Lopez El impacto de la lógica bayesiana en el desarrollo de la psicología

See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/345143123
El impacto de la lógica bayesiana en el desarrollo de la psicología
Conference Paper · January 2019
CITATIONS
READS
0
13
2 authors:
Jorge López Puga
Ana María Ruiz-Ruano García
University of Granada
University of Granada
84 PUBLICATIONS 359 CITATIONS
33 PUBLICATIONS 38 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Information Propagation in Psychological Networks View project
Cross-cutting analysis and modelling at national scale in developing world View project
All content following this page was uploaded by Ana María Ruiz-Ruano García on 01 November 2020.
The user has requested enhancement of the downloaded file.
SEE PROFILE
EL IMPACTO DE LA LÓGICA BAYESIANA EN EL
DESARROLLO DE LA PSICOLOGÍA
Jorge López Puga y Ana Mª Ruíz-Ruano García
Universidad Católica de Murcia (UCAM)
Resumen: En este trabajo presentamos, de manera muy breve, algunos de los hitos históricos de la psicología
que se asocian con la idea que subyace en el teorema de Bayes. En primer lugar, abordaremos la psicofísica
clásica y cómo ésta se aprovechó de la idea de magnitud subjetiva propuesta por Daniel Bernoulli. El aprendizaje,
tanto desde un punto de vista psicológico como neural, será interpretado como el reflejo del razonamiento
inductivo que proporciona el teorema de Bayes. También dedicaremos un espacio a comentar la simbiosis que
se produjo el siglo pasado entre estadística bayesiana y psicología en el área de la metodología de las ciencias
del comportamiento. Para terminar, señalamos los posibles peligros que amenazan a la evolución de la ciencia
psicológica si se utiliza la lógica bayesiana evitando el pensamiento crítico.
Palabras clave: Teorema de Bayes, Aprendizaje, Psicología, Neurociencia, Estadística.
THE IMPACT OF BAYESIAN LOGIC IN PSYCHOLOGY DEVELOPMENT
Abstract: We briefly present some of the most relevant historical events in which psychology and Bayes’ theorem
are associated. Firstly, we back to psychophysics to stress how classical psychophysicists took advantage from
the idea of subjective magnitude introduced by Daniel Bernoulli. Both, learning from a neural and psychological
point of view will be interpreted as form of inductive reasoning under the logic of Bayes’ Theorem. We spend
some time describing the link between Bayesian statistics and psychology and how it produced progresses in the
methodological area of behavioural sciences. Finally, we suggest some risks of using Bayesian logic avoiding
critical thinking.
Key words: Bayes’ Theorem, Learning, Psychology, Neuroscience, Statistics.
INTRODUCCIÓN
La historia de la humanidad, al igual que la de
las matemáticas, ha ido tomando forma gracias
a pequeños “pasitos”. En algunas ocasiones
estos pasitos (o la suma de algunos de ellos) han
provocado cambios radicales en la cosmovisión de
las sociedades imperantes de una época. Habría que
consultar con personas dedicadas a la historiología,
pero, al menos fenomenológicamente, parece ser
que la historia de la humanidad y las matemáticas
evolucionan análogamente a como Thomas Kuhn
(1970) propuso que evolucionaba la ciencia:
a base de saltos y cambios de paradigma que
alternan periodos de ciencia normal con periodos
revolucionarios.
54
Aludir conjuntamente a la historia de las
matemáticas y de la humanidad no ha sido
accidental en el inicio de este trabajo porque,
en cierto modo, el desarrollo histórico de la
humanidad y el de las matemáticas ha sido
paralelo. Ese paralelismo evolutivo quedaría
patente al observar la naturaleza científica y
tecnológica que caracteriza a la humanidad. Así,
podríamos decir que tanto la evolución de la
ciencia (entendida como empresa orientada a la
comprensión del universo y la naturaleza) como
de la tecnología (cuyo propósito es controlar el
universo y la naturaleza) ha estado condicionada
por los avances acaecidos en las matemáticas. Más
específicamente, podríamos destacar el papel que
hitos matemáticos concretos han tenido sobre la
IV Congreso Nacional de Psicología
evolución social humana. Por ejemplo, podríamos
centrarnos en los teoremas matemáticos.
