Loading

Alison's New App is now available on iOS and Android! Download Now

Module 1: Métodos mixtos de investigación

Study Reminders
Support
Text Version

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

En este módulo, examinaremos los diferentes tipos de métodos de investigación cuantitativa. Básicamente, examinaremos la filosofía de los métodos de investigación cuantitativa con especial atención a los métodos de investigación de la encuesta. También examinaremos los métodos mixtos de investigación y las posibles combinaciones. Y también, de qué manera podemos comunicar la investigación. En la lección de hoy, tendremos una breve introducción a los métodos de investigación cuantitativa. Sin embargo, el enfoque en la lección de hoy será sobre cómo podemos pensar mejor con datos cuantitativos. Y comenzaré con esta idea de o con esta noción de ideas versus evidencia y cómo las ideas y pruebas importantes son con respecto a la investigación sustancial. De hecho, ahora como un estudiante serio de métodos de investigación entenderían que las ideas y la evidencia siempre van de la mano. Y a veces se hace un gran acuerdo sobre la evidencia y a veces se hace un gran acuerdo sobre las ideas y a veces nos sentimos cómodos con una idea que queremos presentar como una especie de justificación para la investigación de políticas y no damos mucha importancia a la evidencia. Y en otras ocasiones sostenemos de cerca la evidencia y no damos mucha importancia a las ideas rivales que pueden estar desafiando la evidencia que tenemos. Ahora es en este contexto que necesitamos aprender a pensar con datos y también entender el hecho de que para ser capaz de presentar una idea, puede haber no sólo uno, sino varios tipos de evidencias. Y toda esta evidencia puede no ir a justificar la idea que estamos manteniendo cerca. Pueden ser contrastantes en la naturaleza, así como en las ideas tal vez rivalizar entre sí. Y en tal situación, cuáles son las cosas a tener en cuenta, cuáles son las mejores prácticas que podemos seguir con respecto a la sustanciación de nuestra investigación.Entonces, lo que cubriremos en la lección de hoy son los siguientes. Primero es la relación entre las ideas y la evidencia. En segundo lugar, el papel de los datos cuantitativos en las ideas substanciantes. Y en tercer lugar, cuando hacemos o cómo utilizamos datos cuantitativos en defensa y más particularmente para recordar cosas que podemos mantener cuando estamos usando datos cuantitativos en defensa.Ahora acabo de mencionar las ideas y pruebas y las posiciones extremas a las que podemos aferrarnos con respecto a la evidencia. A veces queremos aferrarnos a una idea sin pruebas suficientes. Y en otras ocasiones queremos aferrarnos a evidencias, ciertos tipos de evidencias y ignorar completamente las evidencias rivales que pueden ser retadoras de la evidencia o la justificación basada en la evidencia de que estamos llegando. Por lo tanto, existe este doble peligro de mantener las ideas sin evidencia o defender ideas sólo con evidencia que las apoye. Y esto es algo que es muy frecuente en el análisis de políticas. Las ideas a su vez pueden apoyar la naturaleza y la dirección de la acción pública y la evidencia consiste principalmente en datos cuantitativos y cualitativos. Sin embargo, en esta lección nuestro enfoque estará en el papel de los datos cuantitativos y el papel que los datos cuantitativos pueden jugar en la elección entre ideas.Así, ¿cuál es el papel de ese dato cuantitativo puede jugar en las ideas sustantiva? En primer lugar, debemos entender que los datos cuantitativos asumen un doble papel en el análisis. A menudo se dice que el análisis cuantitativo se ocupa de los números, mientras que el análisis cualitativo trata con palabras y esto no es sorprendente porque la evidencia aparece de forma destacada en cualquier análisis cuantitativo. Mientras que el análisis cualitativo se centra en más estudios de caso, estudios de casos específicos, manteniendo el contexto histórico y la especificidad del tiempo en el mind.Así, es en este contexto que tendremos que considerar el doble papel que pueden jugar los datos cuantitativos. Uno es datos cuantitativos