El análisis estadístico no tiene por qué ser un obstáculo. Esta guía te ofrece 10 prompts esenciales para transformar a la IA en tu asistente estadístico personal. Utilizalos para automatizar desde la limpieza de datos hasta la interpretación de resultados, permitiéndote enfocar tu energía en lo que de verdad importa: el descubrimiento de conocimiento.
Soy un experto en análisis de datos evaluando la calidad de mi conjunto de datos para análisis cuantitativo. Este conjunto de datos tiene las siguientes características:
Tamaño: [número de observaciones/filas] observaciones y [número de variables/columnas] variables
Tipos de variables: [describe brevemente las principales variables y sus tipos: numéricas, categóricas, ordinales, etc.]
Objetivo analítico: [describe brevemente qué análisis planeas realizar con estos datos]
He notado los siguientes problemas potenciales: [menciona cualquier problema que hayas identificado, como valores faltantes, outliers, etc. Si no has identificado ninguno, indícalo]
Por favor:
Sugiere un proceso sistemático para evaluar la calidad de estos datos, incluyendo:
Verificación de valores faltantes (patrones, proporciones, mecanismos potenciales)
Identificación de valores atípicos (outliers) y su potencial impacto
Evaluación de la distribución de variables clave
Verificación de inconsistencias o errores lógicos
Evaluación de la estructura de correlación entre variables relevantes
Para cada problema identificado, recomienda:
Métodos apropiados de limpieza o transformación
Justificación estadística para cada método sugerido
Potenciales impactos de diferentes enfoques en los resultados posteriores
Código en [R/Python/SPSS] para implementar estas soluciones
Proporciona recomendaciones para documentar transparentemente las decisiones de limpieza de datos en la comunicación de resultados
Sugiere visualizaciones específicas que ayudarían a evaluar la calidad de los datos antes y después de la limpieza
Soy un experto en análisis de datos evaluando la calidad de mi conjunto de datos para análisis cuantitativo. Este conjunto de datos tiene las siguientes características:
Tamaño: 1,245 observaciones y 18 variables
Tipos de variables: Variables demográficas (edad, género, nivel educativo, ingreso), variables de comportamiento de consumo (5 variables en escala Likert), variables de satisfacción (3 variables en escala 1-10), variables de frecuencia de compra (continuas), y variables categóricas de preferencia de producto (4 categorías)
Objetivo analítico: Llevar a cabo un análisis de regresión múltiple para identificar predictores de satisfacción del cliente y segmentar clientes mediante análisis de clústeres
He notado los siguientes problemas potenciales: Aproximadamente 8% de valores faltantes en variables de ingreso, algunos valores extremos en frecuencia de compra, y posibles inconsistencias en las respuestas de escala Likert
Por favor:
Sugiere un proceso sistemático para evaluar la calidad de estos datos, incluyendo:
Verificación de valores faltantes (patrones, proporciones, mecanismos potenciales)
Identificación de valores atípicos (outliers) y su potencial impacto
Evaluación de la distribución de variables clave
Verificación de inconsistencias o errores lógicos
Evaluación de la estructura de correlación entre variables relevantes
Para cada problema identificado, recomienda:
Métodos apropiados de limpieza o transformación
Justificación estadística para cada método sugerido
Potenciales impactos de diferentes enfoques en los resultados posteriores
Código en Python para implementar estas soluciones
Proporciona recomendaciones para documentar transparentemente las decisiones de limpieza de datos en la comunicación de resultados
Sugiere visualizaciones específicas que ayudarían a evaluar la calidad de los datos antes y después de la limpieza
Soy un consultor estadístico experto. Estoy trabajando con los siguientes datos y necesito seleccionar las pruebas estadísticas más apropiadas:
Pregunta/s de investigación: [describe claramente tus preguntas de investigación]
Variables dependientes: [enumera y describe brevemente: tipo, escala de medición, distribución si la conoces]
Variables independientes/predictoras: [enumera y describe brevemente: tipo, número de grupos/niveles si aplica]
Características de la muestra: [tamaño muestral, método de muestreo, estructura de los datos (independientes, pareados, medidas repetidas, etc.)]
Supuestos que puedo confirmar que se cumplen o no: [menciona cualquier información sobre normalidad, homocedasticidad, independencia, etc.]