En términos matemáticos, un teorema es la
consecuencia directa de un axioma; mientras
que un axioma es una afirmación cuya veracidad
es tan evidente que no existe duda sobre su
certeza (Lahoz-Beltra, 2019). En la historia de
las matemáticas podemos identificar teoremas
que podrían ser como puntos arquimédicos
que han desencadenado, de un modo u otro,
revoluciones o cambios de paradigma científicos.
Así, por ejemplo, podríamos considerar al
teorema de Pitágoras como el “responsable”
del descubrimiento de los números irracionales
(Luque y Calero, 2019), del perfeccionamiento
de la idea de infinito (Rossell, 2019) y, como
consecuencia, del cálculo infinitesimal (Navarrete,
2019). O, por proporcionar otro ejemplo, también
podríamos aludir al teorema de Tales que permitió
a la humanidad estimar distancias entre cuerpos
celestes, aproximarnos al tamaño de nuestro
planeta o navegar por los océanos haciendo uso
de técnicas de paralaje estelar, así como, hoy en
día, usar el GPS (Ballesteros, 2019).
El teorema de Bayes (1763) en su versión
contemporánea alude al concepto de probabilidad
condicionada. Puede ser considerado como el
resultado de aplicar la idea de probabilidad
condicional a la conjunción (ocurrencia conjunta)
de eventos dependientes. Verbalmente podríamos
decir que el teorema de Bayes sirve para actualizar
la probabilidad de ocurrencia de uno o varios
eventos en función de la ocurrencia (o conocimiento
que tenemos sobre su ocurrencia) de otro u
otros eventos (Eddy, 2004). Como trataremos de
ilustrar en las próximas líneas, este teorema ha
sido vinculado con aproximaciones “subjetivas”
orientadas al estudio de la probabilidad y sus
cálculos asociados. En nuestra opinión, esta
tendencia a aproximarse al estudio de la realidad
desde un punto de vista “subjetivo” ha tenido
consecuencias positivas para el desarrollo de
la psicología y ha contribuido, en cierto modo,
a dotar a la psicología de una naturaleza más
científica. En las siguientes secciones trataremos
de revisar algunos hitos que han marcado la
historia de la psicología y que han contribuido a
afianzar su estatus científico. Para cada una de
estas referencias históricas trataremos de mostrar
cómo la idea de “subjetividad” latía en la esencia
misma de los fenómenos psicológicos estudiados
y cómo la lógica que subyace al teorema de Bayes
impregna aquello que nos ha llegado de esas
partes de la historia.
El método de trabajo llevado a cabo para
desarrollar este capítulo no está basado en un
procedimiento sistemático del estudio de la
literatura científica (como cabría esperar en una
revisión sistemática o meta-análisis) sino que, más
bien, podría considerarse como una aproximación
“no exhaustiva” al estudio histórico de la influencia
del teorema de Bayes en la psicología. Es más,
las relaciones que planteamos en este trabajo
entre la lógica bayesiana y la psicología no
están explícitamente puestas de manifiesto en la
literatura consultada y citada, sino que, más bien,
son fruto nuestro análisis reflexivo de la historia y
de los conceptos tratados. Por otro lado, debido
a la limitación espacial, sólo nos hemos centrado,
como indicamos más arriba, en algunos eventos
que consideramos esenciales para poner de
relevancia el impacto de la lógica bayesiana en
psicología.
LA PSICOFÍSICA
Los psicofísicos alemanes clásicos del siglo XIX
como Ernst Heinrich Weber o Gustav Theodor
Fechner estaban interesados, casi obsesionados,
en encontrar el formalismo matemático que
describiese la relación que se establece entre las
dimensiones física y psicológica de la realidad. En
su intento por encontrar la significación psicológica
que tenían diferentes magnitudes físicas se
aventuraron a buscar ecuaciones que modelasen
con precisión la relación que se establece entre
la magnitud física de un estímulo y la sensación
psicológica (subjetiva) que éste produce.
