« Procesamiento de datos » : différence entre les versions
| Ligne 72 : | Ligne 72 : | ||
= Regresión lineal = | = Regresión lineal = | ||
[[Fichier:Régression linéaire.png|500px|vignette|centré]] | [[Fichier:Régression linéaire.png|500px|vignette|centré]]Es un conjunto de herramientas muy variado y a veces complejo, pero es la herramienta principal. La regresión lineal es el elemento principal; gran parte del análisis cuantitativo en las ciencias sociales se basa en la regresión lineal. | ||
Hablamos de linealidad, porque suponemos que hay una relación lineal entre las variables que estudiamos, es decir, que hay una función lineal detrás de esta relación; sin embargo, también podemos considerar regresiones que no son sólo lineales. | |||
Se asume que lo que queremos explicar es una función lineal de una o más variables independientes. Esto es crucial, porque la regresión lineal es sólo un subconjunto de una familia más amplia de análisis de regresión que no se basa en una idea de linealidad entre las dos variables. | |||
El modelo más sencillo es con una variable explicativa como, por ejemplo, la participación política según el interés político. | |||
En términos descriptivos existe una fuerte correlación entre estas dos variables; si una hipótesis dice que es el interés político lo que influye en la participación, entonces se hace un análisis de regresión. | |||
En | Siempre tenemos el problema de la endogeneidad en este tipo de análisis, postulamos que el interés por la política determina la participación; también podríamos postular que cuanto más participamos, más desarrollamos un interés por la política. | ||
La participación política es una función lineal de interés político "más" un factor constante, es decir, el valor de Y cuando X es igual a 0, es decir, cuál es mi nivel de participación cuando el interés político es cero. En la parte inferior es donde la línea de regresión cruza el eje y. | |||
La | En el análisis multivariado siempre hay un margen de error; una cosa está relacionada si tenemos datos de encuestas relacionados con el margen de error entre población y muestra, pero independientemente de si estamos trabajando con muestras o con una población en general; siempre hay un término de error involucrado, porque siempre hay algo que influye en lo que queremos explicar y que no está incluido en el modelo de regresión como, por ejemplo, la educación, la edad, el contexto social, institucional, etc. | ||
De hecho, la E agrupa la varianza no explicada, es decir, todo lo que podría explicar la Y, pero no se introduce en el modelo, es el problema de la subespecificación del modelo, es decir, la cuestión relativa a la especificación del modelo; cuantas más variables tenga un modelo, más probable es que se subespecifique y se expliquen menos variaciones en la Y, y cuanto más alta sea la E en términos de error, más se reducirá a un mínimo la E. | |||
Esto sugiere que no incluir algunas variables en un modelo explicativo tiene dos consecuencias principales: | |||
*el modelo está subespecificado, hay poca explicación de la variabilidad de Y con este modelo, es decir, los factores fuertemente correlacionados con lo que queremos estudiar. | |||
*la segunda razón está relacionada con el control de las variables, porque si se introduce el interés en la política, una tercera variable puede influir en el interés en la política y la participación en la política; la asociación es engañosa. | |||
* | Queremos incluir tantas variables como sea posible que pensamos pueden influir directamente en Y o indirectamente haciendo que la relación entre X e Y sea falsa o sólo aparente. | ||
*la | |||
La B es el coeficiente de regresión, es decir, la pendiente de la línea de regresión que da la fuerza del efecto X porque se multiplica por X, es decir, cuanto más fuerte es el efecto X, más alta es la B. | |||
La B puede ser no estandarizada o estandarizada. "Estandarización" significa normalizar y el propósito es poder comparar diferentes coeficientes. | |||
Estamos en una lógica aditiva, hay "+"; suponemos que la variación de Y es una función lineal es aditiva o acumulativa del efecto de todas las demás variables introducidas en el modelo. | |||
= Droite de régression = | = Droite de régression = | ||
Version du 26 janvier 2019 à 15:49
| Faculté | Faculté des sciences de la société |
|---|---|
| Département | Département de science politique et relations internationales |
| Professeur(s) | Marco Giugni[1] |
| Cours | Introduction aux méthodes de la science-politique |
Lectures
El análisis de los datos cuantitativos es muy diferente del análisis de los datos cualitativos; son dos prácticas de investigación muy diferentes, si no opuestas.
Nos centraremos en el análisis cuantitativo, que en realidad es más fácil que el análisis cualitativo de datos, aunque sólo sea porque hay rutinas institucionalizadas.
Matriz de datos
Es una matriz que cruza los casos estudiados con una serie de variables, a saber, variables de columna y casos de fila.
Se debe asignar un código para excluir del análisis a los que no respondieron y para diferenciarlos de los que sí respondieron.
