Los datos presentados en este estudio constituyen un indicador fiable del hecho que las variables de recuento son de uso frecuente en Psicología. Así pues, en nuestra disciplina adquiere una gran importancia el conocimiento acerca del tratamiento estadístico apropiado para este tipo de variables. Más aún cuando no se ha detectado un sólo análisis específico para datos de recuento. Lo cierto es que los datos presentados nos dan suficientes indicios para pensar que la afirmación que desde el ámbito de la medicina hace Lindsey (1998) es totalmente extrapolable a la Psicología: en presencia de variables de recuento el análisis estadístico más utilizado es el del modelo lineal general.
Tal como señala Long (1997) el uso del modelo de regresión lineal para recuentos puede producir estimaciones ineficientes, inconsistentes y sesgadas.
Una solución habitual en estos casos consiste, tal como se ha indicado anteriormente, en realizar una transformación de los datos, como la raíz cuadrada. Sin embargo, tal como advierte Lindsey (1998), esta estrategia tiene al menos dos inconvenientes conocidos:
• El modelo resultante, en términos de, por ejemplo, raíz cuadrada de recuentos, es difícil de interpretar y de comunicar;
• La transformación aplicada no tiene, generalmente, un significado psicológico claro.
Además, como señalan McCullagh y Nelder (1989), en el contexto del análisis de una variable de recuento mediante el modelo lineal general se topa a menudo con la presencia de heterocedasticidad, relaciones no lineales entre la respuesta y las variables explicativas, y/o predicciones absurdas (valores fuera de rango, como por ejemplo, valores negativos); para cada uno de estos problemas se debería de aplicar una transformación diferente.
Siguiendo con la cuestión de las transformaciones de los datos, Long (1997) advierte que una vez el nivel de la variable de respuesta se ha determinado, es importante adecuar el modelo estadístico al nivel de medida. Si el modelo escogido parte de un nivel de medida erróneo, el estimador puede presentar diversos problemas o ser simplemente inapropiado.
En definitiva, y como una cuestión más de fondo, la vía de las transformaciones busca ajustar los datos al modelo, enfoque éste del análisis de datos que, tal como se apuntaba en el capítulo anterior, no compartimos.
La alternativa más adecuada al modelo de regresión lineal pasa por considerar la distribución de probabilidad de la variable de recuento, variable ésta de naturaleza discreta y no negativa que se ajusta, bajo ciertas condiciones a la distribución de Poisson. En consecuencia, el modelo más adecuado para evaluar el efecto de un conjunto de variables explicativas sobre la respuesta de recuento, será un modelo de datos de recuento, como puede ser el MRP o bien algunas de sus extensiones o generalizaciones. Se trata, en última de instancia, de adecuar el modelo estadístico al nivel de medida o, lo que es lo mismo, de ajustar el modelo a los datos y no a la inversa.
Las explicaciones tentativas al problema de la falta de aplicación de modelos específicos para datos de recuento pueden ser de diversa índole. A continuación, proponemos algunas:
• Los modelos de recuento, contienen relaciones no lineales entre las variables explicativas y la variable de respuesta, lo cual comporta cierta dificultad en su interpretación (Long, 1997).
• La naturaleza idiosincrásica de las variables de recuento no ha sido asumida por la mayor parte de ámbitos de investigación, de forma que éstas son tratadas como variables cuantitativas continuas.
• Se identifica correctamente a las variables de recuento pero se desconocen las implicaciones asociadas al uso de un modelo estadístico no pertinente como el modelo lineal general.
• Se desconoce la existencia de modelos estadísticos para modelar específicamente este tipo de variables, o se piensa que dichos modelos están todavía en una fase de desarrollo teórico y/o son muy difíciles de aplicar y de interpretar (Long, 1997).
• Se conoce la existencia de modelos estadísticos específicos para recuentos, pero se desconocen las herramientas informáticas que los implementan.
Relacionada con la última propuesta de hipótesis explicativa, creemos que hoy en día, y más aún en el ámbito aplicado, saber de la existencia de una técnica estadística es una condición necesaria pero no suficiente para que ésta sea empleada. Para su aplicación, el procedimiento estadístico debe estar implementado en paquetes estadísticos, a ser posible en aquellos de uso más extendido.
3 3
Modelado estadístico Modelado estadístico de respuestas de de respuestas de recuento recuento
Un problema fundamental en la investigación científica radica en el hecho de que la forma en la que tratamos de resolver un problema afecta al tipo de resultados que observamos (Kuhn, 1962). En esta misma línea, Sturman (1999) señala, refiriéndose a la investigación en Ciencias Sociales, que el método estadístico usado para analizar los datos afecta al tipo de relaciones que somos capaces de detectar. Así pues, dada la importancia que adquiere la validez del enfoque a través del cual se analizan los datos, procederemos, antes de discutir los modelos para el análisis de datos de recuento, a situar el enfoque de análisis de datos en el que se circunscribe el presente trabajo. Esto es, el modelado como entorno epistemológico, el modelado estadístico como procedimiento general de análisis y el Modelo Lineal Generalizado (MLG, en adelante) como marco teórico inferencial.