Fuentes de sesgo en modelos lineales generales: Evaluando la práctica analítica en la investigación psicológica

La estimación imparcial y la prueba de hipótesis en modelos lineales generales requieren que se cumplan varias condiciones, como la adherencia a supuestos estadísticos y la ausencia de puntos de datos influyentes. Este estudio examinó la medida en que los investigadores en psicología prestan atención a estas fuentes de sesgo al enfrentarse a tareas analíticas. Reclutamos a 188 investigadores en psicología que completaron dos escenarios de análisis de datos. Los guiones analíticos de los investigadores y las descripciones fueron posteriormente codificados según su nivel de atención a problemas con errores de modelo no normales, heterocedasticidad, valores atípicos y casos influyentes. Encontramos que, en todas las categorías, los investigadores no realizaron controles para problemas potenciales o realizaron controles que fueron insuficientes para detectar el problema en cuestión. Los investigadores que enseñan métodos de investigación tenían más probabilidades de realizar los controles correctos que los docentes no universitarios, los investigadores postdoctorales y los estudiantes de doctorado; sin embargo, esta diferencia fue pequeña y los intervalos de densidad posterior más altos se superpusieron sustancialmente. Discutimos las implicaciones de negligenciar de manera rutinaria supuestos violados y casos influyentes, y presentamos el caso para una aplicación más frecuente de métodos estadísticos robustos para complementar o reemplazar modelos lineales generales de mínimos cuadrados ordinarios.