Esta concepción dicotómica (física y psicológica)
de la realidad y la naturaleza eminentemente
subjetiva de las percepciones psicológicas
tuvieron consecuencias históricas relevantes para
la evolución del escalamiento psicológico, pero
no las abordaremos aquí. Más bien, nos gustaría
llamar la atención sobre el componente subjetivo
del problema. El historiador David Hothersall
(1997) sugiere que Weber conocía los trabajos de
Daniel Bernoulli, miembro de una de las dinastías
de matemáticos más relevantes de la historia, sobre
la valoración subjetiva del riesgo. Los trabajos
de Bernoulli (1954) daban a entender que la
valoración que hacían diferentes personas de una
misma cantidad no era la misma. Es decir, que un
mismo número (o riesgo entendido numéricamente)
55
Jorge López Puga y Ana Mª Ruíz-Ruano García
producía diferentes valoraciones subjetivas en
diferentes personas. Era como si, ante una misma
realidad objetiva numéricamente, diferentes
personas, en función de su experiencia, valorasen
el riesgo de forma diferente. Presumiblemente, esta
idea condujo a Weber a considerar que la realidad
estaba compuesta por una dimensión física (objetiva)
y otra psicológica (subjetiva).
Más recientemente, algunas ramas de la
estadística, como la denominada estadística
bayesiana o subjetiva, considera que la probabilidad
es, epistemológicamente, algo subjetivo. Es decir, que
la probabilidad, frente a la realidad objetiva, sería
una estimación mental del estado (futuro, pasado
o incluso presente) de la naturaleza condicionada
por nuestro estatus de conocimiento (véase, Dixon,
1970).
NEUROCIENCIA DEL APRENDIZAJE
Si seguimos a Candland (1971) podríamos
decir que la psicofísica todavía está activa en
nuestros días ya que “si la psicofísica está muerta,
(…) posee uno de los espíritus más vigorosos que
hayan tornado a la Tierra para correr aventuras”
(p. 13). En cierto modo, podríamos considerar a la
neurociencia cognitiva actual como un reflejo de la
psicofísica clásica. Si nos centramos, por ejemplo,
en el estudio de los procesos cognitivos básicos
como la atención, la memoria o el aprendizaje
y tratamos de entenderlos a nivel físico-neural
no estamos haciendo otra cosa sino psicofísica
contemporánea (Ehrensetin y Ehrensetin, 1999).
No hay un área de conocimiento psicológica
más claramente vinculada con el teorema de Bayes
que el campo del aprendizaje. Si consideramos
que el condicionamiento clásico (Pavlov, 1927)
es un mecanismo básico de aprendizaje y lo
analizamos en términos probabilísticos, podemos
apreciar que el estímulo incondicionado sería
análogo a una probabilidad previa mientras que
la respuesta condicionada se asociaría con el
concepto de probabilidad posterior. Es decir, el
teorema de Bayes es una herramienta apropiada
para modelar el proceso de aprendizaje en el
paradigma de condicionamiento clásico. Del
mismo modo que el teorema de Bayes puede
utilizarse para actualizar probabilidades cuando
disponemos de más información de un fenómeno,
el organismo responde diferencialmente al estímulo
condicionado a medida que aumentan los ensayos
de condicionamiento clásico.
56
Los trabajos de Premack (1959, 1961) pueden
interpretarse mucho más claramente en relación
con el teorema de Bayes cuando hace alusión a
la tasa independiente de una respuesta. Es decir,
que no solo el condicionamiento clásico, sino
tanto el instrumental como el operante podrían
entenderse bajo la óptica del teorema de Bayes y el
cálculo de probabilidades condicionadas (Domjan
y Burkhard, 1982). Así, durante las últimas décadas
del siglo XX los teóricos e investigadores del ámbito
de las ciencias de la computación se apoyaron en
el principio de Heeb o principio de estabilización
(Carlson, 2000) selectiva para desarrollar modelos
abstractos del aprendizaje neural humano (Quinlan,
1991). Podríamos decir, que uno de los grandes
hitos de la neurociencia fue, en este sentido,
observar que los procesos electrofisiológicos que
se producen en redes neurales simples son los
que se postulaban al principio del siglo XX bajo el
paradigma del condicionamiento clásico (Kandel,
Schwartz, y Jessell, 1997).
MODELOS GRÁFICOS Y REDES
La psicología del aprendizaje del inicio del siglo
XXI estuvo marcada, a nuestro entender, por los
avances que se produjeron en el ámbito de las
ciencias de la computación y por los desarrollos
producidos en el contexto de la Inteligencia
Artificial (véanse, por ejemplo, Pearl, 2000, 2001,
2002). Una nueva forma de entender y estudiar los
fenómenos naturales y sociales surgió auspiciada
por lo que podríamos denominar filosofía de red.
