Pistas sobre los Trabajos Prácticos 2010

Pistas sobre los Trabajos Prácticos1
1. Mi principal objetivo no es que investigadores novatos se transformen en
expertos en un curso de 16 clases. Más bien, que sean consumidores
sofisticados del trabajo empírico – como siempre sucede cuando hay que
trabajar con testigos expertos y como siempre habrá que hacerlo desde una
posición de formular políticas.
2. El problema 1 de los Trabajos Prácticos plantea ciertas dificultades. Una
muestra aleatoria de una cárcel puede no resultar representativa de todas las
conductas criminales. Los entrevistados fueron 1) apresados; 2) condenados;
3) condenados por un delito que incluye la pena de prisión; 4) son una parte
de la población encarcelada total. Luego, la muestra podría ser apropiada
para estudiar un subconjunto de la conducta criminal, pero no lo es
necesariamente de toda la conducta criminal.
3. ¿Cómo habría que extraer la muestra de una población? La forma
recomendable es mediante una muestra aleatoria, usando p.ej. la función
excel “=ALEATORIO()”. Por ejemplo, si aplico esta función a la planilla de
alumnos del curso, que está en orden alfabético, genero en la primera
columna un conjunto de números comprendidos entre 0 y 1:
EPISTEMOLOGÍA 2010
AULA 363
BOUR ENRIQUE ALBERTO
Nº
0.518
0.339
0.96
0.02
Apellido y Nombres
1 Ayala Andrade, Viviana C.
2 Baisman, Judith
3 Bolado, Pablo Martín
4 Briceño, Jessica
Miércoles 18:00 a 22:00hs
Agosto
Setiembre
18 25 1
8 15 22 29 6 13 20 27 3 10 17 24 1 10
*
Octubre
Noviembre
Dicbre
*
P
P
P
P
*
P
P
P
P
P
P
P
*
*
P
P
*
P
*
*
P
P
P
P
*
*
*
*
*
*
*
*
*
*
*
*
*
P
P
P
P
P
*
P
*
P
P
P
P
P
*
P
P
*
P
P
*
*
*
*
*
P
*
0.149
5 De Vido, Valeria
6 Fernández Gastaldi, Daniel A.
P
P
*
*
P
P
P
*
*
*
*
P
*
0.288
7 Giorgini, Martín
P
P
*
*
P
*
*
P
P
P
*
*
*
0.501
8 Jaimes, Jhon Edward
P
*
P
P
P
P
P
P
P
*
P
P
P
0.201
9 Mangiavillano, Carlos
*
P
*
P
*
*
P
P
*
P
*
*
*
P
P
*
P
P
*
P
P
P
*
0.415
0.821
10 Mardones, José
P
P
*
0.512
11 Morales Amarante, Elvira
P
P
P
P
P
*
P
*
P
*
P
*
*
0.957
12 Murga Cerviño, Lucía
P
P
P
*
*
*
P
*
P
P
*
P
P
0.918
13 Neyra, José Alberto
P
P
P
P
P
P
P
P
P
P
P
P
P
Inspirado en Robert N. Lawless, Jennifer K. Robbennolt, and Thomas S. Ulen, Empirical Methods
in Law, Teacher’s Manual, Wolters Kluwer, 2010.
1
*
*
0.402
14 Oderigo, Romualdo
P
*
*
P
0.388
15 Perozo S., Jesús R.
P
*
P
P
P
P
*
*
*
P
P
*
P
P
P
P
P
*
P
*
P
P
P
*
*
P
P
*
*
*
P
P
0.26
16 Santambrogio, Alejandro
P
P
*
0.761
17 Sanz, Javier
P
*
P
P
P
P
P
*
P
P
P
*
P
0.908
18 Trovato, Agustina
*
P
P
P
*
P
P
P
P
P
*
P
P
0.048
19 Zapata R., Alexander
P
P
*
P
P
P
P
P
P
P
P
P
*
Fecha de examen: 15 de diciembre - 16:00hs - Aula 363
[1] Fecha de examen: 1 de diciembre 9:00hs en FIEL
2
Con estos números, podemos practicar un nuevo ordenamiento de los alumnos.