Por favor:
Recomienda las pruebas estadísticas más apropiadas para cada pregunta de investigación, considerando:
Alineación con los objetivos de investigación
Adecuación a las escalas de medición y tipos de variables
Robustez frente a posibles violaciones de supuestos
Balance entre poder estadístico y control de error tipo I
Para cada prueba recomendada, proporciona:
Justificación detallada de por qué es apropiada
Explicación de los supuestos subyacentes y cómo verificarlos
Alternativas no paramétricas o robustas si los supuestos no se cumplen
Interpretación adecuada de los resultados potenciales
Tamaño del efecto recomendado para acompañar esta prueba
Sugiere los análisis complementarios que podrían enriquecer la interpretación
Proporciona código básico en [R/Python/SPSS] para implementar estas pruebas, incluyendo verificación de supuestos
Soy un consultor estadístico experto. Estoy trabajando con los siguientes datos y necesito seleccionar las pruebas estadísticas más apropiadas:
Pregunta/s de investigación: ¿Existen diferencias significativas en los niveles de ansiedad (medida primaria) entre tres métodos de intervención psicológica? ¿Qué factores demográficos y psicológicos predicen mejor la respuesta al tratamiento?
Variables dependientes: Nivel de ansiedad (escala continua, 0-100 puntos, distribución aproximadamente normal); Calidad de vida (escala ordinal, 1-5); Adherencia al tratamiento (binaria: completó/no completó)
Variables independientes/predictoras: Método de intervención (3 grupos: TCC, mindfulness, tratamiento habitual); Edad (continua); Género (categórica); Nivel de depresión basal (continua); Apoyo social percibido (ordinal, 1-5)
Características de la muestra: 180 participantes (60 por grupo de intervención), asignados aleatoriamente, mediciones pre y postintervención (diseño de medidas repetidas), sin datos faltantes significativos
Supuestos que puedo confirmar que se cumplen o no: Pruebas preliminares sugieren normalidad en la variable de ansiedad, homogeneidad de varianzas entre grupos, pero posible presencia de algunos valores atípicos
Por favor:
Recomienda las pruebas estadísticas más apropiadas para cada pregunta de investigación, considerando:
Alineación con los objetivos de investigación
Adecuación a las escalas de medición y tipos de variables
Robustez frente a posibles violaciones de supuestos
Balance entre poder estadístico y control de error tipo I
Para cada prueba recomendada, proporciona:
Justificación detallada de por qué es apropiada
Explicación de los supuestos subyacentes y cómo verificarlos
Alternativas no paramétricas o robustas si los supuestos no se cumplen
Interpretación adecuada de los resultados potenciales
Tamaño del efecto recomendado para acompañar esta prueba
Sugiere los análisis complementarios que podrían enriquecer la interpretación
Proporciona código básico en Python para implementar estas pruebas, incluyendo verificación de supuestos
Soy un especialista en análisis exploratorio de datos. Necesito desarrollar un plan sistemático para explorar el siguiente conjunto de datos antes de proceder con análisis confirmatorios:
Descripción del conjunto de datos: [describe brevemente el contenido y contexto de tus datos]
Variables clave: [enumera las principales variables, indicando su tipo y escala de medición]
Objetivos analíticos posteriores: [describe brevemente qué tipo de análisis planeas realizar después]
Preguntas o hipótesis preliminares: [menciona cualquier pregunta específica que te interese explorar]
Por favor, diseña un plan completo de análisis exploratorio que incluya:
Secuencia estructurada de análisis univariados:
Estadísticas descriptivas apropiadas para cada tipo de variable
Visualizaciones recomendadas para examinar distribuciones
Métodos para identificar valores atípicos y patrones inusuales
Transformaciones potenciales para normalizar distribuciones si es necesario
Análisis bivariados sistemáticos:
Matriz de correlaciones/asociaciones entre variables relevantes
Visualizaciones para relaciones clave (con recomendaciones específicas por tipo de variable)
Pruebas preliminares de asociación
Estratificación por variables categóricas importantes
Análisis multivariados exploratorios:
Técnicas de reducción dimensional si es apropiado (PCA, MCA, etc.)
