sesión 1a por favor, canal 50pubdocs.worldbank.org/pubdocs/publicdoc/2016/5/...1 sesión 1a la...
TRANSCRIPT
1
Sesión 1A La noción de calidad total y Las bases del muestreo científico
Juan Muñoz, Sistemas Integrales Santiago, 12 de abril de 2013
Por favor, conéctese al
Canal 50
El producto final
Muestreo
Gestión
de datos
instrumentos
Recolección de datos
2
Calidad Total en encuestas
La integración de el diseño muestral, el cuestionario y los instrumentos, el trabajo de campo y la gestión de los datos con el fin de entegar a los analistas Una base de datos fiable En tiempo oportuno
Los datos pierden valor si no representan la realidad del momento
El ejecutor del programa de intervención
El evaluador (Agencia de evaluación, nacional
o internacional)
Firma encuestadora responsable de recoger los datos
Equipo central
El escenario y los actores
3
Finanzas $
Gerente
Brigadas de campo
Jefe de proyecto Jefe
de gestión de datos
Especialistas en diseño y análisis de Evaluación de Impacto
Jefe de operaciones de campo
Aseguramiento de Calidad
Equipo de evaluación
Documentación
Las claves de la calidad
Calendarios y presupuestos de encuestas
Ejercicio de Aseguramiento
de Calidad
Trabajo de campo y
Aseguramiento de Calidad
Ejercicio de Trabajo de
Campo
Diseño de cuestionarios
Ejercicio de diseño de
cuestionarios
Ejercicio de cálculos de
potencia
Muestreo y Evaluación de
Impacto
Potencia
Muestras complejas y efectos de
diseño
Ejercicio de muestras complejas
Calidad total
Muestreo científico
Ejercicio de muestreo científico
Métodos de encuestas Panorama de las presentaciones
Mañana 1
Mañana 2
Tarde 1
Tarde 2
Viernes 12 Lunes 15 Martes 16 Miércoles 17 Jueves 18
El producto final de la encuesta es…
1 2 3 4 5
0% 0% 0%0%0%
1. El trabajo de campo 2. Una base de datos 3. El muestreo
científico 4. La gestión de los
datos 5. El cuestionario
La calidad total es importante en…
1 2 3 4 5
0% 0% 0%0%0%
1. Encuestas Demográficas y de Salud
2. Ensayos con controles aleatorizados
3. Encuestas de Nivel de Vida
4. Encuestas de Evaluación de Impacto
5. Todas las anteriores
El muestreo aleatorio • En los ejemplos que vimos, los electores de la muestra
se elegían como en una lotería. Esa técnica de selección se llama “Muestreo Aleatorio Simple”
• Pronto discutiremos técnicas más complejas (muestreo estratificado, muestreo por etapas, etc.), pero todas serán técnicas aleatorias.
• En el muestreo aleatorio (también llamado muestreo probabilístico, o muestreo científico), cada elemento de la población tiene una probabilidad ser elegido en la muestra – positiva, y – conocida
• Gracias a eso, las muestras aleatorias permiten calcular márgenes de error e intervalos de confianza. Otras formas de muestreo (por cuotas, por conveniencia, etc.) no lo permiten
8
pero esa probabilidad no necesita ser la misma para todos…
Una sola muestra
• En los ejemplos, para ver la distribución de las estimaciones, hacíamos como que el investigador pudiera elegir muchas muestras
• En la práctica, el investigador sólo puede elegir una sola muestra
• La teoría del muestreo entrega fórmulas que permiten conocer la distribución de las estimaciones con base en esa única muestra
9
Fórmula básica del Muestreo Aleatorio Simple
para estimación de prevalencias
10
𝑒 = 1 −𝑛𝑁
𝑃(1 − 𝑃)𝑛
Error estándar
Tamaño de la población Prevalencia Tamaño de
la muestra
Ejemplo
• Queremos evaluar el impacto de una campaña para reducir el tabaquismo entre las embarazadas.
• Para tener datos de línea basal, se eligió una muestra aleatoria simple de 900 de los 17.125 partos registrados en 2011 en la provincia.
• 279 de las madres de la muestra declararon haber fumado durante el embarazo.
• ¿Qué podemos decir sobre la prevalencia actual del tabaquismo entre las madres de la provincia?
13
14
Obviamente, podemos estimar la prevalencia del tabaquismo como P = 279 / 900 = 0,31 (31 por ciento).
También podemos estimar el error estándar como
𝑒 = 1 −𝑛𝑁
𝑃(1 − 𝑃)𝑛
𝑒 = 1 −900
17.1250,31(1 − 0,31)
900
e= 0, 0150 (1,50 por ciento)
Con base en el error estándar podemos calcular intervalos de confianza
Intervalos de confianza
27 28 29 30 31 32 33 34 35
La prevalencia estimada es 31 por ciento con un error estándar de 1.50 por ciento
Error estándar
Intervalo del 95 por ciento de confianza: 31 ± 1,50 • 1,96
Intervalo del 99 por ciento de confianza: 31 ± 1,50 • 2,58
Efecto del tamaño de la población
16
𝑒 = 1 −𝑛𝑁
𝑃(1 − 𝑃)𝑛
Corrección de población
finita
En la práctica, casi siempre es tan cercana
a 1 que podemos ignorarla
Efecto del tamaño de la población
17 Tamaño de la población
Tamaño de la muestra necesaria
para obtener una
precisión determinada
En la práctica, el tamaño de la población incide muy poco sobre el tamaño de la muestra necesaria para obtener una precisión determinada
Efecto del tamaño de la muestra
18 Tamaño de la muestra
Error estándar Para reducir el error a la mitad…
…hay que cuadruplicar la muestra
Error muestral vs error no muestral
19 Tamaño de la muestra
Error muestral
Error no muestral
Error total
𝑒 = 1 −𝑛𝑁
𝑃(1 − 𝑃)𝑛
𝑒 =𝑃(1 − 𝑃)
𝑛
𝑛∞ =𝑃(1 − 𝑃)
𝑒2
𝑛∞ =𝑡∝2𝑃(1 − 𝑃)
𝐸2
Para una población infinita (N=∞)
Para un error máximo E con un nivel de confianza α
con t95%=1.96, t99%=2.58, etc.
𝑛𝑁 =𝑛∞
1 + 𝑛∞ 𝑁⁄
Para una población de tamaño N
Para el trabajo en grupos • Después del café, diríjase a la sala que corresponde a su grupo:
• Tenga a mano su calculadora • Copie a su computador el libro Excel Lesson1.xlsm • Asegúrese de habilitar la ejecución de macros en Excel. Vea las
instrucciones para hacerlo en Habilitar_Macros_Excel.doc • Si tiene dificultades, consulte al animador de su grupo durante la
pausa de café, antes de que comience la clase, dentro de 30 minutos
• Si no tiene computador, intente trabajar con un colega 22
Grupo Sala Tecleras color Canal
A Purísima Rojo 51
B Capilla Azul 52
C Candelaria Amarillo 53
D María Magdalena Verde 54