Estadística robusta aplicada a las medidas de localización y escala: Nota Técnica

Palabras clave: estadística robusta, medidas robustas de localización, medidas robustas de escala, valores atípicos, distribuciones sesgadas

Resumen

Cuando se realiza la medición de una variable, es común que las estimaciones derivadas de una muestra de datos presenten una cantidad sustancial de sesgo. Algunos de los factores responsables son la asimetría de la distribución o la presencia de valores extremos. En la psicología y ciencias sociales es usual encontrar que los estadígrafos más empleados, como la media aritmética y su error estándar asociado, sean estimadores imprecisos para extraer información y poder hacer inferencias. Para solucionar esta situación, el investigador puede hacer uso de la estadística robusta. Esta estadística, ofrece una serie de estimadores alternativos resistentes a la influencia de los datos atípicos en una distribución, resultando en información e inferencias más precisas. El objetivo de este artículo es describir un conjunto de procedimientos para calcular medidas de localización y escala con métodos robustos empleando el lenguaje de programación R y el software estadístico SPSS. Primero, se revisarán métodos de detección de datos atípicos de manera visual y cuantitativa. Posteriormente, se revisarán alternativas para las medidas de localización como la media recortada, la media winsorizada y el estimador M. Cada medida estará acompañada de su correspondiente error estándar. Por último, se presentarán medidas de escala, como el rango intercuartil y su modificación denominada cuartos ideales. Se concluye, invitando al lector al uso razonado de los procedimientos en congruencia con sus posibilidades, intereses e implicaciones teóricas y metodológicas.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

David Ruiz-Méndez, | Instituto de Estudios Superiores Monterrey |
Licenciado y maestro en psicología por la UNAM. Ha participado en Congresos especializados internacionales en relación con la evaluación psicológica en las organizaciones y análisis experimental y cuantitativo en psicología. Actualmente estudia el doctorado en Análisis Experimental de la Conducta en la UNAM y se desempeña como profesor en el Tecnológico de Monterrey Campus Estado de México. 
Mirna Elizabeth Quezada, | Universidad Nacional Autónoma de México | Facultad de Estudios Superiores Iztacala |
Licenciada en Psicóloga por Universidad Autónoma de Tamaulipas; Maestra en Psicología, Gestión Organizacional por la Facultad de Estudios Superiores Iztacala UNAM, becaria de los programas PAPIME, PAPIIT y CONACyT. Actual docente del programa de Maestría en Psicología de la UNAM, de la Lic. en Psicología del Sistema de Universidad Abierta y Educación a Distancia-UNAM, y docente de la Licenciatura en línea de la Universidad Tecnológica de México. 
Cynthia Zaira Vega Valero, | Universidad Nacional Autónoma de México | Facultad de Estudios Superiores Iztacala |
Doctora en Psicología por la UNAM, profesora titular de la carrera de Psicología y coordinadora de la residencia en Gestión Organizacional de la maestría en Psicología. de la FES Iztacala, Universidad Nacional Autónoma de México. 

Citas

Casella, G. & Berger, R. (2002). Statistical Inference (2 ed.). Pacific Grove: Duxbury.

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences. 2nd edition. Academic Press, New York.

Emerson, J. D. & Strenio, J. (1983). Boxplots and Batch comparison. En D. C. Hoaglin, F. Mosteller, & J.W. Tukey (Eds.), Understanding Robust and Exploratory Data Analysis. New York: Wiley.

Fernández, S. F., Sánchez, J. M. C., Córdoba, A., & Largo, A. C. (2002). Estadística descriptiva. España: Esic Editorial.

Field, A. (2013). Discovering statistics using IBM SPSS statistics. London: Sage.

Field A. & Wilcox R. (2017). “Robust statistical methods: A primer for clinical psychology and experimental psychopathology researchers.” Behaviour Research and Therapy, 98, 19 38.

Goodall, C. (1983). M-Estimators of location: An outline of the theory. En D. C. Hoaglin, F. Mosteller, & J.W. Tukey (Eds.), Understanding Robust and Exploratory Data Analysis. New York: Wiley.

Hopkins, K. & Glass, G. (1978) Basic Statistics for the Behavioral Sciences. Englewood Cliffs, New Jersey: Prentice-Hall.

Huber, P. (1981) Robust statistics, New York: John Wiley & Sons, Inc.

Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). New York, NY: McGraw-Hill, Inc.

Press, W., Teukolsky, S., Vetterling, W. & Flannery, B (2007). Numerical Recipes 3rd Edition: The Art of Scientific Computing (3rd. ed.). Cambridge University Press, USA.

Rosenberg, J. L. & Gasko, M. (1983). Comparing Location Estimators: Trimmed Means, Medians, and Trimean. En D. C. Hoaglin, F. Mosteller, & J.W. Tukey (Eds.), Understanding Robust and Exploratory Data Analysis. New York: Wiley.

Rousseeuw, P. J. (1991). Tutorial to robust statistics. Journal of Chemometrics, 5(1), 1-20.

Ruiz, D. (2020). Distribución de la conducta operante en humanos: desarrollo de preferencia y parámetros de reforzamiento relevantes. Tesis doctoral no publicada. Universidad Nacional Autónoma de México.

Tukey, J. W. (1960). A survey of sampling from contaminated normal distributions. In I. Olkin, S. Ghurye, W. Hoeffding, W. Madow, & H. Mann (Eds.), Contributions to Probability and Statistics. Stanford, CA: Stanford University Press.

Wilcox, R. (2017). Introduction to Robust Estimation & Hypothesis Testing. 4th edition. Elsevier, Amsterdam, The Netherlands.

Publicado
2020-07-11
Cómo citar
Ruiz-Méndez, D., Quezada, M. E., & Vega Valero, C. Z. (2020). Estadística robusta aplicada a las medidas de localización y escala: Nota Técnica. Revista Digital Internacional De Psicología Y Ciencia Social, 6(2), 499-517. https://doi.org/10.22402/j.rdipycs.unam.6.2.2020.302.499-517