Gracias al aumento de cómputo de los ordenadores
y a su abaratamiento, los modelos gráficos y
topográficos de problemas complejos empezaron
a poder desarrollarse en cualquier despacho de
universidad.
Una de las teorías más sugerentes sobre la
cognición y el aprendizaje humano puede atribuirse
a Glymour (2001, 2003) y colaboradores (véase,
por ejemplo, Gopnik et al., 2004; Gopnik et al.,
2001, Gopnik y Schulz, 2004; Sobel, Tenenbaum,
y Gopnik, 2004). Esta propuesta teórica alude
clara y directamente al teorema de Bayes, así como
a los modelos de red bayesiana, para tratar de
comprender, estudiar o analizar el aprendizaje y la
cognición humana. De esta manera, las variables
implicadas en los procesos de aprendizaje son
consideradas como distribuciones de probabilidad
que están enlazadas unas con otras por medio de
arcos que denotan dependencia causal.
IV Congreso Nacional de Psicología
METODOLOGÍA DE LAS CIENCIAS DEL
COMPORTAMIENTO
La psicología es considerada una ciencia
porque, para aproximarse al conocimiento,
se apoya, utiliza o aplica el método científico
(Bachrach, 1994; León y Montero, 2003). En el
último siglo la óptica estadística con que se han
analizado los datos en psicología, y en un amplio
espectro de ciencias sociales y de la salud, se
ha basado en lo que se ha venido a denominar
contraste de significación de hipótesis nulas
(del inglés null hypothesis significance testing o
NHST en forma abreviada). Sin embargo, este
modelo estadístico de aproximación al estudio
de la naturaleza ha sido criticado duramente
prácticamente desde sus inicios. Desde un punto
probabilístico, el principal problema de este
modelo de contraste de hipótesis científicas ha
girado en torno al uso e interpretación del p-valor
de un test estadístico (véase, por ejemplo, Bakan,
1966; Cohen, 1994; Dar, Serlin, y Omer, 1994;
Halsey, Currant-Everett, Vowler, y Drummond,
2015; Orlitzky, 2012; Rosnow y Rosenthal, 1989;
Stern, 2016; Wagenmakers, 2007; Wasserstein y
Lazar, 2016).
Por circunstancias que no vamos a entrar a
analizar, da la sensación de que la psicología ha
asumido el liderazgo en este ámbito para tratar de
mejorar el pensamiento estadístico en el ámbito
científico. Por señalar únicamente un trabajo que
consideramos crítico en este sentido, podemos
remontarnos al inicio de la década de los sesenta
cuando fue publicado el artículo de Edwards,
Lindman y Savage (1963) donde se introducen
las bases de lo que hoy conocemos como
inferencia bayesiana y que puede considerarse
como la semilla de lo que hoy es esta área de la
estadística para la psicología. En nuestra opinión,
el desarrollo del software libre JASP (https://
jasp-stats.org) al auspicio del Departamento
de Métodos Psicológicos de la Universidad de
Ámsterdam y liderado por Eric-Jan Wagenmakers
es fruto de aquel intento por mutar el paradigma
científico imperante en la época.
Como consecuencia, el análisis estadístico de
datos en psicología está, poco a poco, pasando
de centrarse en estadísticos o parámetros (medias
o proporciones) a fijarse en distribuciones de
probabilidad. Más que estimación puntual de
parámetros, cada vez es más interesante estudiar
distribuciones de probabilidad de variables. Algo
que, por otro lado, está en mucha más sintonía
con lo que viene siendo la naturaleza masiva de
datos y la potencia computacional de nuestros
tiempos. Este es el motivo por el que el software
JASP esté tratando de popularizar el uso de la
estadística bayesiana por medio del uso de los
Factores de Bayes (Kass y Raftery, 1995). Éste
es, sin duda, uno de los ámbitos de estudio y
discusión más apasionantes en que la psicología
está inmiscuida en este momento (véase, por
ejemplo, Held y Ott, 2018; Hoijtink, van Kooten,
y Hulsker, 2016a, 2016b; Jeon y De Boeck, 2017;
Jarosz y Wiley, 2014; Morey y Rouder, 2011;
Morey, Wagenmakers, y Rouder, 2016; Stern,
2016; Wagenmakers, 2007).
