las estadísticas actuales proporcionan la base para la inferencia en la mayoría de las investigaciones médicas. Sin embargo, por falta de exposición a la teoría y la práctica estadística, sigue siendo considerado como el talón de Aquiles por todos los interesados en el bucle de la investigación y la publicación: Los investigadores (autores), revisores, editores y lectores.
La mayoría de nosotros estamos familiarizados en cierta medida con medidas estadísticas descriptivas como las de tendencia central y las de dispersión. Sin embargo, vacilamos en las estadísticas inferenciales., Esto no tiene por qué ser así, especialmente con la amplia disponibilidad de programas informáticos estadísticos potentes y al mismo tiempo fáciles de usar. Como hemos descrito a continuación, algunas consideraciones fundamentales nos llevarán a seleccionar la prueba estadística apropiada para la prueba de hipótesis. Sin embargo, es importante que se decida el análisis estadístico adecuado antes de iniciar el estudio, en la propia fase de planificación, y que el tamaño muestral elegido sea óptimo. Estos no pueden decidirse arbitrariamente después de que el estudio haya terminado y los datos ya se hayan recopilado.,
la gran mayoría de los estudios se pueden abordar a través de una cesta de unas 30 pruebas de más de 100 que están en uso. La prueba que se utilizará depende del tipo de pregunta de investigación que se haga. Los otros factores determinantes son el tipo de datos que se analizan y el número de grupos o conjuntos de datos involucrados en el estudio. Los siguientes esquemas, basados en cinco preguntas genéricas de investigación, deberían ayudar.
Pregunta 1: ¿hay una diferencia entre los grupos que no están emparejados?, Los grupos o conjuntos de datos se consideran no emparejados si no existe la posibilidad de que los valores de un conjunto de datos estén relacionados con los valores de los otros conjuntos de datos o estén influenciados por ellos. Se requieren diferentes pruebas para los datos cuantitativos o numéricos y los datos cualitativos o categóricos, como se muestra en la Fig. 1. Para los datos numéricos, es importante decidir si siguen los parámetros de la curva de distribución normal (curva Gaussiana), en cuyo caso se aplican pruebas paramétricas. Si la distribución de los datos no es normal o si uno no está seguro de la distribución, es más seguro utilizar pruebas no paramétricas., Cuando se comparan más de dos conjuntos de datos numéricos, se debe usar primero una prueba de comparación de grupos múltiples, como el análisis de varianza unidireccional (ANOVA) o la prueba de Kruskal-Wallis. Si devuelven un valor de P estadísticamente significativo (generalmente significando p < 0.05) entonces solo deben ser seguidos por una prueba post hoc para determinar exactamente entre qué dos conjuntos de datos se encuentra la diferencia. La aplicación repetida de la prueba t o su contraparte no paramétrica, la prueba U de Mann-Whitney, a una situación de grupo múltiple aumenta la posibilidad de rechazar incorrectamente la hipótesis nula.,
Pruebas para responder a la pregunta: ¿hay una diferencia entre los grupos impares (en paralelo y grupos independientes) situación?
la Pregunta 2: hay una diferencia entre los grupos que están vinculados? El emparejamiento significa que los conjuntos de datos se derivan de mediciones repetidas (por ejemplo, mediciones antes-después o mediciones múltiples a través del tiempo) en el mismo conjunto de sujetos. El emparejamiento también ocurrirá si los grupos de asignaturas son diferentes, pero los valores de un grupo están de alguna manera vinculados o relacionados con los valores del otro grupo (p. ej., estudios de gemelos, estudios de hermanos, estudios de Padres e hijos). Un diseño de estudio cruzado también requiere la aplicación de pruebas de grupo pareadas para comparar los efectos de diferentes intervenciones en los mismos sujetos. A veces, los sujetos se emparejan deliberadamente para que coincidan con las características basales, como la edad, el sexo, la gravedad o la duración de la enfermedad. Un esquema similar a la Fig. 1 se sigue en la prueba de conjuntos de datos emparejados, como se indica en la Fig. 2. Una vez más, la comparación de conjuntos de datos múltiples debe hacerse a través de pruebas de grupos múltiples apropiadas seguidas de pruebas post hoc.,
Pruebas para responder a la pregunta: ¿hay una diferencia entre los grupos de pares situación?
