Black-box rule of the chapter
Regla de caja negra del capítulo
Assume that an ESS has declared dependence evidence as Required or eligible Conditional for an explicit X–Y, group–Y, or set-to-set relationship.
Asumir que un ESS declaró evidencia de dependencia como Requerida o Condicional elegible para una relación explícita X–Y, grupo–Y o conjunto–conjunto.
The chapter does not yet know the domain or implementation. Its task is to select a method capable of evaluating whether the observed joint structure is compatible with independence, while respecting variable type, sample size, dimensionality, sparsity, nonlinear form, and inference requirements.
El capítulo todavía no conoce el dominio ni la implementación. Su tarea es seleccionar un método capaz de evaluar si la estructura conjunta observada es compatible con independencia, respetando tipo de variable, tamaño muestral, dimensionalidad, escasez, forma no lineal y requisitos inferenciales.
Boundary: dependence means that knowing one variable changes the probabilistic description of another. It does not establish direction, mechanism, prediction quality, or causality.
Frontera: dependencia significa que conocer una variable cambia la descripción probabilística de otra. No establece dirección, mecanismo, calidad predictiva ni causalidad.
Chapter learning objectives
Objetivos de aprendizaje del capítulo
Define dependence evidence
Definir evidencia de dependencia
Separate independence testing from association-form measurement.
Separar prueba de independencia de medición de una forma asociativa.
Recognize eligible structures
Reconocer estructuras elegibles
Distinguish categorical, sparse, nonlinear, kernel, distance, and multivariate cases.
Distinguir casos categóricos, escasos, no lineales, kernel, de distancia y multivariados.
Interpret evidence responsibly
Interpretar evidencia responsablemente
Separate test significance, dependence magnitude, uncertainty, and practical relevance.
Separar significancia de prueba, magnitud de dependencia, incertidumbre y relevancia práctica.
Select conditionally
Seleccionar condicionalmente
Choose the best method for the specific ESS structure rather than a universal winner.
Elegir el mejor método para la estructura específica del ESS y no un ganador universal.
1. What does it mean to produce dependence evidence?
1. ¿Qué significa producir evidencia de dependencia?
Producing dependence evidence means evaluating whether the joint distribution of variables can be represented as the product of their marginal distributions, or whether knowledge of one changes the distributional uncertainty of the other.
Producir evidencia de dependencia significa evaluar si la distribución conjunta de las variables puede representarse como el producto de sus distribuciones marginales o si conocer una cambia la incertidumbre distributiva de la otra.
Independence questionPregunta de independenciaIs the observed joint structure compatible with independence?¿La estructura conjunta observada es compatible con independencia?
General formForma generalCan dependence be nonlinear, non-monotonic, or multivariate?¿La dependencia puede ser no lineal, no monótona o multivariada?
Conditional structureEstructura condicionalDoes dependence persist within relevant segments or conditions?¿La dependencia persiste dentro de segmentos o condiciones relevantes?
MagnitudeMagnitudHow far is the system from independence under the selected measure?¿Qué tan lejos está el sistema de la independencia bajo la medida seleccionada?
UncertaintyIncertidumbreCould the observed departure arise from finite-sample variation?¿La desviación observada podría surgir por variación muestral finita?
StabilityEstabilidadDoes the dependence survive resampling and reasonable preprocessing?¿La dependencia sobrevive remuestreo y preparación razonable?
2. Dependence versus association
2. Dependencia frente a asociación
| DimensionDimensión | AssociationAsociación | DependenceDependencia |
|---|---|---|
| Primary questionPregunta primaria | What specified joint pattern exists?¿Qué patrón conjunto especificado existe? | Is independence violated?¿Se viola la independencia? |
| FormForma | Often linear, monotonic, binary, or nominal.A menudo lineal, monótona, binaria o nominal. | Potentially arbitrary nonlinear, non-monotonic, and multivariate.Potencialmente arbitraria, no lineal, no monótona y multivariada. |
| DirectionDirección | Some measures provide positive or negative direction.Algunas medidas proporcionan dirección positiva o negativa. | General dependence measures are frequently non-directional.Las medidas generales de dependencia suelen ser no direccionales. |
| Zero resultResultado cero | May mean absence of the specified form only.Puede significar ausencia solamente de la forma especificada. | For some measures, zero corresponds to independence at population level.Para algunas medidas, cero corresponde a independencia a nivel poblacional. |
3. What does dependence evidence require?
3. ¿Qué requiere la evidencia de dependencia?
