(Spotlight) Random Sample Assignment

Loading...

Del curso dictado por Duke University

Introduction to Probability and Data

2900 calificaciones

Duke University

Introduction to Probability and Data

2900 calificaciones

Curso 1 de 5 en SpecializationStatistics with R

This course introduces you to sampling and exploring data, as well as basic probability theory and Bayes' rule. You will examine various types of sampling methods, and discuss how such methods can impact the scope of inference. A variety of exploratory data analysis techniques will be covered, including numeric summary statistics and basic data visualization. You will be guided through installing and using R and RStudio (free statistical software), and will use this software for lab exercises and a final project. The concepts and techniques in this course will serve as building blocks for the inference and modeling courses in the Specialization.

De la lección

Introduction to Data

<p>Welcome to Introduction to Probability and Data! I hope you are just as excited about this course as I am! In the next five weeks, we will learn about designing studies, explore data via numerical summaries and visualizations, and learn about rules of probability and commonly used probability distributions. If you have any questions, feel free to post them on <a href="https://www.coursera.org/learn/probability-intro/module/rQ9Al/discussions?sort=lastActivityAtDesc&page=1" target="_blank"><b>this module's forum</b></a> and discuss with your peers! To get started, view the <a href="https://www.coursera.org/learn/probability-intro/supplement/rooeY/lesson-learning-objectives" target="_blank"><b>learning objectives</b></a> of Lesson 1 in this module.</p>

Introduction3:22

Data Basics5:21

Observational Studies & Experiments4:39

Sampling and sources of bias8:08

Experimental Design2:42

(Spotlight) Random Sample Assignment3:32

Conoce a los instructores

Mine Çetinkaya-Rundel
Associate Professor of the Practice
Department of Statistical Science

En este breve video, discutiremos muestreo aleatorio y asignación aleatoria,

dos conceptos que suenan similar, pero sirven para distintos propósitos en el diseño de estudios.

Muestreo aleatorio ocurre cuando los sujetos están siendo seleccionados para un estudio.

Si los sujetos son seleccionados aleatoriamente de la población,

entonces cada sujeto en la población es igualmente probable que sea seleccionado, y

la muestra resultante es probable que sea representativa de la población.

Por ello, los resultados del estudio son generalizables a la población en general.

Asignación aleatoria ocurre sólo en diseños experimentales.

donde los sujetos han sido asignados a varios tratamientos.

Viendo más de cerca nuestra muestra, usualmente vemos que los sujetos exhiben

características ligeramente distintas uno de otro.

A través de una asignación aleatoria, aseguramos que estas características diferentes

sean representadas igualmente en los grupos de tratamiento y control.

Esto nos permite atribuir cualquier diferencia observada entre los grupos tratamiento y

control, al tratamiento observado en los sujetos,

ya que de otra forma estos grupos son esencialmente iguales.

De otro modo,

la asignación aleatoria nos permite hacer conclusiones causales basadas en el estudio.

Demos un rápido ejemplo,

Supongamos que quieres conducir un estudio, evaluando si las personas leen fondos serif

o sans serif, o en otras palabras, sin fondos serif más rápido.

Nota que los serifs son esas pequeñas piezas salientes al final de cada caracter.

Idealmente, primero deberías escoger aleatoriamente sujetos para tu estudio de tu población.

Luego asignas los sujetos en tu muestra con dos grupos tratamiento.

Uno, donde lean algo de texto en fondo serif, y

el otro donde ellos leen el mismo texto sin fondo serif.

Mediante asignación aleatoria, aseguramos que otros factores que podrían contribuir a

la velocidad de la lectura están indicados aquí con diferentes colores en los sujetos.

Por ejemplo, la fluidez o qué tan seguido leen los sujetos por

ocio, son representados igualmente en los dos grupos.

Les decimos a tales confundidores o variables de confusión.

En este conjunto, si observamos alguna diferencia entre la velocidad promedio de lectura

de los dos grupos, podemos atribuirla al tratamiento.

el tipo de fondo, y saber que probablemente no es debido a una variable de confusión.

Para recapitular, el muestreo ocurre primero y la asignación ocurre después.

En resumen, un estudio que emplea muestreo aleatorio y

asignación aleatoria, puede usarse para hacer conclusiones causales, y

estas conclusiones pueden ser generalizadas a la población entera.

Este sería un experimento ideal, pero estudios de sitio usualmente son difíciles

de llevar a cabo, especialmente si las unidades experimentales son humanas,

ya que puede ser difícil hacer un muestreo aleatorio a personas de la población, y

luego imponerles un tratamiento.

Esto es por qué muchos experimentos reclutan sujetos voluntarios.

Tal vez has visto ads para esto en el campus de una universidad, o en un periódico.

Tales experimentos humanos que confían en voluntarios emplean asignación aleatoria, pero

no muestreo aleatorio.

Estos estudios pueden usarse para hacer conclusiones causales, pero

las conclusiones sólo aplican a la muestra, y los resultados no pueden ser generalizados.

Un estudio que no usa asignación aleatoria pero

usa muestreo aleatorio, es el típico estudio observacional.

Los resultados sólo pueden usarse para hacer afirmaciones de correlación, pero

pueden generalizarse a la población en general.

Un tipo final de estudio, uno que no usa asignación aleatoria o

muestreo aleatorio, sólo puede usarse para hacer afirmaciones correlacionales y

estas conclusiones no son generalizables.

Este es un estudio observacional ideal.

Explora nuestro catálogo

Inscríbete de manera gratuita y obtén recomendaciones personalizadas, actualizaciones y ofertas.

Coursera brinda acceso universal a la mejor educación del mundo, al asociarse con las mejores universidades y organizaciones, para ofrecer cursos en línea.

© 2019 Coursera Inc. Todos los derechos reservados.

Descargar en la App Store

Consíguelo en Google Play