Tècniques de Recerca II 1.1 (2012)

Apunte Catalán
Universidad Universidad de Barcelona (UB)
Grado Psicología - 1º curso
Asignatura Tècniques de Recerca
Año del apunte 2012
Páginas 15
Fecha de subida 11/04/2016
Descargas 9
Subido por

Vista previa del texto

UNITAT 4. ESTRATÈGIES D’ANÀLISIS 1. GENERACIÓ DE SISTEMES DE CATEGORIES Generació d’una llista de trets o registre descriptiu: mostra de registres amb l’ocurrència de les conductes. Sempre serà un sistema provisional de categories.
Després es defineixen les categories del sistema provisional, amb exhaustivitat i mútuament excloents. Es distingeix entre categories molars i moleculars. I finalment, acord intra i interobservadors.
Sistema de categories ideal: unidimensional, entre 10 i 20 categories i del mateix grau de molecularitat.
2. TÈCNIQUES D’ANÀLISI DE CONTINGUT (Weft-QDA) a. TRANSCRIPCIONS. Es entendre com una part del procés d’anàlisi de dades en les qualitatives. No és una codificació.
Sense importar el tipus de registre (àudio, visual...), les transcripcions han d’estar en format de text per tal de fer una anàlisi de contingut.
Durant el procés de transcripció diferents decisions es poden prendre en relació amb el tipus d’anàlisi de dades.
L’idioma de parla (natural) es transforma en text escrit (artificial), i cal assegurar la màxima transparència.
Preparació de la transcripció de dades:  Durant el procés de transcripció sempre perden alguns significats, de manera que s’ha d’assegurar que aquesta pèrdua sigui mínima.
 Com més detallada és una transcripció, més pistes i elements s’introdueixen per l’anàlisi i la interpretació (encara que no hauria de crear un text molt detallat i difícil de llegir).
Entrevistes en profunditat. Preservació de l’entonació dels entrevistats, pauses, ritme, indecisió...
Tipologies: preparació de detall i unitats de contingut.
b. MOSTRATGE. El mostreig de l’anàlisi de contingut: l’elecció del corpus i el mostreig.
DELIMITACIÓ DE L’OBJECTE D’ESTUDI:  Establir (per a la recol·lecció o producció) d’un corpus de textos (o transcripcions) i fixar les parts del cos per analitzar (tots els segments).
Mostreig textual: - INTERTEXTUAL: elecció del text que s’analitza El límit de l’univers documental són els interessos i els objectius de l’investigador, és a dir, l’objecte d’estudi i objectius de la investigació. Els documents seleccionats han de ser apropiats i rellevants a les preguntes de recerca.
Procediment:  Repetida lectura de material seleccionat.
 Creació del corpus: un conjunt de textos a analitzar.
 Característiques del corpus: exhaustiva i representativa.
 Selecció d’estratègies: o Estadística. nomotètica o Teòrica. Relacionades amb els objectius o Criteri de tot. Cos = univers (ideogràfic) - INTRATEXTUAL: elecció de la part del text per registrar, classificar, mesurar i analitzar.
El text del corpus s’haurà de prepara: o Material. “arranjar” el text quan no està clar (entrevistes gravades).
o Formal. Edició del text.
A mesura que més segments del text s’analitzen més valuós és el resultat. L’ideal és estudiar el cos sencer, però de vegades cal fer un mostreig en el text, en funció de l’estructura del text, en fer un mostreig dins de cada sector (discurs: introducció, cos, tancament) amb fragments amb unitat.
Tàctiques de selecció: - Criteris estadístics. Estimació de l’elecció del material (si és suficient), mitjançant la fórmula θ=1-N1/T o N1 = nombre de categories identificades.
o T = nombre de unitats de registre Si el resultat és proper a 1, la selección de segments és suficient - Criteris pràctics i estadístics. Derivat de l’estudi.
Criteris generals. Text seleccionat, ideogràfic i qualitatiu.
c. UNITATS TEXTUALS I CONTEXTUALS.
Unitats d’anàlisi: es localitzen en el corpus textual i poden ser textuals o contextuals.
 TEXTUALS. (rellevants o significativa), es poden relacionar amb l’objectiu de la investigació: la paraula, la frase amb la unitat semàntica, els temes, paràgrafs, etc.
 CONTEXTUAL. (context o mínim) és el segment més petit de text necessari per interpretar una unitat textual.
3. TÈCNIQUES D’ANÀLISI ESTADÍSTICA a. ORGANITZACIÓ DE LA INFORMACIÓ b. GENERACIÓ D’UNA MATRIU DE DADES c. DEPURACIÓ D’UNA MATRIU DE DADES - Revisió d’una matriu de dades: Detecció de valors incorrectes Detecció de valors anòmals A priori: limitar els valors en les cel·les A posteriori: obtenir resums de freqüència.
UNITAT 5. MODELS DE PROBABILITAT VARIABLES ALEATÒRIES DISCRETES Una variable aleatòria (xi) d’un espai mostral  és una funció en el conjunt dels números reals (R) tal que la imatge inversa de cada interval de R és un succés de  (Xi:   R). Tot espai mostral queda definit per un model o llei de probabilitat. La llei de probabilitat és la correspondència entre cada un dels valors de la variable aleatòria i la probabilitat d’ocurrència del mateixos.