CONCLUSIONES
Como hemos tratado de mostrar muy
superficialmente, el teorema de Bayes parece
haber favorecido la evolución de la psicología
en algunas de sus dimensiones. La idea de
subjetividad y, a la vez, de rigor científico que
acompaña a este teorema parece haber servido
de inspiración a las personas de ciencia que se
han dedicado a la psicología a lo largo de los
siglos. Y, lo que es más, el intento de formalizar
matemáticamente la incertidumbre presente en la
naturaleza y el universo ha servido de apoyo para
el desarrollo de ideas que han condicionado la
evolución teórica de la psicología. Creemos que
este proceso aún no está acabado y la simbiosis
entre teorema de Bayes y psicología está aún en
un estadio de desarrollo temprano. Esta sinergia
tiene la potencialidad de coadyuvar en el próximo,
o próximos, cambios de paradigma para la ciencia
psicológica.
Sin embargo, no creemos que esto sea una
panacea. Es cierto que la lógica subyacente en el
teorema de Bayes es esencial para el crecimiento
de la psicología, pero, al igual que el teorema
de Pitágoras tuvo un papel principal en la crisis
matemática que dio a luz el descubrimiento de
los números inconmensurables (Luque y Calero,
2019), también creemos que corremos ciertos
riesgos si se abusa de la esencia de este teorema.
En primer lugar, y quizá menos importante,
si nos fijamos en lo expuesto en el epígrafe
anterior, cambiar de una herramienta estadística
a otra podría no solucionar nada. O, lo que es
peor, podría acrecentar los problemas. Es decir,
pasar, sin más, de usar el p-valor de un test
57
Jorge López Puga y Ana Mª Ruíz-Ruano García
estadístico a usar el Factor de Bayes para tomar
decisiones científicas o construir conocimiento
podría no ser bueno si se sigue actuando de
manera estereotipada sin pensar estadísticamente
(Gigerenzer, 1998; 2004; 2018). Dicho de forma
más mundana, sería como “tener el mismo perro,
pero con distinto collar”.
Lo peor, en nuestra humilde opinión, es
que confiar excesivamente en modalidades de
razonamiento inductivo podría conducirnos a
errar en el intento científico de aproximarnos a
la verdad. Posiblemente sea cierto que cualquier
conocimiento certero que nos permite realizar
razonamientos deductivos se ha forjado a base
de razonamiento inductivo (Jeffreys, 1931), pero
quizá no sea menos cierto que el razonamiento
inductivo puede conducirnos a errar en nuestros
razonamientos. Por ejemplo, la psicología ha
encontrado datos que sugieren que las personas
sucumbimos ante el sesgo de confirmación.
Es decir, que tendemos a buscar información
sistemáticamente que confirme nuestras hipótesis
en vez de buscar información que las desafíe. Un
ejemplo clásico sería aquel diseñado por Wason
(1960) en el que se pedía a los participantes
que tratasen de encontrar la regla (oculta) que
gobernaba en la serie {2, 4, 6} que planteaba
el investigador. Los participantes, tanto por sus
respuestas verbales como matemáticas, ponían
de manifiesto que, en la mayoría de los casos,
las personas tendemos a confirmar más que a
desconfirmar hipótesis previas. Por consiguiente,
tememos que confiar excesivamente en
procedimientos de razonamiento inductivo, sobre
todo en ausencia de pensamiento crítico, podrían
ser problemáticos.
REFERENCIAS BIBLIOGRÁFICAS
Bachrach, A. J. (1994). Cómo investigar en
psicología (4ª ed.). Madrid: Morata. (Trabajo
original publicado en 1966)
Bakan, D. (1966). The test of significance in
psychological research. Psychological Bulletin,
66, 423-437.
Ballesteros, F. J. (2019). Midiendo el cielo y la tierra.
Madrid: EMSE EDAPP y Prisanoticias.
Bayes, T. (1763). An essay towards solving a
problem in the doctrine of chances. Philosophical
Transactions, 53, 370-418. doi:10.1098/
rstl.1763.0053
Bernoulli, D. (1954). Exposition of a new theory on
58
the measurement of risk. Econometrica, 22, 23–
36. doi: 10.2307/1909829
Candland, D. K. (1971). Prólogo. En S. A. Manning
y E. H. Rosenstock (Eds.), Elaboración de escalas
de actitudes y psicofísica clásica (pp. 13–17).
