Errores en estudios cuantitativos (estadística) & sesgos:

 Errores en estudios cuantitativos & sesgos: 

2 tipos de errores aleatorios y sistemáticos:

• Errores aleatorios usando el azar, puede pasar mala pasada pero es menos frecuente. No podemos eliminarlos ni reducirlo, pero si podemos calcularlo.
• Errores sistemáticos o SESGOS que lo hace el investigador.

Errores aleatorios:

• Trabajo con muestras probabilística. Es una muestra donde hay sujetos al azar. Todos tienen probabilidad de ser seleccionados. Muestreo probabilísticos. No tiene sesgo de selección pero si puede sufrir errores probabilísticos.
• Se asume el error aleatorio. 
• Sabemos que existe ese error, pero no sabemos si el resultado sobre la muestra supera o se queda corto, con respecto al resultado real en la población.
• Error aleatorio se mide en la diferencia real y resultado de la población

• Primera fase: 

1. Calcular el tamaño mínimo necesario para que la diferencia se haga con el mínimo error. Si es que ésta existe realmente en la población.
2. Ejemplo clase: N= 25.000 N=30 realizar el trabajo con una muestra de N=1000, al reducir el número incremento el error aleatorio, es inversamente proporcional, al aumentar el número reduzco también el error aleatorio.

                                                        N=1000 existirá un menor error aleatorio
                                                        N=30 existirá mayor error aleatorio

•  Los investigadores asumen un error máximo sólo de un 5% de error tener un 95% de no equivocarse. Para que la muestra sea representativa. Más tamaño muestral, más complejo es el estudio hay que recopilar muchos datos. 
• Controlar el error aleatorio: se calcula un mínimo de tamaño muestral.
• Siempre realizar más cuestionarios de la cuenta más un 10% porque habrá participantes y que no respondan a todo, se debe anular ese cuestionario.

• Segunda fase: Uso pruebas o test de hipótesis: se llaman errores alfa y errores Beta, son cálculos de estimadores. 

1. Error alfa mayor al 5% acepto, probabilidad de equivocarte si rechazar la hipótesis nula.

EJERCICIO EN CLASE:

500 sujetos

 hombres: 125mmHg 

mujeres: 132mmHg

 Hipótesis nula (H0): No hay diferencias entre hombres y mujeres.

Sí aprecio diferencia, el hombre tiene la presión arterial más alta que la mujer.

¿Rechazo la hipótesis nula? NO SE RECHAZA O SI, para saber si es falsa, debemos hacer un test hipótesis para calcular el error alfa.

Error alfa:  calculamos la probabilidad de error tras rechazar la hipótesis nula (H0). 

Esa diferencia puede deberse al azar. 

Si el error alfa es superior al 5% ACEPAMOS la H0, y si el error alfa es menor del 5% la H0 se RECHAZA. 

ACEPTO Y RECHAZO LA H0 después de recoger los datos.

Error alfa: ∞= p, se llamará como p.

∞= 0,073 LA ACEPTO LA H0 ES MAYOR 5%
∞=0,0036 RECHAZO LA H0 ES MENOR 5%

Sólo se utiliza alfa, beta NO.

• Tercera fase: cálculos de intervalos de confianza para las estimaciones obtenidas. 

1. Proporción de la muestra y proporción en la población.  Fumadores muestra p=0,20 ¿CÓMO PUEDO CALCULAR LA INCERTIDUMBRE? calcular un intervalo de confianza, donde tengo una horquilla de valores, un par de valores , dentro del cual tenga una probabilidad alta de que el parámetro se encuentre. Entre 0-1 de fumadores. No es preciso.
2. Intervalo de confianza: trabajo con tantos por 1 se calcula: 

P= N.º DE FUMADORES / TOTAL DE POBLACIÓN

volvemos a utilizar el 5% un error razonable, para garantizar un 95% de CONFIANZA.

ACEPTO H0 si es mayor del 5%

RECHAZO H0 si es menor de 5%

Intervalo de confianza en el 95%, y la fórmula estadística  entre 0,18 y 0,23 va a ser fumadora, con un 5% de error de que el valor real este fuera de estos límites.

Mientras más preciso más afino, si tengo [0,199-0,201] el intervalo es más pequeño.

Intervalo amplio [0,08-0,37] más amplio, menos preciso, me alejo del parámetro, puede pasar que si sale un intervalo muy amplio, lo solucionamos aumentando el tamaño muestral, a más tamaño muestral más precisión.

ERRORES SISTEMÁTICOS O SESGOS:

Lo cometemos los investigadores. Pueden marcar la credibilidad del estudio, la validez interna, aumentando o disminuyendo las diferencias.

Comprende el sesgo de muestreo o sesgo de selección (que puede ocurrir al seleccionar la muestra) y el sesgo de información (que puede ocurrir al medir las variables).