MOMENTS DIMENSIONALS I ADIMENSIONALS I FUNCIONS DE MASSA I DE DISTRIBUCIÓ EXEMPLE VARIABLE ALEATÒRIA DISCRETA MODELS DE PROBABILITAT DE VARIABLES ALEATÒRIES DISCRETES Principals models:  Llei binomial  Llei de Poisson  Distribució multinomial    Distribució hipergeomètrica Distribució binomial negativa Distribució geomètrica MODEL DE LA LLEI BINOMIAL Variables aleatòries discretes generades a partir d’una variable qualitativa dicotòmica. Condicions: - L’experiència o prova admet dos resultats.
- Cada prova elemental es pot repetir n vegades (assajos): - El resultat de cada prova ha de ser independent del resultat de les proves anteriors.
- La probabilitat d’èxit o fracàs ha de ser constant en cada una de les proves.
Experiment de Bernoulli: p(E) = π p(F) = 1 – π Repetició n vegades Variable aleatòria amb n + 1 valors DISTRIBUCIÓ DE POISSON (Particularitat de la Llei Binomial quan:) VARIABLES ALEATÒRIES CONTÍNUES Moments dimensionals i adimensionals: DISTRIBUCIÓ DE NORMAL - - Els seus paràmetres són la mitjana (µ) i la variança (Ợ2).
La variable X segueix una distribució normal amb mitjana µ i variança Ợ2 : X ~ N (µ,Ợ2) Té un punt de màxima alçada, que coincideix amb la mitjana (µ).
És simètrica respecte a l’eix d’ordenades. L’eix de simetria està situat a µ.
És asimptòtica repsecte a l’eix d’abscisses, per tant fluctúa entre –œ i + œ.
Té dos punts d’inflexió a +-1 Ợ de µ DISTRIBUCIÓ DE NORMAL estàndard    Tota variable que segueixi la normal es pot estandarditzar (puntuacions Z) i utilitzar una única taula per calcular qualsevol probabilitat associada a una àrea concreta.
Les puntuacions Z segueixen una distribució normal amb mitjana 0 i variància 1; Z  N(0, 1).
Per transformar les puntuacions a Z, el que es fa és centrar i reduir la variable original: zi  xi    El quocient intel·lectual (QI) es distribueix segons la llei normal amb mitjana 100 i desviació típica 15.
¿Quina és la probabilitat de què una persona presenti un QI superior a 75 ? z  75  100   1,6  z   1,67 15 100  z = - 1,67 => p = 0,0475  P(-  < z < –1,67) = 0,0475  P(-1,67 < z < )= 1 – 0,0475  P = 0,9525 The intelligence quotient (IQ) follows the normal distribution with 100 mean and 15 standard deviation. ¿What is the value of IQ leaving over 20% more intelligent persons p (X > ?) = 0,2 UNITAT 6. DESCRIPCIÓ VARIABLES QUALITATIVES UNITAT 7. DESCRIPCIÓ VARIABLES QUANTITATIVES 75 INDICADORS D’ORDRE O POSICIÓ • • • Percentils o centils (Pk o Ck) - Divideixen la distribució en 100 parts d’igual grandària.
Decils (Dk) - Divideixen la distribució en 10 parts d’igual grandària.
Quartils (Qk)- Divideixen la distribució en 4 parts d’igual grandària.
Relació entre els indicadors d’ordre P10  D1 P20 P25 P30 P40 P50 P60 P70 P75 P80 P90           D2 D3 D4 D 5 D6 D 7 D8 D9    Q1 Q2 Q3  Md Càlcul aproximat dels indicadors de posició: TÈCNICA DE LA INTERPOLACIÓ Determinació del valor a partir de la estimació de la posició, un cop ordenades les dades de menor a major, i concreció del valor Xi que indiqui el percentil, decil o quartil que interessa.
Posició (j) del percentil k: j = k · (n+1)/100 Càlcul exacte 1r. Ordenar els valors de la distribució.
2n. Localització del Percentil k: j = k · (n+1)/100 3r Càlcul del percentil k Pk = Xi + (j - i) (Xi+1 - Xi) On: j és la posició que ocupa el percentil k i és la posició inmediatament anterior en números sencers a la posició j Xi és el valor que ocupa la posició i Xi+1 és el valor que ocupa la posició i + 1 Exemple: variable nombre de fills en la mostra de 20 subjectes estudiats. Valors: 14310223540033420211 Càlcul percentil 20: 1r Ordenar: 0 0 0 0 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 5 2n Localització: j = 20 · 21 / 100 = 4,2 3r Càlcul: P20 = 0 + (4,2 - 4) · (1 - 0) = 0,2 INDICADORS DE TENDÈNCIA CENTRAL Moda (Mo) - Valor més freqüent de la distribució Mediana (Md) - Valor que divideix la distribució en dos meitats d’igual grandària i n Mitjana: Trimitjana: x  xi i 1 n iN  x i 1 N i Trimitjana  Q1  2 · Q2  Q3 4 Mitjana de quartils: Q  Mitjana interquartílica: Q1  Q3 2 xi  ...  xi( p 75) Mid  ( p 251) ni INDICADORS DE DISPERSIÓ Amplitud o rang = Xmax - Xmin MAD  Md xi  Md Amplitud interquartílica: IQR = Q3 - Q1 Mediana de les desviacions absolutes: i n 2 Variància: S  Desviació típica: 2  xi  x  i 1 n 1 S  S2 Coeficient de Variació: INDICADORS DE FORMA SIMETRIA CURTOSI O APUNTAMENT i N  SQx n 1 2    2 CV   S ·100 x  x i 1 i   N 2  SQx N UNITAT 8. DESCRIPCIÓ BIVARIABLE COEFICIENT DE CORRELACIÓ LINEAL DE PERSON: l’objectiu és determinar si existeix relació lineal entre dues variables quantitatives mesurades com a mínim en escala d’interval.
COEFICIENT DE CORRELACIÓ LINEAL DE PERSON ...