua. V F.
Las variables nominales equivaldrían a las cualitativas, las cuasi-cuantitativas a las ordinales y las cuantitativas a las de intervalo y de razón. V F.
Las variables cuantitativas son de dos tipos: discretas y continuas. V F.
Una variable es una característica de un objeto de estudio susceptible de adoptar únicamente dos valores distintos (0 y 1: ausencia y presencia de variable). V F.
Las variables nominales expresan cualidad, pero también cantidad. V F.
En las variables de intervalo no hay un punto de origen en el 0, el origen es arbitrario. V F.
Los datos recogidos se ordenan en matrices. Filas=sujetos y Columnas=variables. V F.
Existen dos niveles de análisis estadístico: el descriptivo univariado y el de modelización o multivariante. V F.
El nivel descriptivo trata de resumir e ilustrar la información en una matriz de datos. V F.
En el nivel inferencial bivariado se trata de comparar dos variables o pares de variables. V F.
La modelización permite elaborar modelos explicativos y predictores, pero solo comparando variables dos a dos. V F.
El nivel de modelización o multivariante no permite detectar variables latentes. V F.
El análisis multivariante es una extensión del análisis univariado y bivariado al análisis simultáneo de dos o más variables. V F.
En el análisis multivariado los estadísticos se clasifican según: técnicas de dependencia y técnicas de independencia. V F.
El análisis multivariante es útil para descubrir relaciones entre variables pero no para contratar hipótesis globales. V F.
El análisis multivariante refleja la cantidad de datos existente en la realidad, sintetizando los aspectos más importantes y perdiendo el mínimo de información. V F.
Uno de los peligros principales del análisis multivariado es la fácil estimación de los resultados en contraste con la difícil interpretación de estos. V F.
Los casos anómalos no suponen un problema grave para las técnicas multivariantes, ya que estas no se ven afectadas por este tipo de datos. V F.
Un peligro a tener en cuenta al usar técnicas multivariantes es la inclusión de demasiadas variables explicativas en el modelo. V F.
Las técnicas multivariantes son herramientas estadísticas. V F.
Las técnicas multivariantes solo permiten analizar un conjunto de variables simultáneamente. V F.
Según Sheth las técnicas multivariantes pueden clasificarse en función de las variables pero no de las propiedades de los datos. V F.
Los métodos de dependencia son aquellos en los que se especifica una variable como pronosticada a partir de otras. V F.
En los métodos de Interdependencia las VI's son independientes entre sí. V F.
El hecho de que unas variables dependan de otras en un modelo, hace necesaria la utilización de un método de interdependencia para el análisis de los datos. V F.
Si los datos son cuantitativos debemos usar un método métrico de análisis. V F.
El hecho de que tengamos datos cuantitativos, cualitativos o ambos condiciona el tipo de técnica de análisis a utilizar. V F.
La estimación de parámetros consiste en obtener los valores constantes, de peso de las variables, etc. en el modelo. V F.
La especificación del modelo debe realizarse matemáticamente para que este tenga utilidad. V F.
En el paso de evaluación del ajuste solo tratamos de comprobar si el modelo es el más apropiado para los datos. V F.
El hecho de que los parámetros se ajusten correctamente a la ecuación determina que el modelo será capaz de realizar buenas predicciones. V F.
La interpretación de los coeficientes consiste exclusivamente en hacer una interpretación del modelo general y explicar su utilidad. V F.
La regresión lineal solo permite trabajar con datos cualitativos. V F.
Hay dos tipos de regresión lineal: Simple (usa una sola VD) y Múltiple (usa varias VD). V F.
La regresión lineal permite predecir la relación entre VD y una o varias VI (esta relación solo puede ser lineal). V F.
Existe una excepción en la regresión lineal, las VI pueden ser cualitativas si utilizamos Variables ficticias o DUMMY. V F.
Son técnicas dependientes: Regresión lineal, Análisis discriminante, Regresión logística, Análisis de varianza, Análisis conjunto y Análisis de conglomerados. V F.
Si intentamos predecir la conducta de voto a partir de ingresos, edad, etc. tendríamos que utilizar la regresión lineal. V F.
El análisis discriminante utiliza como VD variables cualitativas y como VI variables cuantitativas. V F.
El análisis descriminante trata de clasificar en grupos según las puntuaciones en las VI's. V F.
La representación matemática de la regresión lineal general sería la ecuación de la recta. V F.
El análisis discriminante utiliza varias Vi's y una VD que debe ser cualitativa y politómica. V F.
En el análisis discriminante los grupos están establecidos a priori. V F.
La regresión logística determina en qué grado una VD está influenciada por varias VI's. V F.
Las VI's en la regresión logística pueden ser tanto cualitativas como cuantitativas. V F.
La VD debe ser cuantitativa en la regresión logística. V F.
La regresión logística puede ser de dos tipos: Simple (VD dicotómica) y Múltiple (VD politómica). V F.
La regresión logística se podría usar para predecir si un sujeto aprobará o no en función de: horas de estudio, CI, motivación, etc. V F.
La regresión logística es un caso particular de la regresión lineal múltiple. V F.