Pregunta 3: ¿hay alguna asociación entre las variables? Las diversas pruebas aplicables se describen en la Fig. 3. Cabe señalar que las pruebas destinadas a los datos numéricos son para probar la asociación entre dos variables. Estas son pruebas de correlación y expresan la fuerza de la asociación como un coeficiente de correlación. Una correlación inversa entre dos variables se representa por un signo menos., Todos los coeficientes de correlación varían en magnitud de 0 (ninguna correlación en absoluto) a 1 (correlación perfecta). Una correlación perfecta puede indicar, pero no necesariamente significa causalidad. Cuando dos variables numéricas están relacionadas linealmente entre sí, un análisis de regresión lineal puede generar una ecuación matemática, que puede predecir la variable dependiente basada en un valor dado de la variable independiente. Las Odds ratios y los riesgos relativos son el elemento básico de los estudios epidemiológicos y expresan la asociación entre datos categóricos que pueden resumirse como una tabla de contingencia de 2 × 2., La regresión logística es en realidad un método de análisis multivariado que expresa la fuerza de la asociación entre una variable binaria dependiente y dos o más variables independientes como odds ratios ajustados.
Pruebas para responder a la pregunta: ¿existe una asociación entre las variables?
la Pregunta 4: ¿hay acuerdo entre los conjuntos de datos?, Esto puede ser una comparación entre una nueva técnica de cribado contra la prueba estándar, una nueva prueba de diagnóstico contra el estándar de oro disponible o la concordancia entre las calificaciones o puntuaciones dadas por diferentes observadores. Como se ve en la Fig. 4, la concordancia entre las variables numéricas puede expresarse cuantitativamente por el coeficiente de correlación intraclase o gráficamente mediante la construcción de una gráfica de Bland-Altman en la que la diferencia entre dos variables x E y se representa contra la media de x e Y., En el caso de datos categóricos, el estadístico Kappa de Cohen se utiliza con frecuencia, con kappa (que varía de 0 para ningún acuerdo en absoluto a 1 Para acuerdo perfecto) indicando fuerte acuerdo cuando es > 0.7. No es apropiado inferir acuerdo demostrando que no hay diferencia estadísticamente significativa entre medias o calculando un coeficiente de correlación.
Pruebas para responder a la pregunta: existe un acuerdo entre la evaluación (detección / clasificación / diagnóstico) técnicas?,
Pregunta 5: ¿hay una diferencia entre las tendencias de tiempo hasta el evento o los gráficos de supervivencia? Esta pregunta es específica para el análisis de supervivencia (el punto final para dicho análisis podría ser la muerte o cualquier evento que pueda ocurrir después de un período de tiempo) que se caracteriza por la censura de los datos, lo que significa que una proporción considerable de los sujetos del estudio original puede no alcanzar el punto final en cuestión para el momento en que finaliza el estudio. Los conjuntos de datos para las tendencias de supervivencia siempre se consideran no paramétricos., Si hay dos grupos, entonces las pruebas aplicables son la prueba de Cox-Mantel, la prueba de Gehan (Wilcoxon generalizado) o la prueba de rango logarítmico. En el caso de más de dos grupos, la prueba de Peto y la prueba de rango logarítmico de Peto se pueden aplicar para buscar una diferencia significativa entre las tendencias de tiempo hasta el evento.
se puede apreciar del esquema anterior que distinguir entre datos paramétricos y no paramétricos es importante. Se pueden aplicar pruebas de normalidad (por ejemplo, prueba de Kolmogorov-Smirnov o prueba de bondad de ajuste de Shapiro-Wilk) en lugar de hacer suposiciones., Algunos de los otros requisitos previos de las pruebas paramétricas son que las muestras tengan la misma varianza, es decir, extraídas de la misma población, las observaciones dentro de un grupo sean independientes y que las muestras se hayan extraído aleatoriamente de la población.
Una prueba una cola calcula la posibilidad de desviación de la hipótesis nula en una dirección específica, mientras que una prueba de dos colas calcula la posibilidad de desviación de la hipótesis nula en cualquier dirección., Cuando se compara la intervención A con la intervención B en un rastro clínico, la hipótesis nula asume que no hay diferencia entre las dos intervenciones. La desviación de esta hipótesis puede ocurrir a favor de cualquiera de las intervenciones en una prueba de dos colas, pero en una prueba de una cola se presume que solo una intervención puede mostrar superioridad sobre la otra. Aunque para un conjunto de datos dado, una prueba de una cola devolverá un valor p menor que una prueba de dos colas, esta última generalmente se prefiere a menos que haya un caso hermético para la prueba de una cola.,
Es obvio que no podemos referirnos a todas las pruebas estadísticas en un editorial. Sin embargo, los esquemas descritos cubrirán las demandas de pruebas de hipótesis de la mayoría de los estudios observacionales e intervencionistas. Por último, hay que recordar que, no hay sustituto para realmente trabajar con manos a la obra con conjuntos de datos ficticios o reales, y buscar el Consejo de un estadístico, con el fin de aprender los matices de la prueba de hipótesis estadística.