Hay tres análisis que corresponden a tres objetivos diferentes:
- análisis univariados: análisis que se realizan sobre una sola variable o característica.
- análisis bivariables: vinculando dos variables, queremos cruzar datos para analizar variaciones más sutiles como el interés de la política según la ciudad o la edad.
- análisis multivariados: pensamos que un fenómeno explicado nunca se explica por una sola variable independiente; por otro lado queremos introducir controles para controlar las relaciones a través de la técnica de purificación.
Hay que distinguir entre un análisis descriptivo que pretende describir una "situación de hecho" univariada o bivariada.
Tipos de análisis univariados
Tipos de variables y operaciones entre modalidades
Existen diferentes tipos de análisis univariados, estas técnicas dependen del tipo de variable:
- variables nominales: sólo se pueden realizar operaciones de equivalencia o diferencia.
- variables ordinales: permite ordenar, es decir, categorizar según un orden desde el más pequeño hasta el más grande.
Nota: las variables ordinales y cardinales son categóricas, se basan en datos discretos, las distancias no se pueden ver.
- variables cardinales: además de las operaciones anteriores, permiten realizar las cuatro operaciones aritméticas básicas.
Medición central de tendencias
Al realizar un análisis cuantitativo, es necesario considerar el tipo de variables y luego elegir la herramienta a utilizar. Podemos distinguir entre dos tipos principales de medidas, es decir, entre dos tipos de información que queremos que tengan variables únicas:
- medidas de tendencia central
- medidas de dispersión.
Nota: dependiendo de la variable, las medidas son diferentes.
La media es una medida de valor de tendencia central que puede aplicarse a variables cardinales, pero no a variables categóricas. La mediana es la categoría que separa las series estadísticas en dos con el mismo número de casos por un lado y por el otro.
Esta es una información importante que constituye el punto de partida para este tipo de descripción de datos para determinar qué hacer a continuación en el caso de análisis más sofisticados.
Medición de dispersión
También se distinguen las medidas de dispersión: la medida básica es la desviación estándar, que es una medida estandarizada que varía de -1 a +1 de la varianza, que es la medida que indica cómo se distribuyen los individuos.
La varianza es muy importante para calcular la probabilidad de error. Se requieren diferentes medidas dependiendo de la unidad de medida de la variable y la medida de la tendencia central y la dispersión, como la desviación estándar, que es el coeficiente clave, debe tenerse en cuenta a lo largo del análisis cuantitativo.
Tipos de análisis bivariados
En este contexto, deseamos cruzar características en una perspectiva descriptiva o explicativa. Dependiendo del tipo de variable, existen diferentes técnicas para analizar y procesar los datos.
Se deben considerar tanto las variables dependientes como las independientes. Al cruzar, debemos mirar la variable dependiente e independiente para ver si se trata de variables categóricas u ordinales que permiten distinguir tres familias principales de tipos de análisis:
- variables categóricas / nominales - nominales: se realizan tablas de contingencia, no se pueden utilizar otras técnicas. La mayor parte del tiempo en la ciencia política se trata de este tipo de variables, porque las respuestas dan lugar a variables ordinales. Existen coeficientes que nos permiten dar una medida única de la relación entre estas dos variables, como la V de Cramer, que nos permite ver la asociación entre variables categóricas. Para interpretar, es importante que el porcentaje total se refiera siempre a las categorías de la variable independiente; queremos ver cómo la distribución de la variable dependiente depende de las funciones de la variable independiente. La indicación del número de casos muestra si el proceso es estadísticamente representativo, ya que el tamaño de la muestra afecta a la medición.
- variables cardinales - cardinales: ya no hacemos una tabulación cruzada, utilizamos otras herramientas y en particular la herramienta de regresión y correlación:
- covariable: cuando hay dos variables continuas, cuando una aumenta la otra aumenta proporcional o inversamente proporcional, las dos variables están vinculadas en esta dirección.
- correlación: es simplemente un covariable estandarizado, es decir, está entre -1 y +1. Estandarizamos para asegurar que se comparen las variables que se miden de manera diferente en la base; si, por ejemplo, tenemos escalas de 0 a 10 y escalas de 0 a 5, no podemos comparar estas variables, entonces debemos asegurarnos de que esta información esté estandarizada. Las variables pueden repetirse en la misma escala o software que calcula una correlación estandarizada.
- regresión: en una correlación estamos en una perspectiva descriptiva, no intentamos ver una dirección de causalidad en una regresión queremos ver si dos variables están asociadas, vinculadas, correlacionadas.
