Inferencia estadística cuando la muestra "es" la población


47

Imagine que tiene que informar sobre el número de candidatos que anualmente toman un examen determinado. Parece bastante difícil inferir el% de éxito observado, por ejemplo, en una población más amplia debido a la especificidad de la población objetivo. Por lo tanto, puede considerar que estos datos representan a toda la población.

¿Los resultados de las pruebas indican que las proporciones de hombres y mujeres son realmente diferentes? ¿Una prueba que compara las proporciones observadas y teóricas parece ser correcta, ya que considera una población completa (y no una muestra)?

Respuestas:


31

Puede haber opiniones diferentes sobre esto, pero trataría los datos de la población como una muestra y asumiría una población hipotética, luego haría inferencias de la manera habitual. Una forma de pensar en esto es que existe un proceso subyacente de generación de datos responsable de los datos recopilados, la distribución de "población".

En su caso particular, esto podría tener aún más sentido ya que tendrá cohortes en el futuro. Entonces su población son realmente cohortes que toman la prueba incluso en el futuro. De esta manera, podría tener en cuenta las variaciones basadas en el tiempo si tiene datos de más de un año, o tratar de tener en cuenta los factores latentes a través de su modelo de error. En resumen, puede desarrollar modelos más ricos con mayor poder explicativo.


44
Acabo de encontrar esta publicación de A Gelman, ¿Cómo difiere el análisis estadístico al analizar a toda la población en lugar de una muestra? , j.mp/cZ1WSI . Un buen punto de partida sobre opiniones divergentes sobre el concepto de "superpoblación".
chl

2
@chl: interesante: me recuerda que Gelman tuvo una discusión sobre la inferencia finita / superpoblacional comparable a los efectos fijos / aleatorios en su artículo sobre ANOVA [ stat.columbia.edu/~gelman/research/published/econanova3.pdf ]
ars

+1 Acabo de volver a esto nuevamente (a través de google). Creo que su respuesta es acertada.
Shane

25

En realidad, si estás realmente seguro de que tienes a toda la población, incluso no hay necesidad de entrar en estadísticas. Entonces sabes exactamente qué tan grande es la diferencia, y ya no hay ninguna razón para probarla. Un error clásico es utilizar la significación estadística como significación "relevante". Si tomaste muestras de la población, la diferencia es cuál es.

Por otro lado, si reformula su hipótesis, los candidatos pueden verse como una muestra de posibles candidatos, lo que permitiría realizar pruebas estadísticas. En este caso, probaría en general si los hombres y las mujeres difieren en la prueba en cuestión.

Como dijo ars, puede usar pruebas de varios años y agregar tiempo como factor aleatorio. Pero si su interés realmente está en las diferencias entre estos candidatos en esta prueba en particular, no puede usar la generalización y la prueba no tiene sentido.


15

Tradicionalmente, la inferencia estadística se enseña en el contexto de las muestras de probabilidad y la naturaleza del error de muestreo. Este modelo es la base para la prueba de significancia. Sin embargo, hay otras formas de modelar desviaciones sistemáticas del azar y resulta que nuestras pruebas paramétricas (basadas en muestreo) tienden a ser buenas aproximaciones de estas alternativas.

Las pruebas paramétricas de hipótesis se basan en la teoría de muestreo para producir estimaciones de error probable. Si se toma una muestra de un tamaño dado de una población, el conocimiento de la naturaleza sistemática del muestreo hace que las pruebas y los intervalos de confianza sean significativos. Con una población, la teoría de muestreo simplemente no es relevante y las pruebas no son significativas en el sentido tradicional. La inferencia es inútil, no hay nada que inferir, solo está la cosa ... el parámetro en sí.

Algunos evitan esto apelando a las superpoblaciones que representa el censo actual. Considero que estas apelaciones no son convincentes: las pruebas paramétricas se basan en el muestreo de probabilidad y sus características. Una población en un momento dado puede ser una muestra de una población más grande a lo largo del tiempo y el lugar. Sin embargo, no veo ninguna forma en que uno pueda argumentar legítimamente que esta es una muestra aleatoria (o más generalmente cualquier forma de probabilidad). Sin una muestra de probabilidad, la teoría de muestreo y la lógica tradicional de prueba simplemente no se aplican. También puede realizar una prueba con base en una muestra de conveniencia.

Claramente, para aceptar las pruebas cuando se utiliza una población, debemos prescindir de esas pruebas en los procedimientos de muestreo. Una forma de hacerlo es reconocer la estrecha conexión entre nuestras pruebas teóricas de muestra, como t, Z y F, y los procedimientos de aleatorización. Las pruebas de aleatorización se basan en la muestra disponible. Si recopilo datos sobre el ingreso de hombres y mujeres, el modelo de probabilidad y la base de nuestras estimaciones de error son asignaciones aleatorias repetidas de los valores de datos reales. Pude comparar las diferencias observadas entre los grupos con una distribución basada en esta aleatorización. (Hacemos esto todo el tiempo en experimentos, por cierto, donde el muestreo aleatorio de un modelo de población rara vez es apropiado).