México: Trillas.
Carlson, N. R. (2000). Fisiología de la conducta (3ª
ed.). Barcelona: Ariel. (Trabajo original publicado
en 1993)
Cohen, J. (1994). The Earth is round (p < .05).
American Psychologist, 49, 997-1003.
Dar, R., Serlin, R. C., y Omer, H. (1994). Misuse of
statistical tests in three decades of psychotherapy
research. Journal of Consulting and Clinical
Psychology, 62, 75-82. doi: 10.1037/0022006X.62.1.75
Dixon, J. R. (1970). Introducción a la probabilidad.
Texto programado. México: Limusa-Wilely.
(Trabajo original publicado en 1964)
Domjan, M., y Burkhard, B. (1982). The principles
of learning and behavior. Belmont, CA: BrooksCole.
Eddy, S. R. (2004). What is bayesian statistics?
Nature Biotechnology, 22, 1177–1178. doi:
10.1038/nbt0904-1177
Edwards, W., Lindman, H., y Savage, L. J. (1963).
Bayesian statistical inference for psychological
research. Psychological Review, 70, 193-242.
Ehrenstein, W. H., y Ehrenstein, A. (1999).
Psychophysical methods. En U. Windhorst y
H. Johansson (Eds.), Modern techniques in
neuroscience research (pp. 1211–1241). Berlin:
Springer.
Gigerenzer, G. (1998). We need statistical thinking,
not statistical rituals. Behavioral and Brain
Sciences, 21, 199-200.
Gigerenzer, G. (2004). Mindless statistics. The
Journal of Socio-Economics, 33, 587-606. doi:
10.1016/j.socec.2004.09.033
Gigerenzer, G. (2018). Statistical rituals:
The replication delusion and how we got
there. Advances in Methods and Practices in
Psychological Science, 1(2), 198-218. doi:
10.1177/2515245918771329
Glymour, C. (2003). Learning, prediction and
causal Bayes nets. Trends in Cognitives Sciences,
7, 43–48.
Glymour, C. (2001). The mind’s arrows. Bayes
nets and graphical causal models in psychology.
Cambridge, MA: MIT Press.
Gopnik, A., Glymour, C., Sobel, D. M., Schulz, L.
E., Kushnir, T., y Danks, D. (2004). A theory of
IV Congreso Nacional de Psicología
causal learning in children: causal and Bayes
nets. Psychological Review, 111, 3–32.
Gopnik, A., Sobel, D. M., Schulz, L., y Glymour,
C. (2001). Causal learning mechanisms in very
young children: two, three, and four-years-olds
infer causal relations from patterns of variation
and covariation. Developmental Psychology, 37,
620–629.
Gopnik, A., y Schulz, L. (2004). Mechanisms of
theory formation in young children. Trends in
Cognitives Sciences, 8, 371–377.
Halsey, L. G., Currant-Everett, D., Vowler, S. L., y
Drummond, G. B. (2015). The fickled P value
generates irreproducible results. Nature Methods,
12, 179-185. doi: 10.1038/nmeth.3288
Held, L., y Ott, M. (2018). On p-values and
Bayes factors. Annual Review of Statistics and Its
Application, 5, 393-419. doi: 10.1146/annurevstatistics-031017-100307
Hoijtink, H., van Kooten, P., y Hulsker, K.
(2016a). Why Bayesian psychologists should
change the way they use the Bayes Factor.
Multivariate Behavioral Research, 51, 2-10. doi:
10.1080/00273171.2014.969364
Hoijtink, H., van Kooten, P., y Hulsker, K. (2016b).
Bayes factors have frequency properties-This
should not be ignored: A rejoinder to Morey,
Wagenmakers,
and
Rouder.
Multivariate
Behavioral
Research,
51,
20-22.
doi:
10.1080/00273171.2015.1071705
Hothersall, D. (1997). Historia de la psicología (3ª
ed.). México: McGraw-Hill. (Trabajo original
publicado en 1995)
Jarosz, A., y Wiley, J. (2014). What are the odds? A
practical guide to computing and reporting Bayes
factors. Journal of Problem Solving, 7, 2-9. doi:
10.7771/1932-6246.1167
Jeffreys, H. (1931). Scientific inference. Londres:
Cambridge University Press.
