INTEGRACION- COMPLEXIVO

Entrevistas en profundidad

Estadística

Análisis de contenido

observación participante

Porque un solo método no simula con exactitud el acto de emitir el voto.

Porque un solo método no aporta profundidad a los datos.

Porque un solo método no permite controlar los fenómenos.

Porque a veces se requiere la combinación de diferentes enfoques para obtener resultados más completos.

En utilizar únicamente datos visuales para entender problemas en las ciencias.

En utilizar únicamente datos numéricos para entender problemas en las ciencias.

En utilizar únicamente datos verbales para entender problemas en las ciencias.

En utilizar evidencia de datos numéricos, verbales, textuales, visuales, simbólicos y de otras clases para entender problemas en las ciencias, mediante la integración y discusión conjunta de datos cuantitativos y cualitativos para lograr un mayor entendimiento del fenómeno bajo estudio.

Conjunto de procesos sistemáticos, críticos y empíricos que se aplican al estudio de un fenómeno o problema con el resultado (o el objetivo) de ampliar su conocimiento.

Método único y exclusivo de los científicos para la generación de conocimiento.

Conjunto de procesos arbitrarios y subjetivos que se aplican a los fenómenos sociales.

Proceso intuitivo y subjetivo que se utiliza para resolver problemas cotidianos.

Observación, establecimiento de principios, deducción y demostración lógica.

Observación, establecimiento de suposiciones, verificación y análisis estadístico.

Observación, establecimiento de suposiciones, demostración y propuesta de nuevas observaciones.

Observación, establecimiento de hipótesis, experimentación y verificación empírica.

Lógica o razonamiento hipotético-deductivo.

Lógica o razonamiento abductivo.

Lógica o razonamiento deductivo.

Lógica o razonamiento inductivo.

Porque la dicotomía entre las rutas cuantitativa y cualitativa ha quedado en el pasado.

Porque la investigación cualitativa aporta profundidad a los datos.

Porque la investigación cuantitativa ofrece la posibilidad de generalizar los resultados.

Porque las tres rutas esenciales son igualmente útiles.

Búsqueda de la mayor objetividad posible en todo el proceso o ruta.

Interpretación de datos históricos.

Enfoque en la observación y recopilación de datos cualitativos.

Análisis de datos subjetivos.

Una técnica de análisis de datos que se basa en la subjetividad del investigador.

Un método para la construcción de teorías y la interpretación de datos cualitativos.

Un enfoque para investigar los fenómenos mediante la observación y la recopilación de datos cualitativos.

Un proceso organizado de manera secuencial para comprobar suposiciones, en el que cada fase precede a la siguiente.

El análisis y recolección de datos se realizan por separado.

Sigue un proceso preestablecido.

Se enfoca en lo general para luego explorar lo particular.

Es dinámico y circular.

Evaluar la presencia de una tendencia en la serie de tiempo.

Estimar los coeficientes de una ecuación de modelo autorregresivo.

Determinar la estacionariedad de la serie de tiempo.

Analizar la heteroscedasticidad en los datos de la serie de tiempo.

Identificar la presencia de una tendencia en la serie de tiempo.

Determinar si la serie de tiempo es estacionaria.

Evaluar las fluctuaciones y patrones a corto plazo en la serie de tiempo.

Analizar si los valores de la serie están correlacionados con sus valores pasados.

Evaluar la correlación entre las variables dependientes.

Establecer hipótesis nulas y alternativas específicas.

Utilizar el método de regresión lineal.

Calcular el factor de inflación de la varianza (VIF) para cada variable independiente.

Estabilización de la varianza

Interpretación de cambios absolutos

Creación de relaciones no lineales

Aumento de la heterocedasticidad

Muestra una tendencia clara en su media y varianza.

Experimenta cambios aleatorios en su autocorrelación.

Los momentos estadísticos de la serie varían constantemente.

La ausencia de cambios sistemáticos en su media, varianza y autocorrelación a lo largo del tiempo.

Presencia de una tendencia en la serie de tiempo.

Relación entre los residuos estimados y las variables independientes.

Variabilidad no constante de la serie de tiempo.

Varianza constante de los errores en el modelo ajustado.

Estimar la varianza de los residuos estandarizados.

Detectar cambios en los parámetros de regresión a lo largo del tiempo.

Evaluar la estabilidad de los residuos del modelo.

Trazar la estadística de CUSUM a lo largo del tiempo.

Determinar el nivel de significancia predefinido para la prueba.

Medir la variabilidad de la variable dependiente.

Evaluar la presencia de variables explicativas adicionales en el modelo.

Detectar una relación no lineal o una especificación incorrecta en el modelo de regresión.

Identificar relaciones y comportamientos a largo plazo en la serie de tiempo.

Hacer que la serie de tiempo sea estacionaria.

Construir modelos basados en patrones de crecimiento a largo plazo.

Eliminar las fluctuaciones a corto plazo en la serie de tiempo.

Realizar pruebas de raíz unitaria en los datos.

Aplicar técnicas de pronóstico ARIMA.

Convertir un vector numérico en un objeto de clase "ts".

Generar gráficos y visualizaciones de series de tiempo.