| RequirementRequisito | Why it mattersPor qué importa |
|---|---|
| Explicit independence hypothesisHipótesis explícita de independencia | The method must test or measure a clearly defined joint structure.El método debe probar o medir una estructura conjunta claramente definida. |
| Variable-type architectureArquitectura de tipos de variables | Categorical tables, continuous spaces, mixed data, and vectors require different methods.Tablas categóricas, espacios continuos, datos mixtos y vectores requieren métodos distintos. |
| Sample and sparsity supportSoporte muestral y escasez | Expected cell counts and high-dimensional structures strongly affect validity.Conteos esperados y estructuras de alta dimensión afectan fuertemente la validez. |
| Distance or kernel definitionDefinición de distancia o kernel | General dependence methods inherit meaning from their representation of similarity.Métodos generales de dependencia heredan significado de su representación de similitud. |
| Permutation or exact inference planPlan de inferencia exacta o por permutación | Classical asymptotic approximations may be unreliable in sparse or complex settings.Aproximaciones asintóticas clásicas pueden ser poco fiables en escenarios escasos o complejos. |
| Magnitude measureMedida de magnitud | Rejecting independence does not quantify practical dependence strength by itself.Rechazar independencia no cuantifica por sí mismo la fuerza práctica de dependencia. |
| Multiple-testing controlControl de pruebas múltiples | Large dependence screens can produce false discoveries without correction.Exploraciones masivas pueden producir falsos descubrimientos sin corrección. |
4. Method-selection map by dependence configuration
4. Mapa de selección por configuración de dependencia
| Evidence configurationConfiguración evidencial | Primary candidatesCandidatos principales |
|---|---|
| Categorical × categorical; adequate expected countsCategórica × categórica; conteos esperados adecuados | Chi-Square |
| Categorical × categorical; small or sparse tableCategórica × categórica; tabla pequeña o escasa | Fisher Exact |
| General uncertainty-sharing dependenceDependencia general por incertidumbre compartida | Mutual Dependence / information-based dependence |
| Complex nonlinear dependence with kernel representationDependencia no lineal compleja con representación kernel | HSIC |
| Continuous or vector-valued general dependenceDependencia general continua o vectorial | Distance Covariance |
| High-dimensional candidate screeningExploración de candidatos en alta dimensión | HSIC or Distance Covariance with permutation and correction |
Terminology note: the Word pattern names “Mutual Dependence.” In this chapter it is treated as the information-based family that measures shared uncertainty; Module III must specify the exact estimator before implementation.
Nota terminológica: el Word patrón denomina “Mutual Dependence”. En este capítulo se trata como la familia basada en información que mide incertidumbre compartida; el Módulo III debe especificar el estimador exacto antes de implementar.
5. Standard method card
5. Ficha estándar del método
Method Name Scientific Purpose Evidence Produced Best Evidence Configuration Data Requirements Supported Variable Types Strengths Weaknesses Assumptions Limitations Computational Cost Interpretability Robustness Critical Parameters Validation Metrics Acceptance Interpretation Failure Modes Complementary Methods Module III Selection Status
6. Chi-Square test of independence
6. Prueba Chi-Cuadrado de independencia
| Scientific purposePropósito científico | Evaluate whether two categorical variables are compatible with independence in a contingency table.Evaluar si dos variables categóricas son compatibles con independencia en una tabla de contingencia. |
| Evidence producedEvidencia producida | A discrepancy statistic comparing observed and expected counts under independence.Un estadístico de discrepancia que compara conteos observados y esperados bajo independencia. |
| Best configurationMejor configuración | Nominal or ordinal categorical variables with adequate expected cell counts.Variables categóricas nominales u ordinales con conteos esperados adecuados. |
| StrengthsFortalezas | General contingency-table applicability, familiar inference, and transparent residual decomposition.Aplicabilidad general a tablas de contingencia, inferencia familiar y descomposición transparente por residuos. |
| WeaknessesDebilidades | Significance grows with sample size and does not itself provide dependence magnitude or direction.La significancia crece con el tamaño muestral y no proporciona por sí sola magnitud ni dirección. |
