La estimación de proporciones mediante técnicas Bayesianas

  1. de la Fuente Solana, Emilia Inmaculada
  2. Lozano Fernández, Luis Manuel
  3. San Luis Costas, Concepción
  4. García Cueto, Eduardo 1
  5. Guàrdia Olmos, Joan
  6. Martín Puga, María Eva
  7. Barbero, M. I. 2
  8. Freixa, M.
  9. Peró Cebollero, Maribel
  10. Ortega, A.R.
  11. Cañadas de la Fuente, Gustavo Raúl
  12. Alcaraz, D.
  13. Díaz Batanero, María Carmen
  14. Pedrosa, Ignacio 1
  1. 1 Universidad de Oviedo
    info

    Universidad de Oviedo

    Oviedo, España

    ROR https://ror.org/006gksa02

  2. 2 Universidad Nacional de Educación a Distancia
    info

    Universidad Nacional de Educación a Distancia

    Madrid, España

    ROR https://ror.org/02msb5n36

Journal:
Acción psicológica

ISSN: 1578-908X

Year of publication: 2008

Issue Title: Innovaciones metodológicas en la evaluación psicológica : perspectivas de futuro

Volume: 5

Issue: 2

Pages: 17-24

Type: Article

DOI: 10.5944/AP.5.2.455 DIALNET GOOGLE SCHOLAR

More publications in: Acción psicológica

Abstract

The estimation procedures based on Bayes� Theorem are still an unusual option in many of the environments of classic parametric inference. The aim of this paper is to show an effective scheme for the use of Bayesian estimation of unknown parameters. We have opted to focus on the estimation of parameters under the assumption of a binomial model, so that it can be followed by all those situations that meet the aforementioned probabilistic model. This approximation was studied in comparison with the classic parametric approximation, both in its point version and by means of interval estimation. On a study, by simulating samples of several sizes, we obtained empirical evidence regarding the advantage of the Bayesian procedure.

Bibliographic References

  • Bakan, D. (1966). The test of Significance in Psychological Research. Psychological Bulletin, 66, 423- 437.
  • Bolles, R. (1962). The difference between statistical hypotheses and scientific hypotheses. Psychological Reports, 11, 639-645.
  • Borges, A., San Luis, C., Sánchez-Bruno, A. y Cañadas, I. (2001). El juicio contra la hipótesis nula: muchos testigos y una sentencia virtuosa. Psicothema, 13(1), 173-178.
  • Borges, A. y Sánchez-Bruno, A. (2002). La simulación al servicio de los contrastes estadísticos: resumen de métodos y estado de la cuestión en grupos pequeños e independientes. Psicothema, 4(2), 255-271.
  • Congdon, P. (2003). Bayesian statistical modelling. Wiley, West Sussex.
  • DeGroot, M.H. (1970). Optimal Statistical Decisions. New York: McGraw-Hill.
  • DeGroot, M.H. (1986). Probabilidad y Estadística. Wilmington: Addison-Wesley Iberoamericana S.A.
  • De la Fuente, E.I., García, J. y De la Fuente, L. (2002). Estadística Bayesiana en la Investigación Psicológica. Metodología de las Ciencias del Comportamiento, 4(2), 185-200.
  • De la Fuente, E.I., García, J. y De la Fuente, L. (2007). ¿Es importante conocer la Estadística Bayesiana si investigamos en Psicología? En: A. Borges y P. Prieto (Eds). Psicología y Ciencias Afines en los Albores del s. XXI. La Laguna: Grupo Editorial Universitario.
  • De la Fuente, E.I., De la Fuente, L., García, J., Iglesias, S., Martín, I., Ramírez, I. y Cañadas, G. (2002). El Análisis de Bayesiano de Datos en Psicología. Distribuciones conjugadas en un problema de Inferencia Estadística. Metodología de las Ciencias del Comportamiento, 4(Esp), 189-191.
  • Gelman, A. (1992). Iterative and non-iterative simulation algorithms. Computing Science and Statistics, 24, 433-438.
  • Geman, S. y Geman, D. (1984). Stochastic Relaxation, Gibbs distributions and the Bayesian restoration of images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 6, 721-741.
  • Gelman, A., Carlin, J.B., Stern, H.S. y Rubin, D.B. (2000). Bayesian Data Analysis. Boca Raton: Chapman Hall CRC.
  • Gilks, W.R., Richardson, S. y Spiegelhalter, D. (1996). Practical Markov Chains Monte Carlo. New York: Chapman & Hall.
  • Guàrdia, J., De la Fuente, E.I. y Lozano, L.M. (2008). Bayesian inference for binomial populations Bayesian estimation for child depression prevalence. Advances in Statistics and Applications, 9(1), 13-35.
  • Guàrdia, J., Peró, M., Freixa, M. y Honrubia, M.L. (2008). Análisis de las aportaciones y limitaciones derivadas de la utilización de los diseños y técnicas epidemiológicas en la investigación psicológica. Revista de Neuropsicología, vol 2 (1), 18-23.
  • Harcum, E.R. (1990). Methodological versus empirical literature: two views on casual acceptance of the null hypothesis. American psychologist, 45, 404-405.
  • Jeffreys, H. (1961). Theory of probability. (3rd Ed.) London, Oxford University Press.
  • Kish, L. (1959). Some Statistical problems in research design. American Sociological Review, 24, 328- 338.
  • Krueger, J. (2001). Null hypothesis significance testing: On the survival of a flawed method. American Psychologist, 56(1), 16–26.
  • Lunn, D.J., Thomas, A., Best, N. & Spiegelhalter, D. (2000). WinBUGS A Bayesian modelling framework: concepts, structure and extensibility. Statistics and Computing, 10, 325-337.
  • Migon, H.S. y Gamerman, D. (1999). Statistical Inference. An Integrated Approach. London: Arnold.
  • Press, J. (1989). Bayesian Statistics. New York: Wiley.
  • Raiffa, H. y Schlaifer, R. (1961). Applied Statistical Decision Theory. Cambridge, Mass: The MIT Press.
  • Spiegelhalter, D., Thomas, A., Best, N. y Gilks, W. (1994a). BUGS: Bayesian Inference using Gibbs sampling. Avalaible from MRC Biostatistics Unit, Cambridge.
  • Spiegelhalter, D., Thomas, A., Best, N. y Gilks, W. (1994b). BUGS: Examples. Avalaible from MRC Biostatistics Unit, Cambridge.
  • Wilkinson, L. and Task Force on Statistical Inference, APA Board of Scientific Affairs (1999). Statistical Methods in Psychology Journals: Guidelines and Explanations. American Psychologist, 54, 594- 604.
Data source: Dialnet