Curiosamente, Jessica resulta la primera alumna de la lista (ella también fue la
primera en rendir examen). No son recomendables métodos que den lugar a sesgos
sistemáticos (por ejemplo, tomar a los 10 primeros de la lista, o sacando los
nombres de una urna).
4. El problema 3 discute el uso que hace la Corte Suprema de US de los datos
sobre daños punitivos de Exxon Shipping Co. v. Baker, 128 S. Ct. 2605 (2008). Este
punto puede ser apreciado en el artículo de internet híperlinkeado. La Corte usa
una tabla de un trabajo previo de dos de estos autores, haciendo hincapié en dos
características, a saber que la relación promedio de daño punitivo a indemnización
compensatoria es muy superior a la relación mediana, y que el desvío estándar es
elevado. Expresa que “aún para quienes carecemos de formación estadística, el
mensaje resulta claro: el margen es elevado, y los casos atípicos someten a los
demandados a daños punitivos que empequeñecen las correspondientes
compensaciones. La distribución de las primas es más estrecha, pero aún así es
notable, en materia de daños punitivos evaluados por los jueces: la relación
promedio es 0.66:1, y el desvío estándar es 4.54.” El margen es preocupante porque
con anterioridad la Corte había sostenido que los daños punitivos deben mantener
una relación con las indemnizaciones, debido a lo cual finalmente impuso una regla
ad hoc de 1:1 entre los daños compensatorios y los daños punitivos en los casos de
naufragios marítimos. Por consiguiente, la Corte redujo la penalidad por daños
punitivos de Exxon a consecuencia de derrame de petróleo del Exxon Valdez desde
una cifra de $2.500 millones de dólares hasta $500 millones.
En resumen, Eisenberg, Heise y Wells demostraron que la Corte no tomó en
cuenta la distribución de los datos según surgen de la Tabla 2. Ésta muestra
relaciones elevadas de daños punitivos a compensatorios cuando las
indemnizaciones son inferiores a $1,000. El valor absoluto de estas
compensaciones es bastante bajo, y en cualquier caso dentro de la categoría entran
pocos casos. Se trata de outliers que afectan de manera desproporcionada los
cálculos de media y de desvío estándar sobre los que está basada la Corte.
5. El ejercicio siguiente presupone un pleito de un paciente que toma una
medicación y con una prueba clínica. Los pacientes que tomaron la medicación
resultaron tres veces más propensos a desarrollar una enfermedad hepática, pero el
resultado sólo es significativo al 20%. Se pide al estudiante que reflexione acerca
del significado del p-valor y de la significación estadística en cuestión.
En primer lugar, es importante tener en cuenta qué no es un p-valor. Por ejemplo,
no se trata de la probabilidad de que el resultado sea meramente al azar. Un pvalor es la probabilidad de observar el dato dada la hipótesis nula de que no
existe relación entre las variables medidas. Esta diferencia es importante. Podría
ser que el resultado no fuera aleatorio, y aún así que la hipótesis nula sea
verdadera.
También es necesario entender que la inversa de un p-valor no es la probabilidad
de que la hipótesis alternativa sea verdadera. Por el hecho de decir que el p-valor es
del 20% no estamos diciendo que existe un 80% de probabilidad de que la hipótesis
alternativa tiene una probabilidad del 80% (la hipótesis de que la medicina fue
causante de los trastornos hepáticos). Para apreciar este punto, puede ser necesario
recurrir a explicaciones alternativas – tales como errores de medición o la omisión
de algunas variables.