| AssumptionsSupuestos | Independent observational units, mutually exclusive categories, and adequate expected counts for the asymptotic approximation.Unidades independientes, categorías mutuamente excluyentes y conteos esperados adecuados para aproximación asintótica. |
| RobustnessRobustez | Moderate when cell support is adequate; low in sparse high-dimensional tables.Moderada con soporte adecuado de celdas; baja en tablas escasas de alta dimensión. |
| Critical outputsSalidas críticas | χ² statistic, degrees of freedom, expected counts, residuals, uncertainty, effect-size companion. |
| Acceptance interpretationInterpretación de aceptación | A small p-value challenges independence, but practical strength must be evaluated separately.Un valor p pequeño cuestiona independencia, pero la fuerza práctica debe evaluarse por separado. |
| Failure modesModos de fallo | Sparse cells, duplicated units, excessive categories, hidden pairing, and treating significance as importance.Celdas escasas, unidades duplicadas, categorías excesivas, pareamiento oculto y tratar significancia como importancia. |
| Complementary methodsMétodos complementarios | Fisher Exact, Cramér’s V, standardized residual analysis. |
7. Fisher Exact test
7. Prueba Exacta de Fisher
| Scientific purposePropósito científico | Evaluate categorical independence using an exact conditional distribution, especially in small or sparse tables.Evaluar independencia categórica mediante una distribución condicional exacta, especialmente en tablas pequeñas o escasas. |
| Evidence producedEvidencia producida | Exact tail probability for the observed table under the independence null and fixed margins.Probabilidad exacta de cola para la tabla observada bajo independencia y márgenes fijos. |
| Best configurationMejor configuración | 2×2 tables and small or sparse contingency structures.Tablas 2×2 y estructuras de contingencia pequeñas o escasas. |
| StrengthsFortalezas | Avoids unreliable large-sample approximations and remains valid with low expected counts.Evita aproximaciones asintóticas poco fiables y permanece válida con conteos esperados bajos. |
| WeaknessesDebilidades | Can be computationally demanding for larger tables and may be conservative depending on formulation.Puede ser costosa para tablas mayores y conservadora según la formulación. |
| AssumptionsSupuestos | Independent units, meaningful contingency structure, and an exact-conditioning interpretation appropriate to the design.Unidades independientes, estructura de contingencia significativa e interpretación de condicionamiento exacto apropiada al diseño. |
| RobustnessRobustez | High for small categorical samples when the design matches its conditioning logic.Alta para muestras categóricas pequeñas cuando el diseño corresponde con su lógica de condicionamiento. |
| Critical outputsSalidas críticas | Exact p-value, table counts, odds-ratio companion when relevant, confidence interval. |
| Failure modesModos de fallo | Large table computation, unclear one-sided alternatives, matched data treated as independent, and reporting significance without effect size.Cómputo en tablas grandes, alternativas unilaterales poco claras, datos pareados tratados como independientes y reportar significancia sin tamaño de efecto. |
| Complementary methodsMétodos complementarios | Chi-Square, Phi, odds ratio, exact confidence intervals. |
8. Mutual Dependence — information-based family
8. Mutual Dependence — familia basada en información
| Scientific purposePropósito científico | Quantify how much uncertainty about one variable is reduced by knowledge of another.Cuantificar cuánto se reduce la incertidumbre sobre una variable al conocer otra. |
| Evidence producedEvidencia producida | A nonnegative information-based measure of shared structure; zero corresponds to independence at population level for mutual-information formulations.Una medida informacional no negativa de estructura compartida; cero corresponde a independencia poblacional en formulaciones de información mutua. |
| Best configurationMejor configuración | Categorical, continuous, or mixed relationships where general nonlinear dependence is relevant and a suitable estimator exists.Relaciones categóricas, continuas o mixtas donde importa dependencia no lineal general y existe un estimador adecuado. |
| StrengthsFortalezas | Broad sensitivity to dependence and natural connection to uncertainty reduction.Amplia sensibilidad a dependencia y conexión natural con reducción de incertidumbre. |
| WeaknessesDebilidades | Estimator choice, scaling, discretization, and bias strongly affect finite-sample results.Elección del estimador, escala, discretización y sesgo afectan fuertemente resultados finitos. |