- variables independientes nominales - variables dependientes cardinales: no se pueden aplicar tabulaciones cruzadas, correlaciones y regresiones; se realiza un análisis de varianza o covarianza, cuyo caso más simple es una comparación de promedios, que podría ser, por ejemplo, el número de veces que los individuos participan en una elección según el cantón.
Regresión lineal
Es un conjunto de herramientas muy variado y a veces complejo, pero es la herramienta principal. La regresión lineal es el elemento principal; gran parte del análisis cuantitativo en las ciencias sociales se basa en la regresión lineal.
Hablamos de linealidad, porque suponemos que hay una relación lineal entre las variables que estudiamos, es decir, que hay una función lineal detrás de esta relación; sin embargo, también podemos considerar regresiones que no son sólo lineales.
Se asume que lo que queremos explicar es una función lineal de una o más variables independientes. Esto es crucial, porque la regresión lineal es sólo un subconjunto de una familia más amplia de análisis de regresión que no se basa en una idea de linealidad entre las dos variables.
El modelo más sencillo es con una variable explicativa como, por ejemplo, la participación política según el interés político.
En términos descriptivos existe una fuerte correlación entre estas dos variables; si una hipótesis dice que es el interés político lo que influye en la participación, entonces se hace un análisis de regresión.
Siempre tenemos el problema de la endogeneidad en este tipo de análisis, postulamos que el interés por la política determina la participación; también podríamos postular que cuanto más participamos, más desarrollamos un interés por la política.
La participación política es una función lineal de interés político "más" un factor constante, es decir, el valor de Y cuando X es igual a 0, es decir, cuál es mi nivel de participación cuando el interés político es cero. En la parte inferior es donde la línea de regresión cruza el eje y.
En el análisis multivariado siempre hay un margen de error; una cosa está relacionada si tenemos datos de encuestas relacionados con el margen de error entre población y muestra, pero independientemente de si estamos trabajando con muestras o con una población en general; siempre hay un término de error involucrado, porque siempre hay algo que influye en lo que queremos explicar y que no está incluido en el modelo de regresión como, por ejemplo, la educación, la edad, el contexto social, institucional, etc.
De hecho, la E agrupa la varianza no explicada, es decir, todo lo que podría explicar la Y, pero no se introduce en el modelo, es el problema de la subespecificación del modelo, es decir, la cuestión relativa a la especificación del modelo; cuantas más variables tenga un modelo, más probable es que se subespecifique y se expliquen menos variaciones en la Y, y cuanto más alta sea la E en términos de error, más se reducirá a un mínimo la E.
Esto sugiere que no incluir algunas variables en un modelo explicativo tiene dos consecuencias principales:
- el modelo está subespecificado, hay poca explicación de la variabilidad de Y con este modelo, es decir, los factores fuertemente correlacionados con lo que queremos estudiar.
- la segunda razón está relacionada con el control de las variables, porque si se introduce el interés en la política, una tercera variable puede influir en el interés en la política y la participación en la política; la asociación es engañosa.
Queremos incluir tantas variables como sea posible que pensamos pueden influir directamente en Y o indirectamente haciendo que la relación entre X e Y sea falsa o sólo aparente.
La B es el coeficiente de regresión, es decir, la pendiente de la línea de regresión que da la fuerza del efecto X porque se multiplica por X, es decir, cuanto más fuerte es el efecto X, más alta es la B.
La B puede ser no estandarizada o estandarizada. "Estandarización" significa normalizar y el propósito es poder comparar diferentes coeficientes.
Estamos en una lógica aditiva, hay "+"; suponemos que la variación de Y es una función lineal es aditiva o acumulativa del efecto de todas las demás variables introducidas en el modelo.
Droite de régression
La droite de régression représente la fonction de régression linéaire. On veut regarder de combien augmente Y lorsqu’on augmente X. admettons que les (0 ; 12) sont l’intérêt pour la politique et l’autre la participation politique; on peut voir qu’il y a une corrélation assez forte entre les deux, lorsqu’on a une augmentation de l’intérêt pour la politique on augmente la participation politique.
Les points bleus représentent les cas, la droite de régression est l’estimation des valeurs et donc on va regarder dans quelle mesure et comment cette droite rencontre un nuage de points.
La qualité du modèle a à voir à la qualité de l’estimation qui dépend beaucoup de la manière dont sont distribués les points. Il est possible que le nuage de point soit estimé pour une droite qui a la même pente, toutefois la qualité de cet effet est le même alors qu’il est diffèrent parce que la droite ne fait qu’une approximation beaucoup plus précise du nuage de points ou les points sont proches de la droite.
Il faut retenir que l’un des principaux instruments privilégiés pour l’analyse quantitative lorsqu’on a à faire à des variables intervalles ou cardinal et l’analyse de la corrélation ou de la régression.