El trabajo práctico 5 es útil para tener cierta práctica en leer e interpretar una tabla
de resultados de una regresión. En primer término, se pide que el estudiante
considere si cada variable independiente es continua o binaria. La edad es, por
supuesto, continua; el género, una variable binaria; el nivel educativo es una
variable categórica (observen que se usan dos variables dummy para representar a
tres categorías – sin diploma secundario, con diploma secundario pero sin diploma
universitario, y diploma universitario); si las actitudes fueron medidas antes o
después de su reacción a los estudios (binaria); si los resultados de la investigación
tendían a favorecer a los liberales o a los conservadores (por ejemplo, un estudio que
halló que el control de armas es efectivo fue codificado como a favor de los liberales,
mientras que un estudio que determinó que la pena capital es efectiva fue codificado
como favoreciendo a los conservadores) (manipulación experimental) (binaria);
actitud del individuo hacia la cuestión analizada (continua); un índice de apareamiento
de actitudes que mide si la actitud del individuo es consistente o no con los hallazgos
del estudio (lo que codificamos como 0 si no hay apareamiento, es decir el resultado
del estudio fue inconsistente con la respuesta del individuo a la cuestión, y 1 si hay
apareamiento – es decir, la respuesta de quien responde fue consistente con su
actitud); una medición de la identificación de quien responde con un partido político
(una escala de 5 puntos; tratada como si fuera continua); un índice de apareamiento
entre la ideología de quien responde y los resultados generales del estudio (que
codificaremos como -1 si no hay apareamiento – es decir, una ideología inconsistente
con los resultados del estudio; como +1 si hay apareamiento – es decir, ideología
consistente con los resultados del estudio; y 0 para los que se auto-identifican como
moderados); un índice de identificación de quien responde con un partido político
(una escala de 7 puntos, tratada como continua); un índice de apareamiento entre el
partido político de quien responde y los resultados generales del estudio (que
codificaremos como -1 si no hay apareamiento – es decir, un partido político
inconsistente con los resultados del estudio; como +1 si hay apareamiento – es decir,
partido político consistente con los resultados del estudio; y 0 para los que se auto-
3
identifican como independientes). Cada una de estas variables independientes permite
revisar los desafíos enfrentados a la hora de medir y codificar.
Se pide a continuación que el estudiante compare su predicción con los resultados de
las tablas. Resulta útil darse cuenta de que las tablas presentan los resultados de 5
análisis de regresión. ¿En qué difieren estas regresiones? Por ejemplo, el Modelo 1 hace
más énfasis en variables básicas como las demográficas y dos variables de
manipulación experimental (a saber, si el estudio rechazó la hipótesis nula y si el
estudio mostró una tendencia a favor de liberales o de conservadores).
Ahora cabe identificar qué variables tienen efectos estadísticos significativos. Por
ejemplo, hay un efecto estadísticamente significativo del hecho de poseer un título
secundario sobre el escepticismo – los que carecen de diploma secundario se muestran
más escépticos sobre los resultados de la investigación. En los Modelos 3 y 5, se
observa un efecto de la ideología y de la interacción (apareamiento) entre ideología y
hallazgos del estudio. Es decir, los liberales fueron más escépticos que los
conservadores y los que respondieron fueron más escépticos cuando el hallazgo era
inconsistente con sus posiciones ideológicas.
Finalmente, se pregunta acerca de la bondad del ajuste de los modelos. Aquí se pueden
señalar los coeficientes R2 al final de la tabla. En los Modelos 1 y 4, son cero. En los
Modelos 2,3, y 5, los R2 son muy reducidos pero significativos, lo que implica que las
variables de los modelos explican una baja proporción de la variación observada en el
escepticismo, pero que con todo son significativas2.
2
La tabla del Problema 5 sirve para discutir el problema de significatividad estadística de los coeficientes. Por
ejemplo, las siguientes variables lo son: “No HS diploma” en el Modelo 1 (B=0.23*) y el efecto “Research
findings favor liberals?” del Modelo 2 (B=0.17*). Estas variables pueden servir para discutir una regla que es
de amplia aplicación aunque no necesariamente sea estrictamente precisa ni fiable en cada situación: un
coeficiente que sea mayor que dos veces el valor absoluto de su error estándar es genéricamente significativo
al 5%. Ver Robert J. MacCoun and Susannah Paletz, Citizens’ Perceptions of Ideological Bias in Research on
Public Policy Controversies, Political Psychology, Vol. 30, No. 1, 2009.
4