PSICOLOGÍA ECONÓMICA: INFLUENCIA DE LA PERSONALIDAD EN EL NIVEL DE POBREZA EN LA COMUNIDAD DE GUARARI DE HEREDIA Y LA CARPIO EN LA URUCA, COSTA RICA

CAPÍTULO IV.

ANÁLISIS E INTERPRETACIÓN DE RESULTADOS

4.1. Modelo de análisis estadístico

El propósito primordial de la investigación es crear ciencia, entendiendo la función de la ciencia como el “…establecer leyes generales que refieran la manera en que se dan los eventos u objetos empíricos que les conciernen, capacitándonos así para relacionar nuestros conocimientos de los hechos conocidos por separado y para hacer predicciones confiables de eventos aún desconocidos” (Kerlinger, 1988, p. 9). Más adelante, nos refiere que “el objetivo básico de la ciencia es la teoría. Dicho en un lenguaje más llano, su objetivo básico es explicar los fenómenos naturales. Tales explicaciones se llaman teorías” (op. cit.). La ciencia en consecuencia, viene a mejorar el acervo de conocimientos (teoría) tenidos sobre ciertos fenómenos que han sido estudiados, y no el mejoramiento de dichos fenómenos. Esa acción ya no corresponde a la ciencia sino a la acción explícita de las autoridades correspondientes.

La investigación científica para producir teoría debe presentar a su propio interior un planteamiento crítico, controlado y empírico sobre el fenómeno en estudio, y con la guía de las hipótesis y la orientación de las preguntas directrices establecer supuestas relaciones entre los diversos componentes del fenómeno. Destacamos dos aristas fundamentales de la investigación científica; primera,  es sistemática y controlada por el método en que se afianza, y ello destaca en la confianza sobre los resultados obtenidos; y segunda, la investigación es empírica pues contrapone la idea del investigador con la realidad objetiva.

El método, como el conjunto de aplicaciones de herramientas matemáticas y estadísticas con propósito provee la sistematización, control y orden para lograr resultados objetivos que en buena medida reflejen la realidad en estudio. Esa objetividad brinda la confianza que permite enunciar nueva teoría, como el conjunto de proposiciones o constructor bien definidos e interrelacionados con un alto valor predictivo.

La mayor valoración de la disciplina rigurosa de la investigación consiste en la anulación al máximo de la subjetividad. El problema de estudio de la investigación encierra per se una alta carga emocional de un profundo contenido humano o inhumano, mejor dicho. La vivencia diaria y la acción participante del investigador generan sentimientos y tonos emocionales que dificultan el análisis real de los hechos; y a no ser por el método aplicado no hubiese sido posible abstraerse de la emocionalidad para llegar a resultados objetivos.

El diseño del modelo de análisis estadístico nos permite el análisis e interpretación de los resultados obtenidos en el proceso de investigación, de tal manera que nos permita no solo comprender a cabalidad la relación de los objetivos de la investigación con las pruebas estadísticas aplicadas, sino también su consecuente resultado.

El modelo de análisis estadístico parte del propósito ligado al problema de la investigación, los objetivos secundarios y las interrogantes directrices o las preguntas de investigación. El propósito enunciado en la primera flecha nos indica el punto de referencia al cual nos dirigimos en busca de las respuestas de investigación. La prueba estadística de la segunda flecha representa el método estadístico que mejor se ajusta al propósito del investigador para un análisis apropiado y objetivo. Aquí el investigador selecciona de acuerdo a su mejor conocimiento y saber debido a la amplia gama de herramientas y pruebas estadísticas existentes en la actualidad. Por último, el resultado refleja el interés de logro del investigador.

4.1.1. El estudio de los factores sociodemográficos de la población brinda una amplia visión del problema de estudio, teniendo en cuenta que es un problema multifacético, multifactorial y complejo. En el estudio de las variables sociodemográficas de la población se utilizan las herramientas de la estadística descriptiva, a saber, la media, la moda, la mediana, la relación porcentual, el histograma y el box plot como gráficos que con mayor facilidad, permiten una comprensión visual del arreglo de los datos. El trabajo realizado en este sentido puede ser consultado en el anexo respectivo.