se utiliza para probar ideas contra datos y también obtener ideas de datos y ambos de estos elementos son importantes y tienden a reforzarse entre sí en el proceso de investigación. Es importante adquirir alfabetización numérica para dar sentido a los números y poder desempaquetar los argumentos cuantitativos y someterlos a escrutinio. Muchos analistas políticos y políticos sufren de algún tipo de fobia a los datos y se dan por alto o se someten a los datos sin poner una cantidad decente de lucha con cómo analizar los datos, cómo interpretar los datos. Y por lo tanto, es importante adquirir algún tipo de alfabetización numérica para dar sentido a los números y poder llegar con argumentos que puedan justificar los datos o lo que dicen las personas es dar una historia a los datos que estamos tratando de analizar. Ahora las habilidades cuantitativas que no están respaldadas por una aguda conceptualización de un problema en la mano pueden parecer impresionantes, pero a menudo descansan sobre cimientos inestables. A menudo los artículos de investigación tienen fórmulas muy elaboradas y muy elaboradas sofisticadas herramientas y técnicas estadísticas para concluir, para proporcionar una buena interpretación de la información. Sin embargo, la base teórica basada en la cual estos análisis se están llevando a cabo puede ser inestable. Y en tal caso, puede no calificar como una buena investigación. E. H. Carr se supone que ha dicho que " un hecho es como un saco. No se pondría de pie hasta que usted ha puesto algo en él. Y siempre es fundamental entender cómo es que lo vamos a poner, cómo es que estamos habilitando datos para contar nuestra historia.Veamos ahora la naturaleza de la inferencia utilizada en la investigación cuantitativa. El hecho de que el análisis cuantitativo se refiere a los números no debe dejar a uno concluir que el análisis cuantitativo sólo se ocupa de la cantidad y el análisis cualitativo sólo se ocupa de la calidad, porque esto es incorrecto. Por ejemplo, consideremos el tema de las tenencias de tierras en una comunidad campesina.Ahora bien, ¿esta descripción de las propiedades en una comunidad campesina, hace esto simplemente dar una dimensión cuantitativa del estudio o también transmitir características cualitativas tales como la prevalencia de la falta de tierra es una condición de vida?Ahora otra cosa a recordar es que un número puede estar solo, pero la cantidad siempre viene con las unidades conectadas a ella. En otras palabras, una cantidad es siempre una cantidad de algo. Por ejemplo, hablamos en términos de acres de tierra o hablamos en términos de kilogramos o edad en años y así sucesivamente. Por lo tanto, la característica clave de los métodos cuantitativos es que siempre estamos midiendo algo y siempre es mejor entender qué es lo que estamos midiendo. Mientras que los números pueden ser independientes. Números, podemos generar números basados en la información cualitativa que poseemos con nosotros. Otra característica clave del enfoque cuantitativo es la definición y el uso de las variables que vamos a llegar actualmente. Pero lo que es importante tener en cuenta aquí es que la cantidad y la calidad cada uno son importantes por derecho propio y también tienden a interactuar. Ni los analistas quantitativenor qualitati ve pueden ignorar el tener en cuenta estas dos dimensiones de la realidad social. Los analistas cualitativos también tienen que tener en cuenta la cantidad en varias ocasiones y los analistas cuantitativos también tienen que tener en cuenta con respecto a las categorías cualitativas para los estudios de caso cualitativo a tener en cuenta. Ahora, cuál es la diferencia entre el análisis cualitativo y cuantitativo es que el análisis cualitativo en su mayoría adopta un enfoque holístico orientado al caso en el que cada caso se mira dentro de sus propios términos; su historia, su contexto, y su complejidad en el contexto de los casos pueden ser comparados. Pero los analistas cuantitativos recortan en lugar de permanecer dentro de estos casos. Por lo tanto, la característica distintiva de una variable como el nombre implica es que varía en todos los casos. Por lo tanto, buscan patrones