9.4 Descripción de la muestra

En palabras de Levin (1988:11) la muestra es una colección de algunos de los elementos que componen una población. Por su parte, Sierra (1994:174) comenta que una muestra es en general, una parte representativa de un conjunto, población o universo, cuyas características deben reproducirse en pequeño lo más exactamente posibles.

De modo científico, se definen las muestras como una parte de un conjunto o población debidamente elegida, que se somete a observación científica en representación del conjunto, con el propósito de obtener resultados válidos, también para el universo total investigado (Sierra, 1994).

Dado que la recolección de información se llevó a cabo al principio de la administración pública panista de Marcelo De los Santos Fraga (2003-2009) el autor verificó primero el número de puestos de AD existentes al concluir la administración inmediata anterior, la administración pública de Fernando Silva Nieto (1997-2003). Los datos arrojaron la existencia de 230 puestos de AD dentro de esta última administración priista, cuyos pormenores se indicaron en la parte introductora del documento.

Con estos antecedentes, se determinó incluir la revisión de un número similar de casos, por lo que se consideró que la información de los 200 expedientes ya citados, era suficiente para el análisis cuantitativo.

9.5 Análisis estadístico

Para complementar los resultados obtenidos en el estudio cualitativo se aplicaron las siguientes técnicas estadísticas: análisis de correlación, análisis de regresión y análisis factorial.

9.5.1 Análisis de correlación

En palabras de Conover (1980) la medida de asociación lineal más utilizada en la estadística paramétrica es el coeficiente de correlación de Pearson. Para determinar este coeficiente es necesario que los datos se midan en al menos la escala de intervalo. Por tal razón, expone Conover que cuando los datos se miden en escalas débiles (escala ordinal) las alternativas son los coeficientes de correlación de Spearman y de Kendall.

En esta investigación se utilizó el coeficiente de correlación de Spearman. En 1904, Spearman presentó un coeficiente de correlación que, en lugar de utilizar los valores de las variables, utiliza los rangos asociados a estos valores (Conover, 1980). Este coeficiente se conoce como el coeficiente de correlación de Spearman, es útil para detectar asociación lineal y para desarrollar las pruebas de hipótesis cuando la escala de medición de las observaciones y es al menos ordinal. Por tanto, el coeficiente de correlación Spearman se define de igual manera que el de Pearson, sólo que en éste se utilizan los rangos asignados:

9.5.2 Análisis de regresión

El análisis de regresión tiene como objetivo modelar en forma matemática el comportamiento de una variable respuesta en función de una o más variables independientes (indicadores) (Gutiérrez y De la Vara, 2003). El análisis de regresión se utiliza para explicar la relación entre variables.

Para ello son necesarios los datos, los que se obtienen de experimentos planeados, de observaciones de fenómenos no controlados o de registros históricos (Gutiérrez y De la Vara, 2003:416) como en esta investigación. En este trabajo se aplicó esta técnica estadística con la finalidad de verificar la relación existente entre las subvariables de la variable racionalidad administrativa con la variable del reposicionamiento gubernamental y a su vez, de la racionalidad política con la misma variable de reposicionamiento gubernamental.

Se encontró la dependencia entre las subvariables de las variables racionalidad administrativa y el reposicionamiento gubernamental y entre las subvariables de racionalidad política y el reposicionamiento gubernamental.

9.5.3 Análisis factorial

Dado el alto número de variables inicialmente propuestas y suponiendo numerosas relaciones estadísticamente significativas entre ellas, es importante reducir el número de variables planteadas con una pérdida mínima de la información aportada por todas ellas (Bisquerra, 1989; Ferran, 1997; ambos citados por Sáinz, 2002).

Según exponen Bisquerra y Ferran, la técnica estadística apropiada para lograrlo es el análisis factorial de componentes principales, un método descriptivo de interdependencia con el que se mejora la parsimonia de las variables, reduciendo el número de variables contempladas sin disminuir sensiblemente su nivel de significación (Sainz, 2002).

Se trata de renunciar a parte de la información, resumiéndola en un nuevo y menor conjunto de variables denominadas factores, que se obtuvieron como combinación lineal de un grupo de variables originales muy relacionadas entre sí y, a su vez, poco relacionadas con las variables vinculadas a otros grupos. Estos factores identifican las estructuras latentes subyacentes en la información disponible, que no son observables de forma directa sino que se infieren de esas variables originales (Bisquerra, 1989; Ferran, 1997; ambos citados por Sáinz, 2002).

Existen diferentes métodos de análisis factorial, pero el autor utilizó el de análisis de componentes principales, que es aplicable a variables cuantitativas o dicotómicas como son algunas consideradas en este caso. Esta técnica calcula primero el factor que explica la máxima varianza de todas las variables contempladas y seguidamente va calculando sucesivos factores en orden a su mayor capacidad de explicación de la varianza restante, siempre con la restricción de que los factores obtenidos no estén correlacionados entre sí.

El primer paso del proceso consiste en calcular la matriz de correlaciones entre todas las variables originales, para comprobar la adecuación del método de análisis factorial, que exige que las variables estén altamente correlacionadas puesto que, en otro caso, la simplificación buscada implicaría una pérdida importante de información. El siguiente paso consiste en obtener los factores representativos de los datos tratando de conseguir por un lado, que cada variable original no tenga una importante presencia, llamada carga factorial, en la explicación de más de un factor y que dos factores diferentes tengan distribuciones distintas de cargas factoriales de las variables originales (Bello, Vázquez y Traspalacios, 1996; citados por Sáinz, 2002).

En este estudio, tanto para la variable de racionalidad administrativa como para la de racionalidad política se careció del número suficiente de observaciones (ya que al menos un dato faltó para cada uno de los casos en todas las variables) que le permitieran al autor la aplicación de esta técnica estadística.

Conclusiones

Este capítulo se ocupó básicamente de describir el esquema de caracterización de los rasgos de tipo administrativo y político de los AD reposicionados en OP de San Luis Potosí.

Se hace una presentación del constructo elaborado por el autor para la caracterización del tema que muestra de manera esquemática las variables consideradas en el estudio: variable racionalidad administrativa, variable racionalidad política y variable reposicionamiento gubernamental.

Las variables racionalidad administrativa y política se consideran independientes y la variable reposicionamiento gubernamental dependiente.

En el constructo también se muestran las diferentes subvariables utilizadas en el estudio para medir cada una de las variables antes señaladas. Además de lo anterior también se indican las hipótesis nulas y alternativas establecidas en la investigación.

El capítulo también trata de la definición conceptual, tanto de las variables como de las subvariables utilizadas. Después se menciona la forma como se operacionalizaron las variables y subvariables, así como la respectiva escala de medición que se utilizó en cada caso.

En la parte final del capítulo se describe la población objeto de estudio, la muestra que se utilizó y las diferentes técnicas estadísticas empleadas para el procesamiento de los datos obtenidos en la revisión documental. En este caso, solamente se hace una descripción, ya que los resultados obtenidos se exponen ampliamente en el capítulo 10 de este documento.