Potenciar la utilidad de los métodos estadísticos
y Efron (1983), Simon (1992) y Wood (2005), y una explicación más detallada del procedimiento utilizado aquí en Wood (2012a).
Sin embargo, al contrario del intervalo de confianza en la tabla 2, el
indicar simplemente un nivel de confianza del 65 % para la hipótesis de
forma de U invertida proporciona poca indicación de cuán aguda es la
curva o cuál es el nivel óptimo de rotación de personal. La hipótesis no
distingue entre las líneas curvadas ligera o fuertemente.
Podemos hacerle frente a este problema en cierta medida al evaluar
un nivel de confianza para una hipótesis más fuerte. Por ejemplo, podríamos insistir en que para una forma de U invertida razonable, el gráfico tendría que decrecer al menos 10 000 unidades del lado izquierdo
(el nivel de confianza en este caso llega al 40 %). Sin embargo, el punto
de corte elegido es arbitrario porque las hipótesis como esta son inevitablemente nebulosas.
También deberíamos señalar que, en sentido estricto, un nivel de confianza para un intervalo o para una hipótesis no es lo mismo que para la
probabilidad de la verdad de la hipótesis o de que el verdadero valor del
parámetro se encuentre en un intervalo (Nickerson, 2000, pp. 278-280).
Al igual que con la prueba de hipótesis nula, los intervalos de confianza
están basados en las probabilidades de que los datos de la muestra proporcionen la verdad acerca de un parámetro. Para revertir estas probabilidades y encontrar la probabilidad de una hipótesis, dados los datos de
muestra, tenemos que utilizar el teorema de Bayes y tener en cuenta probabilidades anteriores. Sin embargo, para muchos parámetros, incluyendo la pendiente de una línea de regresión y la diferencia de dos medias,
el equivalente bayesiano de un intervalo de confianza —el intervalo de
credibilidad— es idéntico al intervalo de confianza convencional (Bayarri & Berger, 2004; Bolstad, 2004, pp. 214-215, 247), siempre que usemos
distribuciones de probabilidad a priori “planas” (es decir, asumimos una
distribución de probabilidad a priori uniforme) para el análisis bayesiano. Esto significa que a menudo es razonable interpretar los intervalos y
Paradigmas, ene.-jun., 2014, Vol. 6, No. 1, 37-73
| 59