Visualizaciones multivariadas recomendadas
Exploración de interacciones potenciales
Identificación de subgrupos o patrones emergentes
Proporciona código en [R/Python/SPSS] para implementar estos análisis, con comentarios explicativos
Sugiere una estructura para documentar y presentar los hallazgos exploratorios de manera que informen efectivamente los análisis confirmatorios posteriores
Soy un especialista en análisis exploratorio de datos. Necesito desarrollar un plan sistemático para explorar el siguiente conjunto de datos antes de proceder con análisis confirmatorios:
Descripción del conjunto de datos: Datos longitudinales de salud cardiovascular recolectados durante 5 años en una cohorte de 850 adultos mayores (65+ años), incluyendo mediciones clínicas, biomarcadores, información sobre medicación, y cuestionarios de estilo de vida
Variables clave: Presión arterial sistólica y diastólica (continuas), índice de masa corporal (continua), niveles de colesterol total, HDL y LDL (continuas), diagnóstico de hipertensión (binaria), diagnóstico de diabetes (binaria), actividad física semanal (ordinal, 5 niveles), consumo de alcohol (ordinal, 4 niveles), tabaquismo (categórica: nunca, ex-fumador, fumador actual), medicación cardiovascular (categórica, múltiples tipos)
Objetivos analíticos posteriores: Desarrollar modelos predictivos de eventos cardiovasculares adversos y analizar trayectorias de factores de riesgo a lo largo del tiempo
Preguntas o hipótesis preliminares: Interés en examinar la interacción entre medicación y cambios en biomarcadores; sospecha de patrones diferenciados por género y nivel socioeconómico
Por favor, diseña un plan completo de análisis exploratorio que incluya:
Secuencia estructurada de análisis univariados:
Estadísticas descriptivas apropiadas para cada tipo de variable
Visualizaciones recomendadas para examinar distribuciones
Métodos para identificar valores atípicos y patrones inusuales
Transformaciones potenciales para normalizar distribuciones si es necesario
Análisis bivariados sistemáticos:
Matriz de correlaciones/asociaciones entre variables relevantes
Visualizaciones para relaciones clave (con recomendaciones específicas por tipo de variable)
Pruebas preliminares de asociación
Estratificación por variables categóricas importantes
Análisis multivariados exploratorios:
Técnicas de reducción dimensional si es apropiado (PCA, MCA, etc.)
Visualizaciones multivariadas recomendadas
Exploración de interacciones potenciales
Identificación de subgrupos o patrones emergentes
Proporciona código en Python para implementar estos análisis, con comentarios explicativos
Sugiere una estructura para documentar y presentar los hallazgos exploratorios de manera que informen efectivamente los análisis confirmatorios posteriores
Soy un experto en interpretación estadística. He realizado los siguientes análisis y necesito ayuda para interpretar correctamente los resultados:
Tipo de análisis realizado: [especifica la prueba estadística o modelo utilizado]
Resultados clave: [proporciona los resultados principales: coeficientes, valores p, intervalos de confianza, etc.]
Contexto de investigación: [describe brevemente el contexto y objetivos de tu estudio]
Audiencia objetivo para la interpretación: [especifica si es para publicación académica, presentación a no especialistas, etc.]
Por favor:
Proporciona una interpretación completa y precisa de estos resultados, incluyendo:
Explicación en lenguaje claro del significado estadístico
Interpretación de la magnitud y dirección de los efectos encontrados
Evaluación de la significancia práctica/clínica más allá de la significancia estadística
Contextualización de los hallazgos en términos de la pregunta de investigación
Identifica posibles interpretaciones erróneas comunes para estos resultados y cómo evitarlas
Sugiere visualizaciones efectivas para comunicar estos resultados a la audiencia objetivo
Proporciona formulaciones específicas para reportar estos resultados siguiendo las convenciones de tu campo, incluyendo:
Texto para la sección de resultados
Elementos para incluir en tablas
Pies de figura para visualizaciones recomendadas
Sugiere análisis adicionales que podrían complementar o clarificar estos resultados
Soy un experto en interpretación estadística. He realizado los siguientes análisis y necesito ayuda para interpretar correctamente los resultados:
Tipo de análisis realizado: Regresión logística multivariable para predecir la probabilidad de readmisión hospitalaria dentro de 30 días post-alta
Resultados clave:
Edad: OR = 1.03, 95% CI [1.01, 1.05], P = 0.008
Sexo (ref.: femenino): OR = 1.28, 95% CI [0.95, 1.72], P = 0.102
Duración de estancia hospitalaria: OR = 1.12, 95% CI [1.07, 1.17], P < 0.001
