Browsing by Autor "Carlos Eduardo Valdivieso Taborga"

Now showing 1 - 6 of 6

Comparación de los modelos formativo, reflexivo y de antecedentes de evaluación estudiantil del servicio de docencia
(Pablo de Olavide University, 2016) Carlos Eduardo Valdivieso Taborga
Se ha llevado a cabo un análisis comparativo entre un modelo con enfoque de medición formativo, otro reflexivo y un tercero de antecedentes, de las dimensiones de la calidad de servicio de docencia. Previamente se diseñaron instrumentos válidos y fiables para la medición de la calidad de servicio y sus constructos relacionados, a través de un estudio exploratorio para obtener validez de contenido. Además, se llevaron a cabo un análisis factorial exploratorio (AFE) y otro confirmatorio (AFC), para obtener la estructura dimensional adecuada e ítems relevantes. Usando modelos de estructuras de covarianza (MEC) se comprobó que el modelo de antecedentes, aunque presenta igual poder predictivo, tiene mejores índices de ajuste que los modelos reflexivo y formativo.
DETERMINACIÓN DEL TAMAÑO MUESTRAL MEDIANTE EL USO DE ÁRBOLES DE DECISIÓN SAMPLE SIZE DETERMINATION USING DECISION TREES
(2011) Carlos Eduardo Valdivieso Taborga; Roberto Valdivieso Castellón; Oscar Álvaro Valdivieso Taborga
La determinación del tamaño muestral en una investigación es de vital importancia, tanto para caracterizar la distribución de la variable, como para fijar el grado de precisión del estudio. El propósito de este artículo es ofrecer ayuda en el cálculo del tamaño muestral cuando se efectúa un estudio de carácter cuantitativo (limitado al uso de un muestreo aleatorio simple, unietápico y fijo), en el cual se utilizan métodos estadísticos inferenciales como medios para el análisis, como ser la estimación estadística, las pruebas de hipótesis y el análisis de experimentos, que requieren de información precisa sobre las variables consideradas, y que es obtenida a partir de la muestra representativa de la respectiva población.El artículo presenta varias ecuaciones para la determinación del tamaño muestral, agrupadas en 6 figuras, usando la ayuda didáctica de los árboles de decisión, que facilitan su elección. Con el fin de ejemplificar la manera de utilizar los árboles de decisión para la elección de la ecuación adecuada en el cálculo del tamaño muestral, se muestra un ejemplo de investigación, que es desarrollado completamente, desde la concepción del problema hasta las conclusiones finales. Por otro lado, se exponen algunas bases teóricas y empíricas que ayuden a utilizar de la mejor manera posible las distintas ecuaciones que permiten el cálculo del tamaño muestral.
Efecto de los métodos de estimación en las modelaciones de estructuras de covarianzas sobre un modelo estructural de evaluación del servicio de clases
(Universidad Santo Tomás, 2013) Carlos Eduardo Valdivieso Taborga
<p>Se ha establecido que el mejor método de estimación de parámetros del modelo estructural de evaluación del servicio de clases investigado es el de mínimos cuadrados no ponderados (ULS), debido a los siguientes aspectos: 1) los métodos de máxima verosimilitud (ML) y de mínimos cuadrados generalizados (GLS) se han eliminado como adecuados porque los datos muestrales no han cumplido el supuesto de normalidad multivariante, 2) la muestra no es lo suficientemente grande (300), entonces el método de mínimos cuadrados ponderados (WLS) ha sido eliminado, 3) es el único método que presenta índices de bondad de ajuste del modelo adecuados, y 4) el modelo tiene un alto poder predictivo.</p><p>Utilizando el método ULS se ha establecido que la satisfacción estudiantil es un mediador poderoso entre la calidad de servicio de clases y el valor percibido, sobre las intenciones de comportamiento de postclase.</p>
Efecto de los métodos de estimación en las modelaciones de estructuras de covarianzas sobre un modelo estructural de evaluación del servicio de clases
(Universidad Santo Tomás, 2013) Carlos Eduardo Valdivieso Taborga
The purpose of this research was to perform a comparative analysis of methods for estimating parameters of MEC, in order to determine the most appropriate method, speciﬁcally using a structural model of class service evaluation. This model consists of the relationships between perceived service quality and perceived value classes on behavioral intentions of postclass, acting as a mediator variable student satisfaction. The methodology for establishing the most appropriate method is based on the limiting factors of the method considered (assumption of normality and sample size) and aspects of the superiority of the model (predictive power and goodness of ﬁt indices). It has been established that the best method for estimating parameters of an structural model for service class evaluation is theunweighted least squares (ULS), because: 1) it was found that the data did not meet the assumption of multivariate normality, 2) is the only method in which the model presents indices appropriate ﬁt, and 3) the model has high predictive power. In general it has been observed that there are percentage deviations from the values of the paths of the model using the various methods compared with the ULS ranging from -45% to 47%. Using the ULS method has been established that student satisfaction is a powerful mediator between service quality and perceived value classes on behavioral intentions of postclass. Using this method, it was established that student satisfaction is a powerful mediator between class service quality and perceived value on after-class behavioral intentions.
Using Decision Trees for the Teaching of Statistical Estimation
(2025) Carlos Eduardo Valdivieso Taborga
USO DE ÁRBOLES DE DECISIÓN PARA LA ESTIMACIÓN ESTADÍSTICA
(2010) Carlos Eduardo Valdivieso Taborga; Roberto Valdivieso Castellón; Oscar Álvaro Valdivieso Taborga
El artículo muestra el desarrollo de árboles de decisión para facilitar al investigador o profesional la elección del intervalo de confianza adecuado, a fin de estimar parámetros, como la media, proporción o varianza poblacionales o la diferencia de medias, proporciones o cociente de varianzas. Esta elección es compleja, ya que depende de muchos factores, entre los cuales están: el número de muestras comparadas, la normalidad de las poblaciones de las que provienen las muestras, el tamaño de las muestras, el conocimiento de las varianzas poblacionales, la dependencia de las muestras y la igualdad de las varianzas poblacionales.Se han configurado 4 árboles de decisión tomando en cuenta estos factores y otras consideraciones teóricas y empíricas: Un árbol general que ayuda a establecer el intervalo de confianza adecuado, otro para estimar la media poblacional, otro para estimar la diferencia de medias y el último para la proporción o diferencia de proporciones. Se exponen dos ejemplos para ilustrar su fácil aplicación y se dan conclusiones e implicaciones de su uso.