en los datos y buscan hacer generalizaciones para ellos. Como mencioné la característica clave de un enfoque cuantitativo es una definición y uso de variables, cada una de las cuales destaca un atributo específico de los datos como por ejemplo, ingresos, género, logros educativos, etc. y así sucesivamente. Ahora el género de ser un hombre y una mujer es un atributo cualitativo, pero siempre les podemos proporcionar números para llevarlos a un dominio de análisis cuantitativo, digamos por ejemplo. Así que, al hacerlo, lo que somos conscientes es que la casualidad es una explicación rival siempre presente. En otras palabras, son conscientes de que los patrones que disciernen en los datos pueden ser sólo debido al azar, la variación, una casualidad, un producto de una muestra en particular y así sucesivamente. Una de las características importantes del análisis cuantitativo es que buscan generalizaciones, están más enfocados en hacer generalizaciones a través de los casos. Pero eso no significa que la especificidad de los casos se ignora completamente en el análisis cuantitativo. De hecho, una buena práctica requiere que un analista cuantitativo busque excepciones o valores atípicos y casos que no se ajusten a los patrones generales y, por lo tanto, pueda querer una atención especial del investigador. Y también entender que no todo el análisis cuantitativo es orientado a variables. Puede ser una causa orientada. Por ejemplo, un contador que está mirando los datos financieros de una ONG adoptará un método de investigación que sea más similar al de un investigador cualitativo porque entonces el contador analizará principalmente la historia de la ONG cuyos estados financieros están siendo revisados, el lapso de tiempo con el cual la ONG ha estado involucrada en una tarea particular y así sucesivamente. Por lo tanto, en este caso, un contador que está mirando el caso de la ONG está buscando principalmente verificación cuantitativa de hechos, pero se está acercando al caso o está utilizando el enfoque de un analista cualitativo. Porque usted está mirando en contexto específico y orientado a casos con un ojo para la historia pasada y el rendimiento. A diferencia del análisis cualitativo, la especificidad de los casos siempre se ve desde la perspectiva de los patrones identificados por primera vez en todos los casos. Ahora vamos a esta idea de probar ideas contra datos versus obtener ideas de datos. A menudo, no sólo estamos probando ideas contra los datos, sino que también podemos obtener algunas ideas de los datos, que necesita más investigación e investigación. Muchos investigadores sostienen que el análisis científico apropiado consiste en probar una idea o una hipótesis en contra de su evidencia. Sin embargo, veremos que el análisis empírico es esencialmente contrasti.n en la naturaleza. Y aquí es donde empezamos en lo que a esta lección se refiere, que los enfoques contrastivos son más importantes de mantener, a tener en cuenta cuando estamos tratando de pensar con datos cuantitativos. ¿Y qué es un enfoque contrastivo? El análisis empírico contrastivo consiste en evaluar ideas rivales, a la luz de la evidencia que cada uno de ellos aporta al problema para llegar a una explicación que es más plausible a la luz de la evidencia general. De esta manera, la fuerza relativa de las diferentes ideas, sus cabos sueltos que es la evidencia que trabaja en contra de ellos y su dependencia de las justificaciones ad hoc para protegerse contra tales cabos sueltos se hacen más evidentes. Ahora tomemos el ejemplo de, muchos de ustedes podrían ser conscientes de las obras de Amartya Sen sobre la pobreza y las hambrunas y los debates que rodean las explicaciones sobre por qué y cómo se producen las hambrunas. Y cuáles son las razones más plausibles de la situación de la hambruna. Ahora antes de que el análisis de Sen tomara el centro de la escena sobre la pobreza y las hambrunas, la opinión dominante ampliamente sostenida era que las hambrunas son una situación que se produce debido a la escasez natural de alimentos en una determinada región. Sin embargo, basándonos en evidencias de que Sen recogió de varias partes del mundo, incluyendo la