| AssumptionsSupuestos | A defensible probability or density representation and sufficient sample support for the chosen estimator.Una representación probabilística o de densidad defendible y soporte muestral suficiente para el estimador elegido. |
| Computational costCosto computacional | Low to high depending on discrete counts, binning, nearest-neighbor, kernel, or model-based estimation.Bajo a alto según estimación por conteos discretos, bins, vecinos, kernel o modelos. |
| RobustnessRobustez | Conditional on estimator stability; resampling and sensitivity to representation are mandatory.Condicionada a estabilidad del estimador; remuestreo y sensibilidad a representación son obligatorios. |
| Critical outputsSalidas críticas | Estimator definition, information units, bias correction, uncertainty, permutation baseline. |
| Failure modesModos de fallo | Small samples, arbitrary discretization, dimensionality, estimator mismatch, and comparing non-normalized values across incompatible settings.Muestras pequeñas, discretización arbitraria, dimensionalidad, estimador incompatible y comparar valores no normalizados entre escenarios incompatibles. |
| Complementary methodsMétodos complementarios | HSIC, Distance Covariance, form-specific association methods. |
9. Hilbert-Schmidt Independence Criterion (HSIC)
9. Criterio de Independencia Hilbert-Schmidt (HSIC)
| Scientific purposePropósito científico | Detect general dependence by comparing embedded joint structure with the product of embedded marginals in reproducing-kernel spaces.Detectar dependencia general comparando la estructura conjunta embebida con el producto de marginales embebidas en espacios kernel. |
| Evidence producedEvidencia producida | A nonnegative kernel-based dependence statistic, commonly evaluated by permutation or asymptotic inference.Un estadístico no negativo de dependencia basado en kernel, comúnmente evaluado por permutación o inferencia asintótica. |
| Best configurationMejor configuración | Complex nonlinear relationships, structured objects, and multivariate inputs with meaningful kernels.Relaciones no lineales complejas, objetos estructurados y entradas multivariadas con kernels significativos. |
| StrengthsFortalezas | Broad dependence sensitivity and flexibility through kernel choice.Amplia sensibilidad a dependencia y flexibilidad mediante elección de kernel. |
| WeaknessesDebilidades | Kernel and bandwidth choices affect power and interpretation; the statistic has limited direct substantive meaning.Elección de kernel y ancho afecta potencia e interpretación; el estadístico tiene significado sustantivo directo limitado. |
| AssumptionsSupuestos | Independent units, appropriate characteristic kernels, and defensible scaling or preprocessing.Unidades independientes, kernels característicos apropiados y escalamiento o preparación defendible. |
| Computational costCosto computacional | Potentially high because standard kernel matrices scale quadratically with sample size.Potencialmente alto porque matrices kernel estándar escalan cuadráticamente con tamaño muestral. |
| RobustnessRobustez | Moderate to high when kernel choice, bandwidth, outliers, and resampling stability are validated.Moderada a alta cuando se validan kernel, ancho, valores extremos y estabilidad por remuestreo. |
| Critical outputsSalidas críticas | HSIC statistic, kernel definitions, bandwidths, permutation distribution, corrected significance. |
| Failure modesModos de fallo | Poor scaling, unsuitable kernels, bandwidth extremes, high computational burden, and multiple-testing inflation.Escalamiento deficiente, kernels inadecuados, anchos extremos, alta carga computacional e inflación por pruebas múltiples. |
| Complementary methodsMétodos complementarios | Distance Covariance, information-based dependence, kernel sensitivity analysis. |
10. Distance Covariance
10. Covarianza de Distancias
| Scientific purposePropósito científico | Measure general dependence between random vectors through centered pairwise distances.Medir dependencia general entre vectores aleatorios mediante distancias pareadas centradas. |
| Evidence producedEvidencia producida | A nonnegative distance-based quantity that is zero under independence at population level under standard conditions.Una cantidad no negativa basada en distancias que es cero bajo independencia poblacional en condiciones estándar. |
| Best configurationMejor configuración | Continuous scalar or vector-valued variables with potentially nonlinear dependence.Variables continuas escalares o vectoriales con dependencia potencialmente no lineal. |
| StrengthsFortalezas | General dependence detection, multivariate support, and direct connection to Distance Correlation.Detección general de dependencia, soporte multivariado y conexión directa con Correlación de Distancias. |