Comorbilidad (índice de Charlson): OR = 1.35, 95% CI [1.22, 1.49], P < 0.001
Polifarmacia (>5 medicamentos): OR = 1.87, 95% CI [1.42, 2.46], P < 0.001
Visita de seguimiento dentro de 7 días (ref.: no): OR = 0.68, 95% CI [0.51, 0.91], P = 0.009
Modelo completo: AUC = 0.76, Test de Hosmer-Lemeshow P = 0.42
Contexto de investigación: Estudio en un hospital urbano de tercer nivel evaluando factores de riesgo para readmisión en pacientes adultos con condiciones médicas generales, con objetivo de desarrollar un protocolo de intervención para pacientes de alto riesgo
Audiencia objetivo para la interpretación: Presentación al comité hospitalario de calidad y seguridad, compuesto por médicos, enfermeras y administradores
Por favor:
Proporciona una interpretación completa y precisa de estos resultados, incluyendo:
Explicación en lenguaje claro del significado estadístico
Interpretación de la magnitud y dirección de los efectos encontrados
Evaluación de la significancia práctica/clínica más allá de la significancia estadística
Contextualización de los hallazgos en términos de la pregunta de investigación
Identifica posibles interpretaciones erróneas comunes para estos resultados y cómo evitarlas
Sugiere visualizaciones efectivas para comunicar estos resultados a la audiencia objetivo
Proporciona formulaciones específicas para reportar estos resultados siguiendo las convenciones de tu campo, incluyendo:
Texto para la sección de resultados
Elementos para incluir en tablas
Pies de figura para visualizaciones recomendadas
Sugiere análisis adicionales que podrían complementar o clarificar estos resultados
Soy un experto en visualización de datos cuantitativos. Necesito crear visualizaciones efectivas para los siguientes datos y hallazgos:
Tipo de datos: [describe las variables a visualizar, incluyendo su naturaleza y escala]
Hallazgos principales: [describe los patrones, relaciones o comparaciones que quieres destacar]
Propósito de la visualización: [explica si es para exploración, presentación, publicación, etc.]
Audiencia-objetivo: [describe quién verá estas visualizaciones y su nivel de familiaridad con el tema]
Restricciones técnicas: [menciona cualquier limitación de software, formato requerido, etc.]
Por favor:
Recomienda 3–4 tipos de visualizaciones apropiadas para estos datos y propósito, incluyendo:
Justificación de por qué cada tipo es adecuado
Variaciones específicas para optimizar la comunicación de los hallazgos clave
Elementos a incluir (títulos, leyendas, anotaciones, etc.)
Consideraciones de accesibilidad (daltonismo, etc.)
Para la visualización más recomendada, proporciona:
Guía detallada de implementación
Recomendaciones específicas de color, tipografía y diseño
Sugerencias para destacar los hallazgos más importantes
Código en [R/Python/otro] para crearla
Sugiere mejoras para evitar problemas comunes como:
Distorsión de datos o representación engañosa
Sobrecarga visual o complejidad innecesaria
Elecciones de color o escala inapropiadas
Falta de contexto necesario
Proporciona recomendaciones para presentar múltiples visualizaciones de manera coherente si es necesario
Soy un experto en visualización de datos cuantitativos. Necesito crear visualizaciones efectivas para los siguientes datos y hallazgos:
Tipo de datos: Resultados de rendimiento académico (variable continua: puntuaciones 0-100) comparando tres métodos de enseñanza (variable categórica) a lo largo de cuatro evaluaciones trimestrales (variable temporal), con datos demográficos adicionales de estudiantes (género, nivel socioeconómico, escuela previa)
Hallazgos principales: El método de enseñanza C muestra una ventaja significativa sobre los métodos A y B en el tercer y cuarto trimestre, pero no en los primeros dos; esta ventaja es más pronunciada en estudiantes de nivel socioeconómico bajo; existe una interacción significativa entre método de enseñanza y escuela previa
Propósito de la visualización: Presentación en conferencia educativa y posterior inclusión en artículo académico
Audiencia-objetivo: Investigadores educativos y administradores escolares con conocimiento básico de estadística pero sin experticia técnica avanzada
Restricciones técnicas: Necesito crear visualizaciones en Python que funcionen tanto en presentaciones PowerPoint como en documentos PDF, preferiblemente en color, pero que mantengan claridad en escala de grises
Por favor:
Recomienda 3–4 tipos de visualizaciones apropiadas para estos datos y propósito, incluyendo:
Justificación de por qué cada tipo es adecuado
Variaciones específicas para optimizar la comunicación de los hallazgos clave
Elementos a incluir (títulos, leyendas, anotaciones, etc.)
Consideraciones de accesibilidad (daltonismo, etc.)