hambruna irlandesa, el hambre de Etiopía, la hambruna de Bangladesh, las hambrunas indias, y así sucesivamente, llegó a esta conclusión de que aunque la disminución de la disponibilidad de alimentos aparece en una determinada región como una de las causas temporales de la hambruna, pero hay regiones donde se han producido hambrunas a pesar de que los alimentos están en superávit. Por lo tanto, la disminución de la disponibilidad de alimentos no puede ser planteada como una de las razones inmediatas de la hambruna, pero la accesibilidad de los alimentos se convierte en una razón importante por la que las hambrunas se han producido en primer lugar. Y surgieron numerosos debates en torno a esto, esta evidencia contrastante que apareció y que podría ser postulada contra la opinión dominante de que las hambrunas son una situación que se produce debido a la escasez de alimentos. Entonces, ¿qué hace un analista de investigación en esos casos donde aparece la evidencia rival? ¿Ignoramos estas pruebas rivales que aparecen? ¿O entramos en un mayor análisis de la evidencia therival y llegamos a un análisis contrastivo o a lo que se conoce como un análisis empírico contrastivo evaluando las ideas rivales a la luz de las pruebas que surgen? Veamos otro ejemplo con respecto al análisis empírico contrastivo. La tabla que muestra en su diapositiva se ocupa de un caso en el que la evidencia apoya a las naciones rivales igualmente bien. En esta tabla se muestra la relación entre el tamaño promedio de las tenencias de tierras en acres en la primera columna, y el tamaño de los hogares para una muestra de 600 familias campesinas de Tanzania en 20 aldeas. Y los autores de esta tabla, de este artículo básicamente están tratando de decir que el tamaño de la tierra está determinado en gran medida por el tamaño de los hogares. Y están tratando de decir que Tanzania es un país abundante en tierra, y la cantidad de tierra que poseen los hogares está determinada en gran medida por el tamaño de los hogares en lugar de la presencia de otras variables. Por lo tanto, esta tabla se lista como evidencia para la hipótesis de que el tamaño de la tierra se determina principalmente por el tamaño del hogar. Pero si se mira de cerca esta mesa se verá que esta construcción es algo torpe, ya que se refiere claramente a los grupodatos. Aquí el tamaño de la tierra en lugar de ser presentado como intervalos, intervalos de clase, se agrupa en términos del tamaño medio de la tierra y sin especificar intervalos de clase, y también lista los promedios de grupo para cada intervalo no especificado. Entonces, ¿estamos de acuerdo con los autores en que la evidencia apoya su afirmación? Y si se mira la asociación del tamaño del hogar con el tamaño de la tierra, se vería que hay una asociación positiva. A medida que aumenta el tamaño del hogar, el tamaño de la tierra también aumenta. Así que probablemente nos vamos a apresurar a concluir que la hipótesis que los autores están remitiendo es, de hecho, plausible. El punto, sin embargo, es si esta es la única hipótesis que el soporte de datos y pueden los autores explorar más explicaciones posibles o explicaciones alternativas que pueden no contener la hipótesis de verdad. Ahora en esta tabla los autores han considerado el tamaño de la casa como dado y esta tabla se toma en su mayoría de Chandan Mukherjee y el papel de Wuyts en el pensamiento con datos cuantitativos y eruditos como ellos en gran parte argumentan que puede haber explicaciones plausibles o alternativas que pueden rechazar la hipótesis de que están tratando de apoyar aquí. Así que aquí los otros eruditos argumentan que los autores asume que el tamaño de la casa se da, y por lo tanto el tamaño de la tierra se adapta al número de manos disponibles y la boca para alimentar. Pero, ¿es correcto ver el tamaño de los hogares como un hecho? Porque el tamaño del hogar depende de un gran número de variables. Por ejemplo, los estudios nos han demostrado que hay ciertas familias en las que el tamaño de los hogares se vuelve menos debido a la fragmentación y ciertas familias son más cohesionadas, particularmente en el caso de los países en desarrollo de bajos ingresos. Las