| WeaknessesDebilidades | No positive/negative direction, sensitivity to scaling and outliers, and higher computational cost.Sin dirección positiva/negativa, sensibilidad a escalamiento y valores extremos y mayor costo computacional. |
| AssumptionsSupuestos | Meaningful distance geometry, finite moment conditions for classical formulations, and independent observational units.Geometría de distancias significativa, condiciones de momentos finitos en formulaciones clásicas y unidades independientes. |
| Computational costCosto computacional | Moderate to high in standard pairwise-distance implementations.Moderado a alto en implementaciones estándar de distancias pareadas. |
| RobustnessRobustez | Moderate; requires scaling, outlier, dimensionality, and permutation diagnostics.Moderada; requiere diagnósticos de escala, valores extremos, dimensionalidad y permutación. |
| Critical outputsSalidas críticas | Distance covariance, normalized distance correlation, permutation uncertainty, scaling rule. |
| Failure modesModos de fallo | Incompatible units, extreme observations, noisy high dimensions, unsuitable distance, and interpreting non-directional dependence as signed association.Unidades incompatibles, observaciones extremas, alta dimensión ruidosa, distancia inadecuada e interpretar dependencia no direccional como asociación con signo. |
| Complementary methodsMétodos complementarios | HSIC, Pearson/Spearman diagnostics, information-based dependence. |
11. Conditional ranking of the top dependence methods
11. Ranking condicional de los principales métodos de dependencia
| Rank within configurationPosición dentro de la configuración | MethodMétodo | Best forMejor para | Main limitationLimitación principal | Robustness profilePerfil de robustez |
|---|---|---|---|---|
| 1A | Chi-Square | Categorical tables with adequate supportTablas categóricas con soporte adecuado | Sparse cells and sample-size sensitivityCeldas escasas y sensibilidad al tamaño | ★★★☆☆ |
| 1B | Fisher Exact | Small or sparse categorical tablesTablas categóricas pequeñas o escasas | Computation and conditional interpretationCómputo e interpretación condicional | ★★★★☆ |
| 1C | Mutual Dependence | General shared uncertaintyIncertidumbre compartida general | Estimator sensitivitySensibilidad al estimador | ★★★☆☆ |
| 1D | HSIC | Kernel-representable nonlinear dependenceDependencia no lineal representable por kernel | Kernel tuning and computational costAjuste de kernel y costo | ★★★★☆ |
| 1E | Distance Covariance | General continuous or vector dependenceDependencia general continua o vectorial | Scaling, outliers, no directionEscala, extremos y sin dirección | ★★★☆☆ |
Ranks 1A–1E identify the preferred method inside different dependence configurations. They do not define one universal hierarchy.
Las posiciones 1A–1E identifican el método preferido dentro de configuraciones diferentes. No definen una jerarquía universal.
12. Validation metrics and acceptance interpretation
12. Métricas de validación e interpretación de aceptación
| Validation dimensionDimensión de validación | Required evidenceEvidencia requerida |
|---|---|
| Independence challengeCuestionamiento de independencia | Exact, asymptotic, permutation, or bootstrap evidence appropriate to the selected method.Evidencia exacta, asintótica, por permutación o bootstrap apropiada al método. |
| Dependence magnitudeMagnitud de dependencia | A native or companion effect measure; a test statistic or p-value alone is insufficient.Una medida nativa o complementaria de efecto; estadístico o valor p solos son insuficientes. |
| Estimator stabilityEstabilidad del estimador | Sensitivity to kernels, distances, bandwidths, bins, scaling, and resampling.Sensibilidad a kernels, distancias, anchos, bins, escala y remuestreo. |
| Sample supportSoporte muestral | Expected counts, effective dimensionality, ties, rare states, and adequate permutation count.Conteos esperados, dimensionalidad efectiva, empates, estados raros y permutaciones suficientes. |
| ReplicationReplicación | Comparable evidence across resamples, segments, time periods, or independent sources.Evidencia comparable entre remuestras, segmentos, periodos o fuentes independientes. |
No binary truth from one p-value: dependence validity requires compatible assumptions, stable magnitude, uncertainty, and practical relevance—not merely rejection of independence.
No existe verdad binaria desde un solo valor p: la validez de dependencia requiere supuestos compatibles, magnitud estable, incertidumbre y relevancia práctica, no solamente rechazo de independencia.
13. Method selection protocol for dependence evidence
13. Protocolo de selección para evidencia de dependencia
- Read the ESS relationship and independence question.