4.1.2. La verificación de la normalidad de los datos constituye el segundo eslabón del análisis estadístico, toda vez que ello posibilita la aplicación de pruebas paramétricas o no parámetricas. Fundamentalmente las pruebas Z son pruebas de distribución normal, lo cual significa si un puntaje del test de personalidad aplicado se encuentra en una distribución simétrica alrededor de su media. La gráfica cuantilar normal y el box plot o gráfico de caja indican visualmente esta distribución, igualmente la prueba Anderson Darling tiene el mismo propósito. Sin embargo, la principal prueba aplicada a efectos de verificar la normalidad de los datos ha sido la prueba de Ryan-Joiner, que es una prueba robusta de hipótesis de normalidad, muy efectiva para identificar distribuciones asimétricas no normales. Cuando se demuestra que un conjunto de resultados no sigue la distribución normal existen diversas opciones; en primer lugar se pueden llevar a cabo distintas pruebas estadísticas que permitan indicar la presencia de observaciones extrañas (outliers), y en segundo lugar se puede intentar una transformación de los datos de tal forma que los resultados transformados se adecuen a una distribución normal. Si ambas opciones no resultan satisfactorias será incorrecto llevar a cabo pruebas diseñadas para distribuciones de datos normales de corte gaussiano. Entonces, cuando los datos no se encuentran dispuestos en una distribución normal se recomienda entonces aplicar pruebas no paramétricas. Este tipo de procedimiento es aplicable a la prueba de hipótesis en los que no es requisito la suposición acerca de la naturaleza o forma de la distribución de los datos de la población. Una de las ventajas más claras de las pruebas no paramétricas estriba en su facilidad de aplicación.

Los datos extraños u outliers son aquellos que no pertenecen al conjunto de la muestra o población, o que poseen una probabilidad inferior a un determinado valor de que pertenezcan a dicha muestra o población. Los datos extraños están presentes en el conjunto debido a una anomalía metodológica o simplemente porque la muestra o población no es normal. Se denominan también datos dudosos, extraños, anómalos u outliers. El tratamiento de los datos extraños exige la aplicación de pruebas de aceptación o rechazo, con el objeto de garantizar una distribución normal o gaussiana al conjunto de las observaciones. En nuestro caso específico, se aplicó la prueba ESD de Grubb, como una prueba robusta de aceptación o rechazo de estos resultados, pero se afectó significativamente tanto a la media como a la desviación estándar, y la configuración general de las observaciones. Por tal motivo, se tomó la decisión de desestimar dicho tratamiento.

Por otra parte, las transformaciones de datos no sólo se utilizan para llevar la distribución a la normalidad sino que también se usan para igualar las varianzas de distintos conjuntos de observaciones. Entre las más usuales figuran la transformación logarítmica, la extracción de la raíz cuadrada o la sustitución de los resultados por sus valores recíprocos. También se utilizó la prueba de Box Cox tradicionalmente utilizada para estos fines pero produjo alteraciones severas en la configuración de los datos.

4.1.3. La determinación de un perfil de personalidad de la población según el nivel de ingreso constituye uno de los bastiones más importantes del presente trabajo de investigación. Esto como resultado de la aplicación e interpretación del test de personalidad. Recordemos que el test tiene su propio sistema de medición estadístico.

4.1.4. Otro de los propósitos del análisis estadístico radica en la determinación de las diferencias entre la población agrupada según el puntaje obtenido del test de personalidad, el nivel de ingreso asociado y el lugar del precario. En otras palabras, qué tan diferentes son los pobres estudiados. Para ello, la prueba de Chi Cuadrado de máxima verosimilitud permite determinar si el patrón de frecuencia observado corresponde o se ajusta al valor esperado (la media de los resultados); además, sirve para evaluar hipótesis acerca de la relación entre dos variables categóricas. Así, la prueba del Chi Cuadrado  permite determinar si existen diferencias estadísticas significativas entre las poblaciones atendidas de acuerdo a los rasgos de la personalidad obtenida según el puntaje del test y el nivel de ingreso.