familias más pobres parecen fragmentarse más que las familias más ricas, porque los miembros de las familias más pobres tienen que salir en busca de trabajo y, por lo tanto, pueden tener un tamaño más pequeño durante el período de la encuesta. Las familias más ricas pueden tener un tamaño familiar más grande, debido a que sus miembros de la familia no se están moviendo en busca de mejores oportunidades. Y también, porque pueden ser capaces de contratar más mano de obra de peores relativitos.Por lo tanto, el tamaño de la familia en sí se convierte en un determinante de las tenencias de activos de los hogares. Por lo tanto, el tamaño de la tierra en lugar de estar asociado con el tamaño de la familia puede ver una asociación con las tenencias de activos de los hogares campesinos aquí que el tamaño de la familia, y que es una evidencia rival que se está ejecutando en contra de la hipótesis que los autores están tratando de hacer aquí. También puede haber situación en la que estamos probando ideas contra datos frente a obtener ideas de datos como estaba señalando. Ahora hasta hace poco las pruebas estadísticas de los libros de texto estadísticos suelen centrarse más en el análisis confirmatorio. Y la idea subyacente era que el método científico debía consistir en probar ideas contra datos. Pero hoy en día, los textos modernos reconocen la importancia de obtener ideas de los datos y dedicar la atención a las técnicas que nos permiten usarlo mejor. El principio subyacente es que nunca deberíamos imponer una historia sobre los datos, sino permitir que los datos cuenten una historia por sí mismos. Ahora veamos este ejemplo en el que existe este entendimiento general de que las mujeres superan a los hombres. La mayoría de la gente realmente sabrá de la observación casual que las mujeres superan a los hombres. Pero, ¿es esto en todas partes el caso? ¿Es este el caso en todos los países o en todas las regiones del mundo?¿Y cómo se va a probar esta proposición de manera más amplia contra la evidencia empírica? Ahora, una manera de hacer esto es comparar las expectativas de vida en el nacimiento de mujeres y hombres en todos los países. La esperanza de vida es básicamente un indicador demográfico que mide la cantidad de años que una persona viviría dependiendo de las tasas de mortalidad o tasas de mortalidad específicas de la edad que se pueden atribuir a la persona cuyo número de años estamos siguiendo. Por lo tanto, es un indicador demográfico de mortalidad. Ahora bien, ¿cómo vamos a medirla?Ahora, por ejemplo, la esperanza de vida de un determinado país llega a ser de 45 años. Ahora esto no significa que una persona promedio en ese país vive hasta sólo 45 años. Pero también podría ser el caso de que debido a que las tasas de mortalidad infantil son muy altas en este país, por lo tanto, el promedio de vida se está bajando debido a las tasas de mortalidad infantil muy altas. Entonces, ¿cuáles son las diferentes conclusiones a las que podemos llegar o cuáles son las diferentes ideas con las que podemos llegar cuando estamos probando empíricamente esta observación. Ahora esto se puede hacer con la ayuda de un diagrama de dispersión. Sencillamente, tenemos que hacer frente a esta idea. Todos los estadísticos hacen uso de varias técnicas de probabilidad para poder llegar con una inferencia para poder llegar a conclusiones adecuadas al respecto. Sin embargo, una representación gráfica simple en la forma de un diagrama de dispersión también puede darnos una gran cantidad de ideas. Veamos esta figura aquí. Ahora en esta figura femenina frente a la esperanza de vida masculina para 99 países se muestra a partir de 1990 en adelante. Así, el eje x mide la esperanza de vida de los hombres y el eje y mide la esperanza de vida de las mujeres. Y verías que hay bastante variación en esta trama. Así que cada uno de estos puntos se refiere a los países. Todos estos puntos en la dispersión se refieren a diferentes países. La trama cuenta con una diagonal de 45 grados. ¿Por qué es esto? Trazamos esta línea por una razón muy simple para demostrar que el lugar de los puntos con la esperanza de vida de las mujeres y los hombres son iguales. Por lo tanto, en