- Leer la relación y pregunta de independencia del ESS.
- Classify variables as categorical, continuous, mixed, scalar, or vector-valued.
- Clasificar variables como categóricas, continuas, mixtas, escalares o vectoriales.
- Evaluate sample size, sparsity, expected counts, dimensionality, and repeated-unit structure.
- Evaluar tamaño, escasez, conteos esperados, dimensionalidad y estructura de unidades repetidas.
- Determine whether the representation requires a contingency table, information estimator, kernel, or distance.
- Determinar si la representación requiere tabla de contingencia, estimador informacional, kernel o distancia.
- Generate eligible candidate methods.
- Generar métodos candidatos elegibles.
- Compare assumptions, statistical power, magnitude output, robustness, interpretability, and computational cost.
- Comparar supuestos, potencia, salida de magnitud, robustez, interpretabilidad y costo computacional.
- Select exact or permutation inference whenever asymptotic support is fragile.
- Seleccionar inferencia exacta o por permutación cuando el soporte asintótico sea frágil.
- Record primary method, companion effect measure, diagnostics, and limits in the MSS.
- Registrar método principal, medida complementaria de efecto, diagnósticos y límites en el MSS.
14. Chapter workshop
14. Taller del capítulo
Case A: two categorical variables form a well-populated 4×3 table
Caso A: dos variables categóricas forman una tabla 4×3 bien poblada
Primary candidate: Chi-Square, with expected-count diagnostics, residuals, and a companion magnitude measure.Candidato principal: Chi-Cuadrado, con diagnósticos de conteos esperados, residuos y medida complementaria de magnitud.
Case B: a 2×2 table has several low counts
Caso B: una tabla 2×2 tiene varios conteos bajos
Primary candidate: Fisher Exact, accompanied by an odds ratio or Phi when meaningful.Candidato principal: Fisher Exacta, acompañada por odds ratio o Phi cuando sea significativo.
Case C: two continuous vectors may have a complex nonlinear relationship
Caso C: dos vectores continuos pueden tener una relación no lineal compleja
Primary candidates: Distance Covariance or HSIC, selected according to the defensibility of distance versus kernel representation.Candidatos principales: Covarianza de Distancias o HSIC, según sea más defendible representar mediante distancia o kernel.
Case D: a general shared-uncertainty relationship is needed across mixed variables
Caso D: se necesita una relación general de incertidumbre compartida entre variables mixtas
Select the Mutual Dependence information family, but Module III must name and validate the exact estimator before implementation.Seleccionar la familia informacional Mutual Dependence, pero el Módulo III debe nombrar y validar el estimador exacto antes de implementar.
15. Chapter 2 MSS handoff template
15. Plantilla de entrega MSS del Capítulo 2
METHOD SELECTION SUMMARY — DEPENDENCE ESS Relationship ID: Explicit X: Explicit Y: Variable Architecture: Independence Question: Sample / Sparsity / Dimensionality Constraints: Primary Selected Method: Selection Status: Scientific Justification: Exact Estimator or Variant: Alternative Method 1: Alternative Method 2: Required Magnitude Measure: Required Inference: Required Diagnostics: Critical Assumptions: Critical Failure Modes: Interpretation Boundary: Module IV Implementation Readiness: [READY / CONDITIONAL / RETURN TO MODULE II]
Chapter closing
Cierre del capítulo
Dependence-method selection begins with the independence question and the representation of the variables. Chi-Square and Fisher Exact address categorical contingency structures. Mutual Dependence captures shared uncertainty through an explicitly selected information estimator. HSIC represents dependence through kernels. Distance Covariance represents dependence through distances. None is universally best. The selected method must match the ESS, sample support, representation, inference architecture, magnitude requirement, and interpretation boundary.
La selección de métodos de dependencia comienza con la pregunta de independencia y la representación de las variables. Chi-Cuadrado y Fisher Exacta abordan estructuras categóricas de contingencia. Mutual Dependence captura incertidumbre compartida mediante un estimador informacional explícitamente seleccionado. HSIC representa dependencia mediante kernels. Covarianza de Distancias representa dependencia mediante distancias. Ninguno es universalmente superior. El método debe corresponder con ESS, soporte muestral, representación, arquitectura inferencial, requisito de magnitud y frontera interpretativa.