PRESENTACIÓN:

La inferencia estadística es un campo fundamental en la investigación científica. La recopilación de datos y la descripción de los mismos son sólo los primeros pasos para la comprensión de un fenómeno, pero la inferencia estadística permite sacar conclusiones más allá de los datos observados. Nos permite tomar decisiones sobre una población completa, en función de lo que sabemos sobre una muestra representativa de datos. Por ejemplo, la inferencia estadística se utiliza para determinar si un tratamiento médico es eficaz o no; o para determinar la asociación entre la exposición a un factor de riesgo y la aparición de una enfermedad.

Una sólida comprensión de la estadística inferencial es de gran importancia para diseñar e analizar estudios empíricos, para cuantificar la incertidumbre y proporcionar soluciones adecuadas a cuestiones sustantivas. Sin embargo, los investigadores suelen ser propensos a cometer muchos errores conceptuales con respecto a este tema. Una comprensión inadecuada de la inferencia estadística puede llevar a conclusiones erróneas y a resultados no reproducibles, lo que afecta negativamente la credibilidad de la investigación científica. En este curso discutiremos la inferencia estadística en el contexto actual de la “crisis de la replicación”, y en relación con los desafíos que plantea el auge de Big Data, el aprendizaje automático y los efectos de selección de sesgo (e.g. selección de cerezas, pruebas múltiples, dragado de datos y P-hacking). Esto es crucial para enfrentar los problemas de inducción, falsificación y demarcación de la ciencia de la pseudociencia, y sirve como eje para comprender y superar las guerras estadísticas.

PROFESORADO:

Rosana Ferrero. Científica de datos y profesora experta del Máster de Estadística con R Software en Máxima Formación. https://www.linkedin.com/in/rosanaferrero

PROGRAMA

Tema 1 Introducción a la inferencia estadística 

• Conceptos fundamentales de la inferencia estadística

• Importancia de la inferencia estadística en la investigación científica

• Errores comunes en el análisis, la interpretación y la publicación de resultados científicos

• Protocolo de exploración de datos para evitar problemas estadísticos comunes

Tema 2 Estimación y selección de pruebas de hipótesis 

• Estimación puntual de parámetros y construcción de intervalos de confianza

• Introducción a las pruebas de hipótesis

• Supuestos estadísticos de las pruebas de hipótesis

• Consejos sobre el p-valor y la significación estadística

• Tipos de errores y su impacto en la inferencia estadística

• Estrategias para minimizar los sesgos y mejorar la calidad de los resultados

Tema 3 Comparación de proporciones y puntuaciones para una y dos muestras

• Pruebas paramétricas, no paramétricas y robustas

• Comparación para muestras independientes y muestras relacionadas (medidas repetidas)

• Prueba de independencia Chi-cuadrado, prueba exacta de Fisher, prueba de McNemar y prueba Q de Cochran

• Prueba t de Student, prueba de Wilxocon, prueba de Yuen, prueba t para muestras relacionadas, prueba U de Mann-Wihtney, prueba de Yuen para muestras relacionadas

• Interpretación, visualización y comunicación de resultados

Tema 4 Comparación de proporciones y puntuaciones para más de dos muestras. 

• Pruebas paramétricas, no paramétricas y robustas

• Comparación para muestras independientes y muestras relacionadas (medidas repetidas)

• ANOVA de un factor y ANOVA de dos factores.

• Efectos de interacción

• ANOVA con bloqueo y ANCOVA

• Comparaciones múltiples post hoc

• Interpretación, visualización y comunicación de resultados

Tema 5 Estimación del tamaño de efecto y tamaño de muestra

• La potencia estadística

• Estimación del tamaño de efecto.

• Estimación del tamaño de muestra.

• Interpretación y presentación de resultados.

• Visión de conjunto y buenas prácticas en la investigación científica.

Plazo límite de entrega de tareas 22 de octubre de 2023