general si no hubiera diferencias entre las expectativas de vida de las mujeres y los hombres, los puntos observados reales caerían en la línea de 45 grados. Si, sin embargo, la esperanza de vida de las mujeres generalmente supera a la de los hombres, la mayoría de los puntos se situarán por encima de la línea; los balnearios en estos casos por encima de la línea. Y si las expectativas de vida de las mujeres son menores que los hombres, entonces caería por debajo de la línea. Por lo tanto, se trata de un documento de 1998. Y el foco aquí está en los datos de 1990 en adelante para 99 países. Estos son básicamente tomados de las mesas del Banco Mundial. Otra cosa a destacar en esta trama es que las expectativas de vida de hombres y mujeres van de los 40 a los 44 años. Si se miran estos puntos aquí, las expectativas de vida van de 40 a 44 años y van hasta unos 84 años, de 74 a 81 años. Por lo tanto, con esto significa que hay diferencias significativas entre los países y, por lo tanto, esperamos que la dispersión de puntos pendientes hacia arriba dentro de un rango bastante estrecho. Y también hemos visto que en los países donde la esperanza de vida masculina es menor, las expectativas de vida femenina también pueden ser relativamente más bajas, aunque superiores a la esperanza de vida masculina y viceversa. Entonces, ¿cuál es el gráfico simple? ¿Cuál es la historia que este gráfico nos está diciendo? Esta gráfica nos está dando básicamente una fuerte evidencia a favor de nuestra proposición de que las mujeres superan a los hombres, y la esperanza de vida de las mujeres es mayor que la de los hombres. En promedio, las mujeres tienden aan hombres vivos. Y este es un ejemplo de probar una idea contra los datos. Tenemos esta idea y hemos probado esta idea en contra de los datos tramando la esperanza de vida de los hombres contra las mujeres. Pero, ¿frenamos nuestro análisis aquí o investigamos más? Esa es la pregunta a tener en cuenta cuando estamos tratando de pensar con datos cuantitativos? En caso de que nos complacen el hecho de que sus datos han confirmado la idea de que nos aferramos a o pueden los datos también nos dan más ideas para investigar. Si se miran las cifras de nuevo muy de cerca, se verá que hay estas parcelas que se encuentran por debajo de la línea de 45 grados. Y por lo tanto, hay una pregunta que tenemos que considerar con respecto a cuáles son estos países que están cayendo por debajo de la línea de 45 grados y cuáles son las circunstancias, condiciones socioeconómicas de estos países que están dando lugar a tal situación. Así que, como estaba diciendo, hay cinco puntos de datos que están situados debajo de la línea. Esto significa que, en estos países, la esperanza de vida de las mujeres es menor que la de los hombres, que es una característica que contrasta fuertemente con los patrones generales mundiales. Por lo tanto, las preguntas que tenemos que hacer son qué países podrían ser. Si existe o no un sesgo de género contra las mujeres en estos países. Si se mira de izquierda a derecha a lo largo del gráfico, la dispersión de puntos se aleja más de la línea de 45 grados. Ahora estos países corresponden a los puntos debajo de la línea son Bhután, Bangladesh, Nepal, Pakistanand India. Y hay bastante debate en esta literatura sobre si existe o no sesgo de género contra las mujeres en estos países. De izquierda a derecha a lo largo del gráfico la dispersión de puntos se aleja más de la línea de 45 grados. Esto significa que la discrepancia entre las expectativas de vida de las mujeres y los hombres aumenta a medida que aumenta la esperanza de vida tanto de las mujeres como de los hombres. Y así es como nos enfrentamos a los debates en torno a las condiciones socioeconómicas de hombres y mujeres en todos los países. Cuando debatíamos sobre el análisis cualitativo y el análisis cuantitativo, ahora este es un buen ejemplo de cómo un análisis cuantitativo nos lleva a la confrontación con todo el debate cualitativo sobre la calidad de vida y el sesgo de género que prevalece en países específicos frente a los del resto. Así que así es como los datos cualitativos y cuantitativos van de la mano. Por lo