L’idée de la régression linéaire qui est un sous-ensemble d’un ensemble plus vaste se base sur l’idée d’une fonction linéaire entre X et Y ; on essaie d’estimer un nuage de points qui représente le croisement entre les deux variables dans l’échantillon donc on va analyser la droite de régression et sa pente. Si la pente est de 0 alors Y ne change pas quand on change X, on peut être très intéressé à la politique, mais on y participe toujours au même niveau.
Analyses multivariées
Analyse de régression
Selon le type de variables que l’on souhaite expliquer, on peut ou on ne peut pas appliquer l’outil de régression linéaire, il y a par exemple la régression logistique dans le cas de variables dummies soit absence ou présence, on ne peut appliquer la régression linéaire, car les présupposés de base ne sont pas garantis.
Analyse des chemins causaux (path analysis)
Un des problèmes de l’analyse de la régression est qu’on suppose que Y est une fonction linéaire de la somme de toutes les variables indépendantes or se faisant on regarde que les effets directs des variables d’un modèle ; toutefois que se passe-t-il lorsqu’on veut regarder des effets indirects ?
On fait une analyse des « chemins causaux » ; il y a des coefficients de régression qui peuvent être significatif ou pas, mais on peut voir des chemins causaux c’est-à-dire qu’on peut voir de quelle manière les valeurs de gauche influence la participation non pas directement, mais indirectement à savoir que le fait d’être de gauche fait qu’on a plus de probabilités d’être intégré dans certains types de réseau développent un internet pour un certain enjeu qui permet de développer un sentiment d’efficacité individuel faisant qu’on a une intensité plus forte de participation. On introduit des variables intermédiaires.
Au lieu d’avoir une indication, on en a plusieurs parce que chaque variable peut ou est une variable dépendante, on fait une somme d’équations.
Analyse factorielle
C’est une analyse qui a pour objectif de réduire la complexité qu’on peut avoir lorsqu’on a une matrice de données avec beaucoup de variables et de cas et que l’on veut avoir un index plus succinct.
Lorsqu’on a parlé d’opérationnalisation des concepts complexes, on est arrivé à une dernière étape de construction ; l’analyse factorielle permet de construire des index par l’analyse des liens sous-jacents qui expliquent la variation sur un ensemble multiple d’indicateurs.
C’est un outil fréquemment utilisé en science politique et notamment lorsqu’on étudie les changements de valeurs.
Analyse multiniveaux
Auparavant toutes les mesures concernaient les variables individuelles, maintenant il y a des propriétés du contexte qui ne sont pas de l’individu qui peuvent influencer la participation politique comme le système électoral ou le type de système politique.
Dans une optique de régression normale il y a des manières de court-circuiter le problème, on ne peut intégrer les facteurs contextuels dans l’analyse on peut simplement comparer.
L’analyse multiniveau permet de faire une analyse de régression multiniveau, on ajoute des propriétés du contexte et pas seulement des propriétés individuelles ; on intègre des propriétés individuelles et contextuelles. Il y a ce développement important en sciences politiques.
Type de méthodes qualitatives
On peut faire une distinction entre l’analyse de contenu et l’analyse de discours. Ces termes ne font pas le consensus dans la littérature, certains estiment que l’analyse de discours est un type d’analyse de contenu et pour d’autres ce n’est pas le cas.
Analyse de contenu
L’analyse de contenu s’intéresse au poids, elle est plus descriptive, elle s’intéresse aux différents enjeux soulevés par des personnes. On peut faire une distinction ultérieure :
- thématique : on compte le nombre de fois qu’un tel thème apparaît dans un discours.
- lexicale : analyse basée sur l’analyse des occurrences ou cooccurrences à savoir une analyse qualitative qui a des éléments d’analyse quantitative.
Analyse de discours
C’est une analyse interprétative, on parle d’une famille de techniques, on peut dire qu’on s’intéresse à comment et aux effets d’un discours donné.
Pour simplifier, l‘analyse de contenu est plutôt descriptive et l’analyse de discours explicatif.
Étapes de l’analyse thématique
Il y a cinq grandes étapes :
- familiarisation (préanalyse) : il faut d’abord se familiariser avec le matériel à disposition.
- identification d’un cadre thématique (schéma de codage, index) : manière de coder l’information soit d’identifier le cadre thématique.
- indexation (codage) : réduire l’information.
- cartographie (catégorisation et réduction des données) : création de typologies, de classifications, réduction des données afin de pouvoir les interpréter.
- mapping et interprétation (analyse et interprétation)
Étapes de l’analyse de discours
- Préanalyse
- Identification d'éléments pertinents
- Analyse systématique à partir des éléments identifiés