La hipótesis en una investigación científica es una suposición
testeable y falseable, que se formula para explicar un fenómeno
observado que será puesto a prueba en una investigación. La
hipótesis puede ser Nula (H0: no efecto) vs. alternativa (H1: hay
efecto); debe ser clara, medible y derivada de teoría, (Kerlinger &
Lee, 2000, p. 18).
Recolección de datos
La recolección de datos en una investigación es un proceso
sistemático de información precisa y confiable sobre las variables que
serán estudiadas sobre el mundo social o empírico, mediante técnicas
estandarizadas que minimicen los sesgos, Babbie (2020). Esta
recolección se puede basar en encuestas, entrevistas, observación o
análisis para poder responder la pregunta de la investigación y así
probar la hipótesis
Fuentes fiables, muestreo, ética, técnicas.
Planteamiento del problema
En una investigación se refiere a la descripción clara y justificada de
la situación del problema que requiere ser estudiada, incluye su
relevancia, antecedentes y preguntas, en la etapa inicial identifica el
“que”, “porque” y “para que” investigar, (Creswell & Creswell, 2018,
p. 95)
Situación, problema, objetivos.
Bitácoras de campo
Es un registro cronológico en el que se detalla las observaciones,
reflexiones y datos durante el trabajo empírico, sirve como
herramienta para documentar el proceso y asegura la trazabilidad,
ayuda a capturar datos no estructurados y reflexiones del
investigador, (Yin, 2018, p. 100).
Documento, hallazgos, análisis.
Modulo 3
Esquema conceptual
En la investigación es un marco teórico visual que integra los
conceptos claves y sus interrelaciones, se deriva de la literatura
existente para guiar el estudio y definir términos que justifiquen la
hipótesis, sirve como mapa que une teoría con variables empíricas,
como diagramas o narrativas que clarifican las suposiciones, (Ravitch
& Riggan, 2017, p. 15).
Marco teórico, hipótesis, variables
Ravitch, S. M., & Riggan, M. (2017). Reason & rigor: How conceptual
frameworks guide research (2nd ed.). SAGE Publications. (Define
como lente conceptual para análisis, Ch. 1, pp. 10-25).
Fuentes primarias
Son los datos que se generan por el investigador o los testigos
directos, pueden ser encuestas, entrevistas, observaciones, etc;
proporcionan información no interpretada para análisis propio, estas
fuentes son crudas y auténticas, ideales para validar la hipótesis sin
intermediarios. (Creswell & Creswell, 2018, p. 120)
Hipótesis, datos, investigador, análisis
Creswell, J. W., & Creswell, J. D. (2018). Research design: Qualitative,
quantitative, and mixed methods approaches (5th ed.). SAGE
Publications. (Las describe como datos recolectados directamente en
Ch. 8, pp. 115-130).
Glosario 4
Hipótesis correlacionales
La hipótesis correlacional es una información testeable que postula la
presencia de una relación lineal o no lineal entre dos o mas variables,
sin implificar causalidad. Esta hipótesis es importante en la
investigación de datos ya que ayuda a explorar patrones en grandes
conjuntos como la minería de datos, donde es usada para conocer las
relaciones preliminares antes de modelos predictivos, es
indispensable mencionar que debe interpretarse con precaución para
así evitar deducciones causales erradas, (Cohen et al., 2013). Su
relevancia se refiere a la utilidad de generar hipótesis exploratorias
en contextos, por ejemplo, del análisis financiero alinearlo con
técnicas que prevalezcan la objetividad. Otro ejemplo de este tipo de
hipótesis podría ser si existe una correlación positiva entre el gasto
del marketing y las ventas mensuales.
Palabras claves
Investigación de datos, minería de datos, correlación.
Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2013). Applied
multiple regression/correlation analysis for the behavioral sciences
(3rd ed.). Routledge.
Variable interviniente
También conocida como variable mediadora o intermediaria, explica
el mecanismo subyacente por el cual una variable independiente
influye en una variable dependiente, procediendo como un viaducto
del impacto causal, (Baron & Kenny, 1986). Esta variable media el
efecto indirecto, por ejemplo, en un caso de finanzas al analizar los
costos, una variable interviniente podría ser la eficiencia operativa
que media entre inversión en tecnología y rentabilidad. En temas de
big data o minera de datos estas variables se evidencian en técnicas
de análisis de rutas, y su importancia se revela en la capacidad para
descubrir relaciones complejas en datasets, evitando las
interpretaciones supuestas lo que mejora la precisión de los modelos
de estudio.
Palabras clave
Modelos de estudio, variables, análisis de rutas.
Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable
distinction in social psychological research: Conceptual, strategic, and
statistical considerations. Journal of Personality and Social Psychology,
51(6), 1173-1182. [Link]
Glosario 5
Error estándar
En la investigación de datos el error estándar se refiere a una medida
estadística que cuantifica la precisión con la que una estadística
muestral, estima el valor poblacional verdadero, (Cumming, 2014). El
error estándar seria la desviación estándar de la distribución
muestral, cuando se hace una investigación se toma muestras de la
población para medir algo lo que podría ser el ingreso promedio. Si se
repitiera varias veces el proceso de muestreo se tendrá diferentes
valores de la muestra, la distribución de estas medias es la
distribución muestral. El error estándar mide cuanto se estima que
varie la media de una muestra a otra, en resumen, sería la estimación
de la vacilación de la estadística prueba. Hay que mencionar que el
error estándar se fundamenta en intervalos de confianza, prueba de
hipótesis y medida de precisión.
Palabras clave
Desviación estándar, media, precisión estadística.
Cumming, G. (2014). Understanding the new statistics: Effect sizes,
confidence intervals, and meta-analysis. Routledge.
Nivel deseado de confianza
El nivel de confianza es el porcentaje de probabilidad con el que se
espera que un intervalo de confianza capture el valor verdadero de la
población, se basa en varios nuestros hipotéticos de la población,
(Cumming, 2014). En otras palabras, podría ser la seguridad que el
investigador quiere tener de que su estudio tenga el valor real de la
población. Los porcentajes mas comunes de confianza son 95% y
99%, 90%. Por todo lo mencionado se puede decir que el nivel de
confianza esta relacionado con la amplitud del intervalo de confianza,
es decir para estar mas seguros hay que aceptar un rango de valores
mas amplios y para tener una estimación precisa hay que aceptar un
nivel de certeza bajo del que el rango contenga el valor real. Se
puede concluir que el nivel de confianza es una decisión importante
porque define el equilibrio de la certeza con la precisión en la
investigación.
Palabras clave
Valor poblacional, porcentajes de confianza, certeza, precisión.
Cumming, G. (2014). Understanding the new statistics: Effect sizes,
confidence intervals, and meta-analysis. Routledge.
Glosario 6
Niveles de medición
Son categorías que cuentan somo se miden y clasifican las variables,
determinando que análisis estadísticos es válido y que tipo de
información puede aportar, (Malhotra, 2019). La correcta
identificación de este nivel es importante, porque establece la
selección de técnicas estadísticas y la validez de las conclusiones.
Generalmente se conocen cuatro niveles:
El nivel nominal, permite clasificar los elementos en categorías
sin orden.
El nivel ordinal, ordena las categorías en jerarquías
El nivel de intervalo incorpora distancias iguales entre valores,
como escalas tipo Likert.
El nivel de razón incluye todas las tipologías mencionadas y un
cero absoluto significativo.
Palabras clave
Análisis estadísticos, escalas Likert, nivel de razón.
(Malhotra, 2019)
Sesión en profundidad
Es una técnica cualitativa en la recolección de datos que involucra
conversaciones semiestructuradas y detalladas al entrevistado, lo
cual ayuda a conocer comportamientos profundos sobre el tema de
estudio, (Malhotra, 2019). Al contrario de encuestas cuantitativas
permite tener flexibilidad, lo que puede disminuir sesgos y fomentar
la confianza. Una de las ventajas es la capacidad de captar matices
emocionales que demuestran la intención de comprar o la lealtad a la
marca. Sin embargo, es subjetiva y de igual manera depende del tipo
de entrevistador, lo cual puede generar riesgos en los sesgos
interpretativos, o tener información limitada, por ello se recomienda
la triangulación con otros métodos para así tener más fuentes de
información.
Palabras clave,
Sesgos, flexibilidad metodológica, matices emocionales.
Malhotra, N. K. (2019). Marketing research: An applied orientation
(7th ed.). Pearson.
Glosario 7
El cubo de dificultad de casos
Es un instrumento ordenado que es utilizado en la investigación de
mercados para poder evaluar la complejidad de un plan en función de
diversas variables, la complejidad de un caso de investigación se
observa como un espacio tridimensional donde la dificultad aumenta
en relación con datos más sensibles, (Malhotra 2020). Normalmente
se evalúa 3 ejes:
Nivel de información requerida, parte de datos superficiales.
Accesibilidad del sujeto de estudio, la habilidad para obtener
información de la muestra.
Grado de estructuración del problema, si el problema está definido
sobre un fenómeno nuevo.
Referencias
Malhotra, N. K. (2020). Investigación de mercados: Conceptos
esenciales (4ª ed.). Pearson Educación.
Palabras clave
Metodología de casos, Toma de decisiones, Complejidad
Resumen ejecutivo
En este apartado se sintetiza los hallazgos mas importantes,
conclusiones y recomendaciones, se puede decir que es el parte más
significativa de un informe, porque es la única parte que algunos
ejecutivos leen, por ello se debe describir de manera precisa el
problema de investigación, el enfoque, el diseño de la investigación,
los resultados principales, las conclusiones y las recomendaciones,
(Malhotra 2020).
Referencias
Malhotra, N. K. (2020). Investigación de mercados: Conceptos
esenciales (4ª ed.). Pearson Educación.
Palabras clave
Investigación de mercados, Segmentación, Análisis estratégico