Para la visualización más recomendada, proporciona:
Guía detallada de implementación
Recomendaciones específicas de color, tipografía y diseño
Sugerencias para destacar los hallazgos más importantes
Código en Python para crearla
Sugiere mejoras para evitar problemas comunes como:
Distorsión de datos o representación engañosa
Sobrecarga visual o complejidad innecesaria
Elecciones de color o escala inapropiadas
Falta de contexto necesario
Proporciona recomendaciones para presentar múltiples visualizaciones de manera coherente si es necesario
Soy un metodólogo estadístico experto. Necesito verificar si mis datos cumplen con los supuestos necesarios para el siguiente análisis:
Análisis planificado: [especifica la prueba o modelo estadístico que planeas utilizar]
Descripción de los datos: [describe las variables relevantes, tamaño muestral, y características conocidas]
Resultados preliminares: [incluye cualquier estadística descriptiva, pruebas de normalidad, etc. que ya hayas realizado]
Por favor:
Enumera todos los supuestos estadísticos que deben cumplirse para este análisis, explicando:
Por qué cada supuesto es importante para este análisis específico
Consecuencias potenciales de la violación de cada supuesto
Grado de robustez del análisis frente a violaciones moderadas
Para cada supuesto, proporciona:
Métodos específicos (visuales y numéricos) para evaluarlo
Código en [R/Python/SPSS] para implementar estas verificaciones
Criterios claros para determinar si el supuesto se cumple adecuadamente
Si se detectan violaciones de supuestos, sugiere:
Transformaciones de datos o técnicas de ajustes apropiadas
Análisis alternativos que requieran supuestos menos estrictos
Métodos robustos o no paramétricos equivalentes
Estrategias para reportar y discutir transparentemente las violaciones
Proporciona un marco para documentar sistemáticamente la verificación de supuestos en la sección de métodos
Soy un metodólogo estadístico experto. Necesito verificar si mis datos cumplen con los supuestos necesarios para el siguiente análisis:
Análisis planificado: ANCOVA de dos factores con una covariable continua
Descripción de los datos: Variable dependiente: puntuaciones de ansiedad postratamiento (escala continua 0-100); Factores: tipo de terapia (3 niveles: cognitivo-conductual, mindfulness, control) y nivel de severidad inicial (2 niveles: moderado, severo); Covariable: puntuaciones de ansiedad pretratamiento; Muestra total de 126 participantes distribuidos aproximadamente equitativamente entre condiciones
Resultados preliminares: Estadísticas descriptivas muestran medias de ansiedad postratamiento de 42.3 (DE=15.2) para terapia cognitivo-conductual, 45.7 (DE=16.8) para mindfulness, y 58.9 (DE=14.3) para control; prueba Shapiro-Wilk para normalidad en la variable dependiente muestra P=0.08
Por favor:
Enumera todos los supuestos estadísticos que deben cumplirse para este análisis, explicando:
Por qué cada supuesto es importante para este análisis específico
Consecuencias potenciales de la violación de cada supuesto
Grado de robustez del análisis frente a violaciones moderadas
Para cada supuesto, proporciona:
Métodos específicos (visuales y numéricos) para evaluarlo
Código en Python para implementar estas verificaciones
Criterios claros para determinar si el supuesto se cumple adecuadamente
Si se detectan violaciones de supuestos, sugiere:
Transformaciones de datos o técnicas de ajustes apropiadas
Análisis alternativos que requieran supuestos menos estrictos
Métodos robustos o no paramétricos equivalentes
Estrategias para reportar y discutir transparentemente las violaciones
Proporciona un marco para documentar sistemáticamente la verificación de supuestos en la sección de métodos
Soy un experto en análisis de potencia estadística y tamaño del efecto. Estoy trabajando con el siguiente análisis:
Tipo de estudio: [describe si es experimental, observacional, etc.]