El análisis de varianza se divide en anova (solo está presente una VD) y manova (análisis en relación a varias VD). V F.
El análisis de varianza requiere que las VI sean cuantitativas, al igual que las VD's. V F.
El análisis de varianza determina en qué medida una VD (o varias) está influenciada por una VI (o varias). V F.
El análisis conjunto es una técnica de interdependencia. V F.
El análisis conjunto comprueba en qué medida un modelo teórico se ajusta a los datos obtenidos. V F.
El análisis conjunto permite explicar las preferencias de las amas de casa hacia las distintas marcas de leche. V F.
La recogida de datos estructurada y restringida para estudios de marketing sería una característica de aplicación de análisis conjunto. V F.
Según la recogida de datos, el análisis conjunto permite tres posibilidades de estudio con el SPSS: Orthoplan, Plancards y Conjoint. V F.
Estimar la importancia de cada atributo de un objeto sería una de las utilidades del análisis conjunto. V F.
En el análisis conjunto las VI deben ser categóricas puesto que representan atributos y las VD deben ser ordinales, dado que representan preferencia. V F.
El análisis de supervivencia es útil para predecir el riesgo. V F.
En el análisis de supervivencia tanto las VI como las VD son cuantitativas. V F.
El análisis de supervivencia requiere al menos del uso de 3 VI: De respuesta (tiempo de registro-cualitativa), De censura (cualitativa) y Explicativa (cualitativa o cuantitativa). V F.
La variable de censura en el análisis de supervivencia es cualitativa politómica puesto que define el grado en el que el evento tendrá lugar. V F.
Para saber si un grupo de pacientes de una patología sobrevivirá a partir de: tratamiento, edad, recaídas, etc. podemos usar el análisis de supervivencia. V F.
La VD del análisis de supervivencia debe ser cuantitativa puesto que representa el tiempo que transcurre hasta la ocurrencia del evento. V F.
En los modelos de ecuaciones estructurales las VI son cualitativas y la VD es cuantitativa. V F.
El Path analysis de los modelos de ecuaciones estructurales permite probar relaciones entre variables a distintos niveles. V F.
Los modelos de ecuaciones estructurales son útiles para predecir recaídas. V F.
Para comprobar si se ajusta un modelo teórico a los datos podemos usar la subtécnica AMOS (un gráfico en el que observar la similaridad de los modelos teóricos y sus datos). V F.
La subtécnica LISREL se puede usar solo con variables cualitativas en las ecuaciones de modelos estructurales. V F.
La correlación canónica utiliza VI y VD ambas cuantitativas. V F.
La correlación canónica permite hacer grupos entre un conjunto de VI's y otro de VD's. V F.
La técnica Overals permite el análisis de conjuntos de variables mezcladas de VD y VI, por un lado, y de VD's por otro. V F.
Para conocer la relación entre un grupo de variables de personalidad y un conjunto de resultados de test podemos utilizar la correlación canónica. V F.
El análisis discriminante es un técnica que clasifica los datos. V F.
La autoría de la ténica de análisis de varianza es atribuida a Pearson. V F.
El análisis factorial se utiliza para reducir datos, identifica factores o variables latentes. V F.
Para poder utilizar siempre el análisis factorial las variables deben estar en escala de intervalo o de razón. V F.
Existen dos tipos de análisis factorial: simple y múltiple. V F.
El análisis factorial exploratorio requiere especificar el número de factores que queremos obtener. V F.
El análisis de correspondencias utiliza variables cualitativas y cuantitativas para sus cálculos. V F.
A través del análisis de correspondencias podemos reducir los datos, obteniendo dimensiones o variables latentes. V F.
El análisis de correspondencias simple utiliza más de dos variables en sus cálculos. V F.
El análisis de correspondencias es un subtipo del análisis factorial. V F.
Agrupar ítems de una escala y etiquetarlos (clasificarlos) en dos dimensiones de evaluación (memoria verbal y memoria numérica) sería una posible aplicación del análisis de correspondencias. V F.
El análisis de conglomerados, al igual que el factorial y el de correspondencias, agrupa variables para reducir los datos. V F.
El Cluster análisis trata de que los grupos tengan alta homogeneidad dentro de ellos y alta heterogeneidad entre ellos. V F.
En el análisis cluster se trata de encontrar el menor nº de grupos posibles, excluyentes y exhaustivos. V F.
Una aplicación del Cluster sería identificar grupos de jóvenes en base a sus horas de estudio y el nº de revistas que compran. V F.
El análisis de correspondencias permite utilizar tanto datos cuantitativos como cualitativos. V F.
La diferencia del Cluster con el análisis discriminante es que en el primero los grupos están definidos previamente, mientras que en el segundo no. V F.
El escalamiento multidimensional reduce datos, agrupando variables que estudian las preferencias de los sujetos. V F.
Una de las ventajas del escalamiento multidimensional es la versatilidad en la recogida de datos. V F.
El escalamiento multidimensional permite realizar representaciones espaciales de los sujetos en relación a sus preferencias. V F.
Las técnicas de dependencia también pueden considerarse técnicas de explicación o predicción. V F.
|
