Potenciar la utilidad de los métodos estadísticos
en algún lugar entre estos dos extremos, por lo que el patrón debe tener
forma de U invertida.
3) Simplemente probar la hipótesis ignora mucha información útil. La información numérica, como la ubicación del nivel óptimo (6 % para la
figura 1) o qué tanta diferencia hacen las desviaciones del nivel óptimo
son irrelevantes desde el punto de vista de la prueba de la hipótesis, lo
cual es una lástima, porque estas tienden a ser la información más interesante en la práctica. Podría suceder, por ejemplo, que en otros sectores el nivel óptimo de rotación de personal fuera mucho mayor. Este es
el tipo de detalles que probablemente sea de interés tanto para los teóricos como para los profesionales.
Estos tres puntos sugieren que, en lugar de poner a prueba una hipótesis bastante difusa y obvia, un objetivo más útil para un proyecto de
investigación de este tipo es medir, por ejemplo, el nivel óptimo de la rotación de personal, o evaluar la forma de la relación entre el rendimiento y la rotación de los empleados como se ilustra en la figura 1.
Problemas con la prueba de la hipótesis nula
Los tres argumentos anteriores se refieren a la idea de la prueba de
hipótesis en general. Como es convencional en la investigación en el
área de la administración, el enfoque particular utilizado por Glebbeek
y Bax (2004) para poner a prueba la hipótesis es el de crear una hipótesis
nula y luego estimar la probabilidad de que los datos, o de manera similar los datos extremos (en tanto que medidos por la prueba estadística),
podrían haber resultado de dicha hipótesis nula. Si este valor p es bajo,
concluimos entonces que los datos no son consistentes con la hipótesis
nula, por lo que debe ser falsa, y una hipótesis alterna debe ser verdadera.
Paradigmas, ene.-jun., 2014, Vol. 6, No. 1, 37-73
| 53