Análisis estadístico: [especifica la prueba o modelo utilizado]
Tamaño muestral: [indica el número de participantes/observaciones]
Resultados principales: [proporciona los resultados clave, incluyendo valores P si están disponibles]
Contexto de investigación: [describe brevemente el campo y la importancia práctica de los efectos]
Por favor:
Calcula e interpreta medidas apropiadas de tamaño del efecto para estos resultados:
Identifica las medidas más adecuadas para este análisis específico
Calcula los valores (si es posible con la información proporcionada)
Interpreta la magnitud en el contexto de mi campo de investigación
Compara con puntos de referencia establecidos y estudios previos similares
Efectúa un análisis de potencia post-hoc:
Calcula la potencia alcanzada dado el tamaño muestral y efecto observado
Interpreta las implicaciones para la confiabilidad de los resultados
Discute el riesgo de errores tipo II para efectos no significativos
Proporciona un análisis de potencia a priori para investigación futura:
Tamaños muestrales recomendados para detectar efectos pequeños, medianos y grandes
Consideraciones sobre el balance entre factibilidad y poder estadístico
Estrategias para aumentar la potencia además de incrementar el tamaño muestral
Sugiere cómo reportar adecuadamente el tamaño del efecto y análisis de potencia siguiendo las mejores prácticas actuales
Proporciona código en [R/Python/G*Power] para reproducir estos cálculos
Soy un experto en análisis de potencia estadística y tamaño del efecto. Estoy trabajando con el siguiente análisis:
Tipo de estudio: Ensayo controlado aleatorizado comparando una intervención nutricional con placebo
Análisis estadístico: Prueba t para muestras independientes comparando el cambio en niveles de colesterol LDL entre grupos
Tamaño muestral: 64 participantes (32 por grupo)
Resultados principales: Diferencia media en reducción de LDL = 15.3 mg/dL (DE=22.7), t(62)=2.68, P=0.009
Contexto de investigación: Investigación clínica en medicina preventiva, donde reducciones de LDL de 10–20 mg/dL se consideran clínicamente relevantes para reducción de riesgo cardiovascular
Por favor:
Calcula e interpreta medidas apropiadas de tamaño del efecto para estos resultados:
Identifica las medidas más adecuadas para este análisis específico
Calcula los valores (si es posible con la información proporcionada)
Interpreta la magnitud en el contexto de mi campo de investigación
Compara con puntos de referencia establecidos y estudios previos similares
Efectúa un análisis de potencia post-hoc:
Calcula la potencia alcanzada dado el tamaño muestral y efecto observado
Interpreta las implicaciones para la confiabilidad de los resultados
Discute el riesgo de errores Tipo II para efectos no significativos
Proporciona un análisis de potencia a priori para investigación futura:
Tamaños muestrales recomendados para detectar efectos pequeños, medianos y grandes
Consideraciones sobre el balance entre factibilidad y poder estadístico
Estrategias para aumentar la potencia además de incrementar el tamaño muestral
Sugiere cómo reportar adecuadamente el tamaño del efecto y análisis de potencia siguiendo las mejores prácticas actuales
Proporciona el código en Python para reproducir estos cálculos
Soy un experto en comunicación científica especializado en reportar resultados cuantitativos. Necesito redactar una sección de resultados para:
Tipo de documento: [artículo científico, tesis, informe, etc.]
Análisis realizados: [enumera los análisis estadísticos que has realizado]
Resultados principales: [proporciona los resultados clave de cada análisis]
Tablas/figuras disponibles: [describe brevemente las tablas o figuras que ya tienes]
Estilo de publicación: [APA, Vancouver, Chicago, etc.]
Audiencia objetivo: [describe brevemente quién leerá este documento]
Por favor:
Redacta una sección de resultados completa y bien estructurada que:
Presente los hallazgos en una secuencia lógica alineada con los objetivos/hipótesis
Describa los resultados con precisión técnica pero claridad conceptual
Integre referencias apropiadas a tablas y figuras
Destaque los hallazgos más importantes sin interpretarlos excesivamente
Siga las convenciones de estilo y formato especificadas
Incluye:
Párrafo introductorio que oriente al lector sobre la estructura de la sección
Subsecciones organizadas lógicamente (si es apropiado)
Transiciones efectivas entre resultados relacionados
Reportes estadísticos completos siguiendo las convenciones de tu campo
Párrafo final que sintetice los hallazgos clave sin introducir discusión
Proporciona notas adicionales sobre:
Sugerencias para mejorar la presentación de tablas/figuras
Resultados adicionales que podrían ser relevantes reportar
Elementos que deberían reservarse para la sección de discusión
Soy un experto en comunicación científica especializado en reportar resultados cuantitativos. Necesito redactar una sección de resultados para:
Tipo de documento: Artículo científico para revista de psicología educativa
