El análisis de datos con la ayuda del ordenador resulta en la actualidad imprescindible en todo proceso de investigación cuantitativa. Así, el tratamiento de los datos mediante técnicas estadísticas, y su representación gráfica, se ve auxiliado por el uso de paquetes informáticos-estadísticos. Concretamente, en este Tema 1 nos introduciremos en los programas SPSS (software comercial bajo licencia) y, opcionalmente, R (software libre). Desde el curso virtual de la asignatura se proporcionará la información necesaria para la descarga e instalación de dichos programas.

El muestreo estadístico es fundamental en cualquier labor de investigación. El trabajar con una parte de la población resulta eficaz en tiempo, y en esfuerzo material y humano. Este Tema 2 trata sobre la selección de muestras, desde dos puntos de vista: para la estimación de parámetros, y para la estimación de diferencia de parámetros en los contrastes de hipótesis de medias o proporciones.

Las Técnicas Multivariantes son fundamentales en la investigación en general, y en la investigación educativa en particular. La realidad con que se desenvuelve cualquier proceso educativo es multidimensional, tiene múltiples facetas y se necesita escudriñar, descubrir, describir y analizar como un todo; nunca con el estudio de cada componente por separado, sino con técnicas que nos informen del conjunto. Las dos técnicas multivariantes descriptivas que se presentan en el Tema 3 tratan de describir esa complejidad: el Análisis Factorial Exploratorio (AFE), y el Análisis de Clúster (también llamado Análisis de Conglomerados).

El Análisis Factorial Exploratorio (AFE) aborda la descripción de dicha complejidad, mediante la reducción de la dimensión de nuestra matriz de datos. Así, el AFE trata de explicar mediante un modelo lineal un conjunto amplio de variables observadas (n), según un número más reducido de factores hipotéticos no observados (f); de manera que f<n.

El Análisis de Clúster (o Análisis de Conglomerados) es una técnica descriptiva multivariante de clasificación, que habitualmente se aplica para agrupar a los sujetos (filas) de la matriz de datos en distintos conglomerados, en función de su similitud con respecto de las variables (columnas) seleccionadas de dicha matriz. De esta manera, el Análisis de Clúster pretende obtener la máxima homogeneidad posible de los sujetos dentro de cada uno de los conglomerados-grupos formados, a la vez que se mantiene la heterogeneidad entre cada uno de dichos conglomerados-grupos.

Ya introducidas las técnicas descriptivas multivariantes en el tema anterior, en el Tema 4 veremos las técnicas explicativas multivariantes. Estas técnicas reciben el nombre de "explicativas" porque todas ellas intentan explicar e interpretar una variable dependiente en función de otras independientes. En concreto, estudiaremos tres técnicas explicativas multivariantes: el Análisis de Regresión Múltiple, el Análisis Discriminante, y el Análisis de Segmentación.

El Análisis de Regresión es una de las técnicas más utilizadas en investigación educativa. Sus posibilidades son innumerables, tal y como lo demuestra el ingente número de publicaciones y estudios que utilizan esta técnica. Las aplicaciones del Análisis de Regresión se pueden agrupar en dos grandes apartados: explicación y predicción. Estos dos usos no son mutuamente excluyentes y existirán investigaciones donde se apliquen ambos. En el Análisis de Regresión Múltiple, se trata de explicar y/o predecir una variable dependiente continua a partir de otras variables independientes continuas, ordinales, o nominales transformadas en variables 'dummy'.

Por otro lado, el objetivo fundamental del Análisis Discriminante es obtener, a partir de las observaciones en un conjunto de variables para individuos pertenecientes a distintos grupos, unas funciones que permitan clasificar a cada individuo en uno de dichos grupos. Por lo tanto, el Análisis Discriminante es una técnica capaz de informarnos sobre qué variables permiten diferenciar a los grupos entre sí. Dicho de otra manera, el Análisis Discriminante intenta explicar una variable dependiente categórica (con tantas categorías como grupos), en función de un conjunto de variables independientes continuas (o variables discriminantes), en las que se supone difieren los distintos grupos.

Finalmente, el Análisis de Segmentación intenta explicar una variable dependiente categórica (o que ha sido 'categorizada'), en función de un conjunto de variables independientes también categóricas (o que han sido 'categorizadas'). Dentro de las técnicas de segmentación, concretamente estudiaremos el modelo CHAID ('Chi-squared Automatic Interaction Detector').

Este quinto y último tema no es de estudio obligatorio, y no será objeto de examen.