Conocimientos estadísticos

 

 

  • Estadística Descriptiva
    Media, Moda, Mediana, Min, Max, etc., por categorías
  • Presentación gráfica de datos estadísticos  
    Gráfico de barras, gráfico de líneas, xy diagrama de dispersión y otros estilos de presentación de gráficos para análisis univariante o multivariante
  • ANOVA, MANOVA, ANCOVA, MANCOVA y MLG
    Análisis de varianza y covarianza para una o múltiples variables, de un factor, de dos o más factores, con interacciones, componente de la varianza, etc.
  • Técnicas de imputación múltiple para reemplazar valores y datos perdidos y mejorar la fiabilidad del modelo. Esta técnica permite el uso de observaciones con datos perdidos porque está basada en la distribución de los datos y en técnicas de selección aleatoria
  • Análisis de regresión, regresión lineal, modelos de probabilidad lineal: logit, probit, binomial, multinomial
    Distintos modelos de regresión con OLS y no lineales como los modelos de probabilidad con variables ordinales o categóricas, también variable dependiente con distribución Poisson o distribución NBD
  • Análisis multinivel de datos (Modelos de Coeficiente Aleatorio) Datos organizados en dos o más niveles. Análisis jerárquico de datos con variables que varían en el primer nivel o en un nivel superior, usando paquetes estadísticos HLM, MPlus o SPSS
  • Datos longitudinales (Modelos de Crecimiento de Curva Individual), midiendo efectos fijos y aleatorios (no estructurados, estructurados, etc.)
    El análisis multinivel de datos es importante para datos cuya varianza procede de distintas fuentes. El análisis multinivel trata los distintos niveles de los datos por separado y proporciona la varianza explicada en cada nivel. Esto resulta extremadamente útil cuando los datos se miden repetidas veces durante un periodo determinado de tiempo.
  • Análisis diádico de variaciones intra e inter parejas relacionadas.
    Una nueva aproximación al análisis de datos que proceden de fuentes relacionadas, como por ejemplo, un matrimonio, gemelos, hermanos y hermanas, etc.
  • Análisis factorial exploratorio y confirmatorio, medida de factores (independientes o dentro de modelos de ecuaciones estructurales)
    Las técnicas de reducción de datos para reducir el número de variables similares construyendo factores no observables directamente
  • Análisis de conglomerados, agrupamiento no supervisado
    El análisis de conglomerados combina observaciones agrupadas de acuerdo a las similitudes y las diferencias existentes entre ellas
  • Modelos de ecuaciones estructurales que testan conjuntos de hipótesis complejas donde se miden tanto los efectos directos como los indirectos. Los modelos de ecuaciones estructurales ejecutan varias ecuaciones de regresión simultáneamente para testar hipótesis complejas con efectos de mediación, moderación e interacción.
  • Análisis de moderación de constructos observados y no observados
  • Análisis de mediación que asume efectos indirectos de constructos observados y no observados en la relación entre la variable dependiente y el conjunto de variables explicativas
  • Análisis de potencia, intervalo de confianza y tamaño del efecto Estas pruebas permiten examinar la validez de los datos, la validez de los tests y la predictabilidad de los resultados