Análisis realizados: ANOVA factorial 2x3 (género x método de enseñanza) con medidas de rendimiento académico, seguido de comparaciones post-hoc; análisis de mediación examinando si la motivación media la relación entre método de enseñanza y rendimiento; análisis de regresión jerárquica controlando por variables sociodemográficas
Resultados principales: Efecto principal significativo de método de enseñanza (F(2,214)=8.42, P<0.001, η²p=0.073); no efecto principal de género (F(1,214)=1.86, P=0.174); interacción significativa género x método (F(2,214)=3.75, P=0.025, η²p=0.034); comparaciones post-hoc muestran superioridad del método colaborativo sobre tradicional (P<0.001) y mixto (P=0.038); análisis de mediación confirma rol mediador de motivación intrínseca (efecto indirecto: β=0.18, 95% CI [0.09, 0.28]); regresión muestra que método de enseñanza sigue siendo predictor significativo después de controlar variables sociodemográficas (ΔR²=0.062, P<0.001)
Tablas/figuras disponibles: Tabla 1 con estadísticas descriptivas por grupo; Figura 1 mostrando medias por condición; Figura 2 ilustrando el modelo de mediación con coeficientes; Tabla 2 con resultados completos de regresión jerárquica
Estilo de publicación: APA 7ª edición
Audiencia objetivo: Investigadores en psicología educativa y profesionales de educación con conocimientos básicos de estadística
Por favor:
Redacta una sección de resultados completa y bien estructurada que:
Presente los hallazgos en una secuencia lógica alineada con los objetivos/hipótesis
Describa los resultados con precisión técnica pero claridad conceptual
Integre referencias apropiadas a tablas y figuras
Destaque los hallazgos más importantes sin interpretarlos excesivamente
Siga las convenciones de estilo y formato especificadas
Incluye:
Párrafo introductorio que oriente al lector sobre la estructura de la sección
Subsecciones organizadas lógicamente (si es apropiado)
Transiciones efectivas entre resultados relacionados
Reportes estadísticos completos siguiendo las convenciones de tu campo
Párrafo final que sintetice los hallazgos clave sin introducir discusión
Proporciona notas adicionales sobre:
Sugerencias para mejorar la presentación de tablas/figuras
Resultados adicionales que podrían ser relevantes reportar
Elementos que deberían reservarse para la sección de discusión
Soy un experto en modelado estadístico. He desarrollado varios modelos para analizar mis datos y necesito compararlos sistemáticamente para seleccionar el más apropiado:
Objetivo analítico: [describe claramente qué intentas predecir/explicar]
Datos: [describe brevemente el conjunto de datos: tamaño, estructura, variables clave]
Modelos desarrollados: [enumera los diferentes modelos que has creado, con sus especificaciones básicas]
Resultados preliminares: [proporciona métricas de ajuste/rendimiento para cada modelo si las tienes]
Criterios de selección importantes: [menciona aspectos particularmente relevantes: interpretabilidad, precisión predictiva, parsimonia, etc.]
Por favor:
Proporciona un marco sistemático para comparar estos modelos, incluyendo:
Métricas apropiadas de ajuste/rendimiento según el tipo de modelos
Métodos para evaluar la generalización (validación cruzada, etc.)
Pruebas formales de comparación cuando sea aplicable
Evaluación de supuestos y diagnósticos para cada modelo
Analiza las ventajas y desventajas de cada modelo considerando:
Balance entre complejidad y ajuste (parsimonia)
Interpretabilidad de parámetros y resultados
Robustez frente a violaciones de supuestos
Capacidad para manejar características específicas de los datos
Recomienda el modelo más apropiado con justificación detallada
Sugiere posibles mejoras o refinamientos para el modelo seleccionado
Proporciona código en [R/Python/otro] para implementar estas comparaciones
Soy un experto en modelado estadístico. He desarrollado varios modelos para analizar mis datos y necesito compararlos sistemáticamente para seleccionar el más apropiado:
- Objetivo analítico: Predecir el riesgo de abandono universitario durante el primer año basado en características preingreso y desempeño del primer semestre
- Datos: Conjunto de datos de 3,500 estudiantes universitarios con 22 variables predictoras (demográficas, académicas previas, financieras, encuestas de adaptación del primer semestre) y variable dependiente binaria (abandono/persistencia)
- Modelos desarrollados:
1. Regresión logística con todas las variables
2. Regresión logística con selección stepwise
3. Random Forest
4. Gradient Boosting Machine
5. Red neuronal (feedforward con 1 capa oculta)
- Resultados preliminares: Accuracy en validación cruzada 5-fold: Modelo 1: 0.72, Modelo 2: 0.74, Modelo 3: 0.78, Modelo 4: 0.79, Modelo 5: 0.77
- Criterios de selección importantes: Necesitamos balance entre precisión predictiva e interpretabilidad, ya que los resultados se utilizarán para diseñar intervenciones específicas; también es importante la capacidad para identificar correctamente estudiantes de alto riesgo (sensibilidad)
Por favor:
1. Proporciona un marco sistemático para comparar estos modelos, incluyendo:
- Métricas apropiadas de ajuste/rendimiento según el tipo de modelos
- Métodos para evaluar la generalización (validación cruzada, etc.)
