Aviso importante
La guía docente es provisional.
La versión en PDF de la guía docente puede tardar unos días en estar disponible en el DDD.
Modelos de Análisis en Investigación en Psicología Clínica y de la Salud
Código: 43881Créditos: 6
| Titulación | Tipo | Curso |
|---|---|---|
| Investigación en Psicología Clínica y de la Salud | OP | 1 |
Profesor/a de contacto
- Nombre :
- Eva Penelo Werner
- Correo electrónico :
- eva.penelo@uab.cat
Equipo docente
- José Blas Navarro Pastor
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
Conocimientos del módulo 1, especialmente los referidos a metodología y diseños de investigación, por su vinculación directa con el modelado estadístico, los referidos a análisis de datos descriptivo y bivariante, y sobre el funcionamiento del software utilizado.
Objetivos
Proporcionar las habilidades necesarias (teóricas e instrumentales) para que el estudiante sea capaz de:
- Analizar las propiedades psicométricas de un cuestionario relativas a estructura interna y fiabilidad
- Analizar los datos de una investigación mediante modelos de regresión lineal o logística, tanto con la finalidad de predecir la respuesta como de estudiar la influencia de una exposición sobre la respuesta
- Incorporar en el proceso de modelado estadístico los fenómenos de la interacción y la confusión
- Realizar el diagnóstico de las condiciones de aplicación de los modelos de regresión lineal y logística
- Distinguir una variable moderadora de una variable mediadora y estimar modelos de ecuaciones estructurales (SEM) para el análisis de modelos de mediación
- Interpretar los resultados de los modelos de regresión y SEM, sabiendo seleccionar aquellos más adecuados para ser incluidos en el informe de investigación
Resultados de aprendizaje
- Reconocer los diseños de investigación que comportan un análisis de datos con métodos cuantitativos multivariados.
- Conocer las limitaciones generales de los modelos de análisis estadístico explicados en el módulo: métodos de investigación pertinentes y tipos de variables de respuesta analizables.
- Conocer las limitaciones de las conclusiones teóricas que se pueden derivar de los resultados numéricos obtenidos con los modelos de análisis estadístico explicados en el módulo.
- Conocer las principales técnicas de muestreo monoetápicas, saber decidir la más adecuada a los objetivos de una investigación en un ámbito específico, y saber calcular el tamaño de muestra necesario para adquirir una determinada potencia estadística.
- Reconocer los diseños de investigación que comportan un análisis de datos mediante modelos de ecuaciones estructurales para el análisis de variables mediadoras entre exposición y respuesta.
- Elegir el modelo estadístico más adecuado en función de la pregunta de investigación, el diseño de recogida de los datos y la escala de medida de las variables implicadas.
- Estimar los modelos estadísticos multivariados que contempla el módulo utilizando programas de ordenador de análisis estadístico.
- Valorar los índices de ajuste obtenidos por ordenador, después de realizar un análisis estadístico o psicométrico, para comprobar la adecuación del modelo estimado.
- Seleccionar de todos los resultados que presenta el ordenador, después de realizar un análisis estadístico, los índices apropiados que deben incluirse en una publicación.
- Interpretar los resultados estadísticos y de magnitud de un efecto teniendo en consideración el tamaño muestral y la potencia estadística.
- Interpretar y discutir los resultados de una investigación en psicología aplicada atendiendo al diseño, al método y a los análisis realizados.
- Extraer conclusiones prácticas de los resultados y valorar sus implicaciones.
- Utilizar terminología científica para argumentar los resultados de la investigación en el contexto de la producción científica, para comprender e interactuar eficazmente con otros profesionales.
- Aplicar los principios éticos relevantes y actuar de acuerdo al código deontológico de la profesión en la práctica de la investigación científica.
- Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambiguedades.
- Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
- Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
Contenidos
Bloque A
- Estructura interna: análisis en componentes principales (A1) y análisis factorial confirmatorio e invariancia (A2)
- Fiabilidad (A3)
Bloque B
- Regresión lineal: modelos predictivos y para evaluar efectos
- Modelado estadístico en presencia de interacción y confusión
- Diagnóstico del modelo de regresión lineal
Bloque C
- Regresión logística: modelos predictivos y para evaluar efectos
- Regresión logística y pruebas diagnósticas
- Diagnóstico del modelo de regresión logística
Bloque D
- Moderación vs mediación
- Modelos de ecuaciones estructurales para el análisis de variables mediadoras
Nota: el orden de impartición del temario puede estar sujeto a cambios.
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Clase magistral + sesiones prácticas con programario estadístico (9 sesiones de duración variable según los contenidos de cada bloque) | 30 | 1,2 | |
| Tutorias presenciales y/o virtuales | 6 | 0,24 | |
| Lectura de textos, estudio y trabajo personal, elaboración de informes individuales y/o grupales | 110 | 4,4 |
Sesiones dirigidas:
- Clases magistrales. A partir de un material docente publicado por el profesorado, se realiza la explicación en base a ejemplos y matrices de datos reales de investigación en psicología. Cada clase magistral se combina con un espacio dedicado al debate con el estudiantado, de quienes se espera una retroalimentación sobre la comprensión, utilidad y aplicabilidad que encuentran a los conceptos presentados.
- Sesiones prácticas. Los resultados presentados en la clase magistral son replicados empleando programario estadístico. También se añaden ejercicios nuevos de estructura similar.