tanto, ¿cuáles son algunos de los puntos a recordar con respecto a obtener ideas de los datos, siempre debemos estar en la búsqueda de pistas y pistas que apuntan en una dirección diferente o que requieren que profundice nuestro análisis. Análisis de datos es similar a un diálogo abierto, si por ejemplo cuando estamos haciendo preguntas en un método de entrevista, si no hacemos las preguntas relevantes al encuestado, no obtendremos el tipo de respuesta correcto. De igual manera, en el caso del análisis de datos, si no sabemos qué es lo que estamos midiendo y cómo es que tenemos que ir a medir, no obtendremos el tipo correcto de respuestas. Por lo tanto, debemos asegurarnos de que nuestras preguntas no están redactadas como nuestras propias respuestas de mascotas que simplemente buscamos confirmar con un simple sí o no. Y lo más importante, nunca deberíamos imponer una historia sobre los datos. Pero igualmente no debemos esperar que los datos cuenten una historia por sí mismos. Y aquí es donde los datos necesitan ser inspirados en la teoría. La Teoría en la que estamos trabajando debe ser uno de los pasos para pasar al análisis de datos. Eso me lleva a la siguiente diapositiva sobre la factualidad de los datos. Ahora los datos siempre arrojan una visión selectiva de un aspecto de la realidad y por lo tanto, lo que se considera un hecho depende en parte del criterio que subraya la selección de datos y los datos deben ser puestos en contexto antes de que se conviertan en conocimiento útil. Por lo tanto, los hechos son por lo tanto siempre teoría inspirada. Es la teoría la que hace relevante una pieza de información y por lo tanto cuenta para que sea seleccionada como un hecho. ¿Qué es el hecho? Lo que es un dato fáctico de la evidencia es algo que también tiene que ser la teoría inspirada. ¿Cómo vemos esa pieza de evidencia? Mira este ejemplo aquí. Aunque dos conjuntos de datos pueden estar relacionados, esto no significa que estén relacionados causalmente. A menudo estamos viendo asociación y relación causal entre factores. Por ejemplo, sólo porque los niños se ponen más altos a medida que envejecen y también desarrollan progresivamente habilidades lingüísticas no significa que conseguir más alto mejore las habilidades lingüísticas o viceversa. Conseguir más alto y mejorar las habilidades lingüísticas muestran algún tipo de asociación positiva. Y a menudo esta asociación positiva será muy significativa porque esto es lo que nuestra observación general también nos dice. Pero esto no significa necesariamente que tengan una relación causal, hay una relación causal entre el two.Del mismo modo, decir que los datos de las cuentas nacionales son teoría inspirada significa que la teoría determina qué datos se consideran relevantes e informa de la forma en que estos datos se recopilan y se estructuran en agregados macro relevantes de la política relevantes como el PIB, el ingreso nacional, el consumo, la inversión, el ahorro y así sucesivamente. Ahora otra cosa que hay que tener en cuenta es la evidencia factual es algo que se puede recoger tanto de datos primarios como de datos secundarios. Sin embargo, hay ciertas características características de la evaluación de los datos primarios y la de la evaluación de los datos secundarios. Ahora, los datos primarios suelen ser recogidos por un solo investigador o por un equipo de investigadores en el análisis de políticas. Y así, es el investigador el que los selecciona, quién los evalúa, quién interpreta los datos y así sucesivamente y les da forma de hechos con análisis y por lo tanto, se trata de un proceso muy lento. Y también, tiende a ser caso y tiempo específico. A menudo es imposible, con respecto a los datos primarios a menudo es imposible verificar los datos o corregir los sesgos inherentes en la recolección de datos. Y por lo tanto, es importante explicar la naturaleza de los datos y los procedimientos que entraron en la recolección de los datos. Ahora, algunos análisis de datos primarios involucran trabajo de campo y aquí los investigadores generalmente desarrollan un fuerte conocimiento local. Adquieren una sensación de la especificidad de la ubicación en cuestión andas productores