- Pruebas formales de comparación cuando sea aplicable
- Evaluación de supuestos y diagnósticos para cada modelo
2. Analiza las ventajas y desventajas de cada modelo considerando:
- Balance entre complejidad y ajuste (parsimonia)
- Interpretabilidad de parámetros y resultados
- Robustez frente a violaciones de supuestos
- Capacidad para manejar características específicas de los datos
3. Recomienda el modelo más apropiado con justificación detallada
4. Sugiere posibles mejoras o refinamientos para el modelo seleccionado
5. Proporciona código en Python para implementar estas comparaciones
Soy un revisor metodológico crítico pero constructivo. He realizado el siguiente análisis cuantitativo y necesito identificar sus limitaciones para abordarlas adecuadamente:
Pregunta de investigación: [describe tu pregunta o hipótesis principal]
Diseño del estudio: [describe brevemente el diseño: experimental, observacional, etc.]
Datos y muestra: [describe características relevantes: tamaño, método de selección, representatividad]
Análisis realizado: [detalla los métodos analíticos utilizados]
Resultados principales: [resume brevemente los hallazgos clave]
Conclusiones preliminares: [indica qué conclusiones has extraído inicialmente]
Por favor:
Identifica sistemáticamente las limitaciones metodológicas y analíticas, incluyendo:
Amenazas a la validez interna
Amenazas a la validez externa/generalizabilidad
Limitaciones relacionadas con la medición y operacionalización
Problemas potenciales con el análisis estadístico
Limitaciones inherentes al diseño que no pueden ser completamente remediadas
Para cada limitación identificada:
Explica su impacto potencial en los resultados y conclusiones
Evalúa su severidad en el contexto de la pregunta de investigación
Sugiere estrategias concretas para mitigarla o abordarla
Proporciona lenguaje específico para reconocerla transparentemente
Sugiere análisis adicionales o de sensibilidad que podrían fortalecer las conclusiones
Proporciona recomendaciones para mejorar estudios futuros sobre este tema
Sugiere cómo estructurar una sección de limitaciones que sea honesta, pero no socave innecesariamente la contribución del estudio
Soy un revisor metodológico crítico pero constructivo. He realizado el siguiente análisis cuantitativo y necesito identificar sus limitaciones para abordarlas adecuadamente:
Pregunta de investigación: ¿Está asociado el uso de redes sociales con síntomas depresivos en adolescentes, y esta relación está moderada por el apoyo social percibido?
Diseño del estudio: Estudio transversal con encuesta online a estudiantes de secundaria de 5 escuelas urbanas
Datos y muestra: 423 adolescentes (14–18 años) reclutados mediante muestreo por conveniencia; 62 % mujeres; predominantemente de nivel socioeconómico medio-alto; tasa de respuesta del 48 % de invitados
Análisis realizado: Regresión lineal múltiple con síntomas depresivos como variable dependiente, tiempo diario en redes sociales como predictor principal, apoyo social como moderador, y controlando por edad, género y nivel socioeconómico
Resultados principales: Asociación positiva significativa entre tiempo en redes sociales y síntomas depresivos (β=0.24, P<0.01); interacción significativa con apoyo social (β=-0.18, P<0.05) indicando efecto amortiguador; modelo explica 18 % de varianza
Conclusiones preliminares: El uso intensivo de redes sociales está asociado con mayor sintomatología depresiva en adolescentes, pero el apoyo social alto puede mitigar esta relación, sugiriendo la importancia de promover conexiones sociales de calidad como factor protector
Por favor:
Identifica sistemáticamente las limitaciones metodológicas y analíticas, incluyendo:
Amenazas a la validez interna
Amenazas a la validez externa/generalizabilidad
Limitaciones relacionadas con la medición y operacionalización
Problemas potenciales con el análisis estadístico
Limitaciones inherentes al diseño que no pueden ser completamente remediadas
Para cada limitación identificada:
Explica su impacto potencial en los resultados y conclusiones
Evalúa su severidad en el contexto de la pregunta de investigación
Sugiere estrategias concretas para mitigarla o abordarla
Proporciona lenguaje específico para reconocerla transparentemente
Sugiere análisis adicionales o de sensibilidad que podrían fortalecer las conclusiones
Proporciona recomendaciones para mejorar estudios futuros sobre este tema
Sugiere cómo estructurar una sección de limitaciones que sea honesta pero no socave innecesariamente la contribución del estudio
