Resumo
Introducción: Cuando se comparan dos muestras en un resultado de interés, disponer de una estadística que pueda (1) aplicarse a todos los niveles de medición, (2) tener en cuenta la información de orden en variables ordinales y cuantitativas, (3) proporcionar resultados válidos para muestras de distintos tamaños y (4) tener en cuenta la información previa de la teoría o de investigaciones anteriores facilita la investigación cuantitativa y con métodos mixtos. Aunque existen varias estadísticas no paramétricas, todas se quedan cortas en al menos una de estas áreas. Objetivo: Este artículo tiene un doble objetivo: (1) introducir un método no paramétrico llamado ‘efecto relativo generalizado’ (ERG) que funciona bien en todas las áreas mencionadas y (2) proporcionar un tutorial de cómo calcular una estimación puntual del ERG y su correspondiente intervalo de credibilidad en R. Marco teórico: El ERG aúna los puntos fuertes de una variante bayesiana del porcentaje de todos los datos no solapados (PAND-B) y efecto relativo (ER) de Brunner-Munzel. Por un lado, el ER puede proporcionar resultados válidos para resultados dicotómicos, ordinales multicategoría y cuantitativos para tamaños de muestra iguales y desiguales, pero no puede aplicarse a resultados nominales multicategoría y no tiene en cuenta la información previa. Por otro lado, PAND-B es aplicable a todos los niveles de medición y tiene en cuenta la información previa, pero no tiene en cuenta adecuadamente la información de orden en los resultados ordinales multicategoría y cuantitativos, y tiende a exagerar las diferencias cuando los tamaños de las muestras son desiguales. Método: A través de un ejemplo simulado con un resultado ordinal de cuatro categorías y tamaños de muestra claramente desiguales, este trabajo compara PAND-B, el ER y el ERG. Resultados y discusión: El ERG reúne lo mejor de PAND-B y del ER y evita las debilidades de estas estadísticas. El ERG es fácil de implementar en código R básico, y se presentan directrices para la interpretación de los resultados del ERG en términos de ‘pequeño’, ‘medio’ y ‘grande’. Conclusión: Dada su aplicabilidad a todos los niveles de medición y a tamaños de muestra iguales y desiguales, el ERG proporciona un enfoque coherente para la interpretación de la magnitud de las diferencias entre dos muestras en resultados cualitativos, cuantitativos o mixtos de resultados.
Referências
Stevens SS. On the theory of scales of measurement. Sci. 1946;26:677-680. http://www.jstor.org/stable/1671815
Lindley D. Bayesian statistics: A review. London: SIAM; 1972.
Karch JD. Psychologists should use Brunner-Munzel’s instead of Mann-Whitney’s U test as the default nonparametric procedure. Adv. Methods Pract. Psychol. Sci. 2021;4(2). https://doi.org/10.1177/2515245921999602
Karch JD. bmtest: A Jamovi Module for Brunner–Munzel’s Test — A Robust Alternative to Wil-coxon–Mann–Whitney’s Test. Psych. 2023;5:386-95. https://doi.org/10.3390/psych5020026
Parker RI, Hagan-Burke KJ, Vannest KJ. Percentage of all non-overlapping data (PAND): An alternative to PND. J Spec Educ. 2007;40(4):194-204. https://doi.org/10.1177/00224669070400040101
Leppink J. The art of modelling the learning process: Uniting educational research and practice. Cham: Springer; 2020. https://doi.org/10.1007/978-3-030-43082-5
Leppink J. Un modelo bayesiano para datos cualitativos en simulación. Rev Latam Sim Clin. 2021;3(3):117-9. https://doi.org/10.35366/103188
The jamovi Project. Jamovi (Version 2.6) [Computer Software]; 2024. Retrieved from https://www.jamovi.org