de datos, tienden a ser muy conscientes de la complejidad, la variabilidad, y la incertidumbre de los datos sociales. Por lo tanto, están por lo tanto menos inclinados a generalizar demasiado rápido. Cuando nos centramos en los datos de la encuesta hay un riesgo de generalización y esto es algo que es cuestión de debate continuo entre los analistas de datos con respecto a las generalizaciones. Y una de las cosas a tener en cuenta es si la generalización se está intentando a través del estudio o no también hay que tener en cuenta. Es posible que queramos contar la historia de una determinada región con la ayuda de la información cuantitativa que puede tener relevancia política. Sin embargo, dada la historicidad y el contexto de la región que estamos estudiando, puede que no sea apropiado generalizar los hallazgos de esa región al resto del mundo o al resto del país o al resto del estado. Porque estudiar esa región en particular también tiene relevancia política. Y también son cosas que hay que tener en cuenta con respecto a la generalización. Otro análisis de datos primarios se basa en encuestas que se llevan a cabo como he dicho por los propios investigadores y que tales encuestas son similares a las encuestas a gran escala realizadas por instituciones oficiales a efectos de la publicación de datos secundarios, pero generalmente de menor tamaño que las encuestas a gran escala realizadas por las instituciones oficiales. Y los analistas de encuestas a diferencia de los trabajadores de campo tienden a estar más distantes de las circunstancias locales y del conocimiento. Una de las clases de este módulo se dedicará a estudiar los métodos de investigación en los que vamos a discutir cada una de estas características que estoy señalando hasta ahora. Ahora como estaba diciendo, la evidencia factual puede ser recogida de datos primarios o datos secundarios. Y las grandes encuestas de muestras suelen ser realizadas por instituciones oficiales y generalmente se repiten a intervalos regulares: cuentas nacionales, datos demográficos, tradedata, servicio social, etc. Por ejemplo, tenemos las operaciones del censo indio llevadas a cabo por el Secretario General de la India, que se lleva a cabo cada 10 años. O tenemos grandes encuestas de muestras realizadas por la Organización Nacional de Encuestas de Muestra cada cinco años.Del mismo modo, tenemos encuestas empresariales, encuestas de ganado y así sucesivamente. Censo agrícola que se lleva cada cinco años y así sucesivamente. Sin embargo, estas son llevadas a cabo por instituciones oficiales a gran escala y luego puestas en varios dominios para ser utilizadas por investigadores individuales. Pero hay un problema de agregación aquí y uno tiene que mirar estos temas de agregación muy minuciosamente. Ahora la agregación utilizando marcos de contabilidad formales, que estructuran los datos en categorías predeterminadas. Por lo general, la mayoría de estos datos, que se califican como fuentes de datos secundarios basados en encuestas. Vienen en categorías predeterminadas y siguen ciertos procedimientos y técnicas estándar que mejoran su consistencia con el tiempo, así como su comparabilidad. Por ejemplo, la reciente Encuesta Nacional de Salud de la Familia NFHS-4que sale de las recientes encuestas de la ronda de NSSO que ha sido noticia con respecto a las estadísticas de empleo y así sucesivamente. Hay cuestiones de comparabilidad y, por tanto, los ejercicios metodológicos se convierten en centrales para estas encuestas. Pero la agregación también oculta la variabilidad interna de los datos dentro de cada categoría y las prácticas contables a menudo resuelven los conflictos entre los datos a través de procedimientos formales. Una de las diferencias básicas entre los analistas de encuestas que están llevando a cabo pequeñas encuestas de muestras, investigadores individuales o encuestas de muestras de investigadores con sede en equipo con respecto a las llevadas a cabo por instituciones establecidas es que con un solo investigador o investigadores del equipo que realizan una encuesta a pequeña escala, aún están más cerca de los datos, aún más cerca de los casos que están estudiando.