Después de adquirir los datos de un experimento, pues buscamos causas y efectos, y los representamos con una gráfica, como la de la ilustración de este post. Pero hay que dar un paso más allá, hay que presentar un modelo matemático de esos datos. Es decir, hay que decir cual es la relación entre la variable experimental y la salida de ese cambio: es directamente proporcional, es oscilatorio, ¿cómo es esa relación?
Y ahí comienzan las interpretaciones, el gusto del investigador. Pero ahí es también donde deben de terminar.
Para cada ajuste presentado, también hay un número que nos dice que tan buena es esa relación, ese número es la correlación entre los datos y la curva ajustada. Cuando la correlación es perfecta el número es 1, cuando la correlación es totalmente equivocada el número es 0. Usualmente buscamos números de correlación alrededor de 0.9 para decir que estamos correctos. Pero no basta, pues este número puede llevarnos a conclusiones erróneas.
Por ello, esa curva única se debe de comparar. ¿Contra qué? Seguro se debe comparar frente a resultados previos de otros investigadores. Se debe comparar con la linea base del experimento (medidas de referencia y control). Tal vez, con una variación extra de otra. Lo que implica que en el mismo gráfico, al menos, tengamos, dos familias de datos y dos curvas de ajuste.
La idea es contar con todos los argumentos para defender nuestra idea ante el interlocutor escéptico: el réferi del articulo, tu sinodo, tu supervisor, o tu novia/novio científico que suele criticarte (pero dice que lo hace porque te ama (LOL)). El punto importante es que muestres comparaciones de tus conclusiones.
Así que debes dar toda la información, incluso la disonante. Tu actitud tiene que ser: "esta es toda la evidencia que tengo, te he mostrado todo". Pues el mayor obstáculo para la comprensión de la realidad y la verdad es la presentación sesgada de la evidencia.
No hay comentarios.:
Publicar un comentario