4.1.5. La influencia de algunos factores sociodemográficos de la población sobre la configuración de la personalidad constituye otro eslabón más en el análisis estadístico. El análisis factorial de la varianza (ANOVA) nos permite valorar si los grupos de población difieren significativamente entre sí en cuanto a sus medias y varianzas. Los modelos factoriales de análisis de varianza (factorial implica más de un factor) sirven para evaluar el efecto individual y conjunto de dos o más factores sobre una variable dependiente cuantitativa. Un ANOVA factorial permite estudiar, por ejemplo, si la personalidad como variable dependiente, en este caso, es diferente de acuerdo a la edad (efecto del primer factor), la escolaridad (efecto del segundo factor), el sexo (efecto del tercer factor), el precario (efecto del cuarto factor) y el nivel de ingreso (efecto del quinto factor). Pero también permite estudiar si las diferencias entre las medias poblacionales de los factores se repiten o no en cada grupo de ingreso, es decir, permite determinar si la interacción entre los factores antes enunciados afecta a la variable dependiente. Utilizar más de un factor en un mismo diseño posee la ventaja de poder estudiar el efecto de la interacción entre factores. En un modelo de cinco factores que resumen 25 efectos de interés. En un análisis de varianza factorial existe una hipótesis nula por cada factor y por cada posible combinación de factores, siendo la hipótesis nula un factor que  afirma que las medias de las poblaciones definidas por los niveles del factor son iguales; mientras la hipótesis referida al efecto de una interacción afirma que tal efecto es nulo. Para contrastar estas hipótesis, el ANOVA factorial se sirve de estadísticos F (Valor F) que determina las variaciones en las puntuaciones de los grupos comparados entre si mismos.

En otras palabras, la prueba del ANOVA multifactorial nos permite valorar la influencia de los factores sociodemográficos sobre la personalidad de la población en estudio. Sin embargo, el análisis de varianza solo nos indica si hay diferencias significativas entre las poblaciones pero no nos dice donde se encuentran esas diferencias. Por tal motivo la aplicación de la prueba DHS Tukey (Diferencia significativa honesta) nos va a determinar donde se encuentran dichas diferencias. Mediante las comparaciones múltiples entre los diversos pares de medias de los grupos de población es posible visualizar cuales son las diferencias entre los factores y su influencia en la personalidad.

4.1.6. Quizá la premisa más impactante del presente estudio sea si la pobreza se pueda predecir sobre la base de la configuración de la personalidad del individuo. La probabilidad de que ciertos rasgos de personalidad tengan incidencia directa sobre el nivel de ingreso (pobreza en sus tres rangos) puede ser determinada por el modelo de la regresión logística. La regresión logística es un modelo predictivo utilizado para determinar el impacto de una variable categórica (la personalidad) sobre la otra variable (el ingreso) con categorías binarias o dicotómicas –pobreza extrema o pobreza. Además, sirve para estimar la probabilidad de caer en pobreza extrema o pobreza según ciertos rasgos de personalidad del sujeto.

Una de las características que hacen tan interesante la regresión logística es la relación que éstos guardan con un parámetro de cuantificación de riesgo conocido en la literatura como "odds ratio" o riesgo relativo. El riesgo relativo corresponde al cociente de la probabilidad de que aparezca un suceso (pobreza extrema o pobreza) cuando está presente el factor (rasgos de personalidad) respecto a cuando no lo están. De hecho cuando la prevalencia del suceso es baja (< 20 %) el valor del odds ratio y el riesgo relativo es muy parecido. Si en la ecuación de regresión tenemos un factor dicotómico, como lo es la presencia de pobreza o no por ejemplo si el sujeto tiene rasgos de personalidad sólidos, el coeficiente b de la ecuación para ese factor está directamente relacionado con el odds ratio (OR) de ser pobre extremo o pobre con respecto a no serlo.