Ahora, resulta que las pruebas teóricas de muestra son a menudo buenas aproximaciones de las pruebas de aleatorización. Entonces, en última instancia, creo que las pruebas de poblaciones son útiles y significativas dentro de este marco y pueden ayudar a distinguir la variación sistemática de la casualidad, al igual que con las pruebas basadas en muestras. La lógica utilizada para llegar allí es un poco diferente, pero no tiene mucho efecto sobre el significado práctico y el uso de las pruebas. Por supuesto, podría ser mejor usar pruebas de aleatorización y permutación directamente dado que están fácilmente disponibles con toda nuestra potencia informática moderna.


3
+1 para la discusión sensata; algunos puntos sin embargo. La maquinaria inferencial no está disponible para el análisis de la población, pero en muchos casos de modelado, me preguntaría si alguna vez tiene los datos de la población, a menudo, no es muy difícil hacer agujeros. Por lo tanto, no siempre es un atractivo para una súper población como el medio para desplegar la inferencia. En lugar de "superpoblación", la mejor manera es asumir un proceso de generación de datos que produzca, por ejemplo, la prueba de año a año tomando cohortes en cuestión. Ahí es donde surge el componente estocástico.
ars

2
No creo que haya ningún desacuerdo aquí, excepto por la falta de maquinaria inferencial para el análisis de la población. Las pruebas de aleatorización son aplicables a las poblaciones y pueden probar razonablemente si el proceso de generación de datos probablemente se deba a un proceso de generación aleatorio versus un proceso de generación sistemática. No asumen un muestreo aleatorio y son una prueba de azar bastante directa versus variación sistemática. Nuestras pruebas tradicionales resultan bastante buenas para ellos.
Brett

Eso es cierto re: "falta de maquinaria inferencial". Redacción descuidada de mi parte, especialmente porque me gustó el comentario que hizo sobre las pruebas de aleatorización en su respuesta.
ars

lo siento. Tengo dificultades para comprender cómo calcularía las permutaciones y qué conclusiones podré sacar por ellas.
pbneau

¿El bootstrapping no es una alternativa válida? ¿Cómo el bootstrapping no resuelve la necesidad de hacer alguna de estas suposiciones?
Chernoff

3

Suponga que los resultados indican que los candidatos difieren en cuanto a género. Por ejemplo, la proporción de quienes completaron las pruebas es la siguiente: 40% mujeres y 60% hombres. Para sugerir lo obvio, el 40% es diferente del 60%. Ahora lo importante es decidir: 1) su población de interés; 2) cómo se relacionan sus observaciones con la población de interés. Aquí hay algunos detalles sobre estos dos problemas:

  1. Si su población de interés es solo los candidatos que ha observado (p. Ej., Los 100 candidatos que solicitaron ingreso a una universidad en 2016), no necesita informar las pruebas de significación estadística. Esto se debe a que su población de interés fue muestreada por completo ... todo lo que le importa son los 100 candidatos sobre los que tiene datos completos. Es decir, el 60% es, punto final, diferente al 40%. El tipo de pregunta que esta respuesta es, ¿hubo diferencias de género en la población de 100 que se aplicaron al programa? Esta es una pregunta descriptiva y la respuesta es sí.

  2. Sin embargo, muchas preguntas importantes son sobre lo que sucederá en diferentes entornos. Es decir, muchos investigadores quieren proponer tendencias sobre el pasado que nos ayuden a predecir (y luego planificar) el futuro. Una pregunta de ejemplo a este respecto sería: ¿Qué posibilidades hay de que las pruebas futuras de los candidatos sean diferentes en términos de género? La población de interés es entonces más amplia que en el escenario # 1 anterior. En este punto, una pregunta importante es: ¿Es probable que sus datos observados sean representativos de las tendencias futuras? Esta es una pregunta inferencial y, según la información proporcionada por el póster original, la respuesta es: no lo sabemos.

En resumen, las estadísticas que informe dependen del tipo de pregunta que desea responder.

Pensar en el diseño de investigación básica puede ser de gran ayuda (intente aquí: http://www.socialresearchmethods.net/kb/design.php ). Pensar en superpoblaciones puede ser de ayuda si desea información más avanzada (aquí hay un artículo que puede ayudar: http://projecteuclid.org/euclid.ss/1023798999#ui-tabs-1 ).


2

Si considera que lo que está midiendo es un proceso aleatorio, entonces sí, las pruebas estadísticas son relevantes. Tomemos, por ejemplo, lanzar una moneda 10 veces para ver si es justo. Obtienes 6 caras y 4 colas, ¿qué concluyes?


1
Realmente no entiendo cómo la conclusión a la que llegó sobre el tema del lanzamiento de una moneda está relacionada con la pregunta formulada. ¿Tal vez podrías expandirte un poco en ese punto? Las pruebas estadísticas parecen ser relevantes en la medida en que ayudan a inferir los resultados observados a una población más grande, ya sea una población de referencia o general. La pregunta aquí parece ser: dado que la muestra está cerca de la población de examinados durante un período fijo de tiempo (aquí, un año), ¿es la inferencia clásica la forma correcta de tomar una decisión sobre las posibles diferencias a nivel individual?
chl

1
@chl Sí, pero parece que OP está tratando de inferir una probabilidad subyacente de éxito. Las pruebas comparan las proporciones observadas con la distribución teórica para determinar si hay una diferencia para un nivel de confianza dado. Está probando cualquier forma de aleatoriedad, no solo la aleatoriedad del error de muestreo.
James
Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.