Los materiales están en castellano e inglés; los enunciados de las evidencias de aprendizaje son en castellano; la interfaz y menús del programario estadístico pueden ser en inglés.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| EvA Informe práctico de estructura interna y fiabilidad (individual, escrito, entrega virtual, EC: al finalizar las 3 sesiones de clase de este bloque A); retorno escrito junto con la calificación | 30 | 0 | 0 | 1, 2, 3, 6, 7, 8, 9, 11, 12, 13, 14, 15, 16, 17 |
| EvC Prueba de regresión logística (individual, escrita, presencial, al finalizar las 5 sesiones de clase de los bloques B y C [semana posterior a evB]); retorno vía tutoría grupal | 25 | 2 | 0,08 | 1, 2, 3, 6, 7, 8, 9, 11, 12, 13, 14, 15, 16, 17 |
| EvD Informe-resumen de mediación (EC grupal o EU individual, escrito, entrega virtual, EC: al finalizar la sesión de clase de este bloque D); retorno escrito junto con la calificación | 10 | 0 | 0 | 2, 3, 5, 6, 11, 13, 14, 15, 16, 17 |
| EvB Prueba de regresión lineal (individual, escrita, presencial, al finalizar las 5 sesiones de clase de los bloques B y C); retorno vía tutoría grupal | 35 | 2 | 0,08 | 1, 2, 3, 4, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17 |
La evaluación, ya sea continuada (EC) o única (EU), consta de 4 elementos evaluativos. Para la evaluación continuada, véase la tabla de actividades de evaluación continuada (el cronograma detallado se proporcionará antes de iniciar el módulo). La evaluación única sólo diferirá en la autoría y la fecha de realización/entrega: individual el último día de evaluación presencial de la evaluación continua para las 4 evidencias de aprendizaje.
La calificación final se obtendrá como el promedio ponderado de las 4 evidencias de evaluación. El módulo se superará con calificaciones iguales o superiores a 5 puntos (en una escala de 0 a 10 puntos), con un mínimo de 4 puntos en EvB y en EvC; en caso contrario la nota máxima en el módulo será 4.5.
El sistema de recuperación será el mismo para la evaluación continuada y para la evaluación única. El estudiantado que haya obtenido una calificación final entre 3.5 y menos de 5 puntos y que haya realizado evidencias de evaluación con un peso de al menos 2/3 de la calificación total, podrá presentarse a la prueba de recuperación (al finalizar el módulo), para volver a realizar las evidencias B y/o C que no hayan sido superadas. La calificación máxima que puede obtenerse en cada evidencia recuperada será de 6 puntos. La nota obtenida en la/s evidencia/s recuperada/s sustituirá la respectiva nota original y se recalculará la nota final.
Si se han presentado evidencias con un peso acumulado del 40% o más no se podrá constar en actas como \"No evaluable\".
No se prevé que el estudiantado de 2ª matrícula o posterior se evalúe mediante una única prueba de síntesis no recuperable.
En esta asignatura, se permite el uso de tecnologías de Inteligencia Artificial (IA) como parte integrante del desarrollo de las evidencias, siempre que el resultado final refleje una contribución significativa del estudiante en el análisis y la reflexión personal. El estudiante tendrá que identificar claramente qué partes han sido basadas, generadas, revisadas o cualquier otra acción hecha con esta tecnología, especificar las herramientas empleadas e incluir una reflexión crítica sobre cómo estas han influido en el proceso y el resultado final de la evidencia. La no transparencia del uso de la IA, la no comprobación de la certeza de las afirmaciones ofrecidas por la IA, la citación de referencias bibliográficas inexistentes o el uso de datos generados por la IA se considerará falta de honestidad académica y comportará una penalización en la nota de la evidencia, o sanciones mayores en casos de gravedad.
El documento con las pautas de evaluación de la facultad se encuentran en: https://www.uab.cat/web/estudiar/graus/graus/avaluacions-1345722525858.html
Bibliografía
Abad, Francisco J.; Olea, Julio; Ponsoda, Vicente; García, Carmen. (2011). Medición en ciencias sociales y de la salud. Síntesis. [Recurso electrónico disponible en: biblioteca de la UAB]
American Educational Research Association, American Psychological Association, National Council on Measurement in Education (2014). The standards for educational and psychological testing. Autor. [https://www.testingstandards.net/open-access-files.html]
Ato, Manuel; Vallejo, Guillermo. (2011). Los efectos de terceras variables en la investigación psicológica. Anales de Psicología, 27, 550-561. [https://revistas.um.es/analesps/article/view/123201/115851]
Bandalos, Deborah L. (2018). Measurement theory and applications for the social sciences. Guilford Press. [ISBN 1462532136] [Recurso electrónico disponible en: biblioteca de la UAB]
Kleinbaum, David G.; Kupper, Lawrence L.; Nizam, Azhar; Rosenberg, Eli S. (2014). Applied regression analysis and other multivariable methods. (5ª ed.). Brooks/Cole. [ISBN 1285051084]
Kleinbaum, David G.; Klein, Mitchel. (2010). Logistic regression. A Self-learning text. 3ª ed. Springer. [https://www.springer.com/gp/book/9781441917416; https://link.springer.com/book/10.1007/978-1-4419-1742-3]
Shmueli, Galit. (2010). To explain or to predict? Statistical Science, 25, 289-310. https://dx.doi.org/10.1214/10-STS330
Software
Stata
Grupos e idiomas de la asignatura
La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura
| Tipo de docencia | Grupo | Idioma | Semestre | Turno |
|---|---|---|---|---|
| (TEm) Teoría (máster) | 1 | Español | segundo cuatrimestre | tarde |