Jeon, M., y De Boeck, P. (2017). Decision qualities
of Bayes Factor and p value-based hypothesis
testing. Psychological Methods, 22, 340-360.
doi: 10.1037/met0000140
Kandel, E. R., Schwartz, J. H., y Jessell, T. M. (1997).
Neurociencia y conducta. Madrid: Prentice Hall.
(Trabajo original publicado en 1995)
Kass, R. E., y Raftery, A. E. (1995). Bayes factors. Journal
of the American Statistical Association, 90, 773795. doi: 10.1080/01621459.1995.10476572
Kuhn, T. S. (1970). Th structure of scientific
revolutions (2ª ed.). Chicago, IL: The University
of Chicago Press.
Lahoz-Beltra, R. (2019). Hiperespacios. Madrid:
EMSE EDAPP y Prisanoticias.
León, O. G., y Montero, I. (2003). Métodos de
investigación en psicología y educación (3ª ed.).
Madrid: McGraw Hill.
Luque, B., y Calero, J. (2019). Números irracionales.
Madrid: EMSE EDAPP y Prisanoticias.
Morey, R. D., Wagenmakers, E., y Rouder, J. N.
(2016). Calibrated Bayes factors should not be
used: A reply to Hoijtink, van Kooten, and Hulsker.
Multivariate Behavioral Research, 51, 11-19. doi:
10.1080/00273171.2015.1052710
Morey, R. D., y Rouder, J. N. (2011). Bayes Factor
approaches for testing interval null hypothesis.
Psychological Methods, 16, 406-419. doi:
10.1037/a0024377
Navarrete, H. A. (2019). Cálculo infinitesimal.
Madrid: EMSE EDAPP y Prisanoticias.
Orlitzky, M. (2012). How can significance tests be
deinstitutionalized?
Organizational Research
Methods, 5, 199-228.
Pavlov, I. P. (1927). Conditioned reflexes. Londres:
Oxford University Press.
Pearl, J. (2000). Causality. Models, reasoning and
inference. New York: Cambridge University Press.
Pearl, J. (2001). Bayesian networks, causal inference
and knowledge discovery (Rep. Téc. R-281). Los
Angeles, CA: University of California.
Pearl, J. (2002). Causal inference in the health
sciences: a conceptual introduction. Health
Services and Outcomes Research Methodology, 2,
189–220.
Premack, D. (1959). Toward empirical behaviour
laws. Psychological Review, 66(4), 219-233.
Premack, D. (1961). Predicting instrumental
performance from the independent rate of the
contingent response. Journal of Experimental
Psychology, 61, 163-171.
Quinlan, P. (1991). Connectionism and psychology:
a psychological perspective on new connectionist
research. Hertfordshire: Cambridge University
Press.
Rosnow, R. L., y Rosenthal, R. (1989). Statistical
procedures and the justification of knowledge in
psychological science. American Psychologist, 44,
1276-1284.
Rossell, F. (2019). El infinito. Madrid: EMSE EDAPP y
Prisanoticias.
Sobel, D. M., Tenenbaum, J. B., y Gopnik, A. (2004).
Children’s causal inferences from indirect evidence:
backwards blocking and Bayesian reasoning in
pre-schoolers. Cognitive Science, 28, 303–333.
59
Jorge López Puga y Ana Mª Ruíz-Ruano García
Stern, H. S. (2016). A test by any other name:
P-values, Bayes Factors and statistical inference.
Multivariate Behaviour Research, 51, 23-39. doi:
10.1080/00273171.2015.1099032
Wagenmakers, E. (2007). A practical solution to
the pervasive problems of p values. Psychonomic
Bulletin & Review, 14, 779-804. doi: 10.3758/
BF03194105
60
View publication stats
Wason, P. C. (1960). On the failure to eliminate
hypotheses in a conceptual task. The Quarterly
Journal of Experimental Psychology, 12, 129-140.
Wasserstein, R. L., y Lazar, N. A. (2016). The ASA’s
statement on p-values: context, process, and
purpose. The American Statistician, 70, 129-133.
doi: 10.1080/00031305.2016.1154108