Error producido en el diseño del estudio: 

• Selección de sujetos (sesgo de selección). 
• Medición de las variables (sesgo de información).

No se modifica al aumentar el tamaño muestral.

Estos errores afectan a la validez interna del estudio, es decir, a la credibilidad de las conclusiones.

DIFERENCIA DE ERROR SISTEMÁTICO Y ALEATORIO:

TIPOS DE SESGOS:

• Sesgo de selección 
• Sesgo de clasificación (o información) 
• Sesgo de confusión

1. SESGO DE SELECCIÓN:

Se produce cuando al elegir una muestra que no representa adecuadamente a la población de estudio (muestreo no aleatorio).

Lista de criterio de inclusión y criterio de exclusión. TENER EN CUENTA. Que incluye y que excluyo del estudio.

Se incluyen en el estudio sujetos de estudio que difieren en alguna característica relevante de la población sobre la que se pretenden sacar conclusiones.

Si afecta al factor de exposición y al efecto de interés (factor de riesgo y enfermedad), los hallazgos no son extrapolables.

EJEMPLO DE CLASE : queremos saber la opinión sobre las prácticas de los estudiantes de enfermería y pasamos un cuestionario a los que acuden a la biblioteca. No representan a todos los alumnos.

La influencia de tomar analgésico, para medir el dolor en unas personas y otras, no es representativo. A los que toman analgésico los tengo que excluir. Variable dependiente el dolor.

 2. SESGO DE CLASIFICACIÓN ( O INFORMACIÓN):

Muy común, medición incorrecta de la variable, depende la fiabilidad del método. Cuestionarios validados para evitar este sesgo.

Corresponde a una incorrecta medición de una variable (Ejemplo: pesar a individuos en báscula mal calibrada).

Depende, por tanto, de la validez y fiabilidad del método utilizado para recoger la información. 

Puede afectar a la exposición o al efecto. Puede diluir las diferencias realmente existentes o a exagerar estas diferencias.

No diferencial: 

• Disminuye las diferencias realmente existentes. 
• Ejemplo: cuando la gente oculta hábitos socialmente no admitidos, el estudio no detecta los que verdaderamente están expuestos, de forma que es difícil detectar asociaciones si existen.

Diferencial: 

• Exagera las diferencias realmente existentes. 
• Ejemplo: las madres de niños nacidos con malformaciones recuerdan con más intensidad las exposiciones ocurridas durante el embarazo que las que tuvieron hijos sanos.

Grupo de control: La finalidad del grupo control es aislar el efecto del factor del estudio del debido a otros factores. 

Efectos que se controlan: 

1. Efecto Hawthorne: sentirse observado o evaluado mejora nuestra respuesta, es diferente y cambia la respuesta. ¿TRABAJA MÁS EFECTIVO O ES PORQUE LO ESTOY OBSERVANDO?
2. Efecto placebo: administración de fármacos produce respuestas no atribuibles específicamente al mismo.
3. Regresión a la medida: cuando se obtiene un valor extremo en una variable, la segunda vez que se mide tiende a los valores de la media. EJEMPLO: tomarnos la tensión cuando estamos nervioso, esperar un tiempo para que la tensión se reduzca y vuelva a la normalidad.

3. SESGO DE CONFUSIÓN:

Es el único que se puede controlar en la fase de análisis y no sólo en la de diseño. Es una distorsión de las estimaciones del estudio, producidas por la distribución desigual en los grupos de comparación de una tercera variable (variable confundente).

Si esa variable es predictora del efecto (factor de riesgo o protector) entonces su distribución desigual contamina la verdadera relación entre la exposición y el efecto estudiado.

Ejemplo: Cáncer de vejiga: 

•  30-70% Consumo de tabaco. 
• 10-20% Exposición laboral.

Estudio de la relación entre una dieta rica en grasas y cáncer de vejiga:

• Si ese tipo de dieta se realiza más frecuentemente entre los fumadores y los investigadores no lo han tenido en cuenta, la carga del riesgo del tabaquismo se camufla dentro de la dieta.

Debían de medir el consumo de tabaco no solo la dieta rica en grasa para en cáncer de vejiga.

Estudio de casos y controles usados normalmente para estudios de enfermedades.

H0= El tabaco NO influye en sufrir enfermedad de EPOC

VI= El tabaco

VD= EPOC

Estudio bivariado

¿Quiénes han fumado? personas con EPOC grupo de CASOS tengo que compararlo con otro grupo, personas que no tengan EPOC, no sabemos si fuman o no fuman grupo de CONTROL.

La variable dependiente es la que usamos para partir: EPOC, el grupo de control  tiene que ser comparable.

Paciente con EPOC son viejos 70 años

Influye edad, hombres más propensos que las mujeres etc.

Sujetos que tengan las mismas características que los pacientes con EPOC, pero que NO tengan EPOC, y ver si fuman o no fuman, no debemos sesgar el resultado.

APAREAMIENTO: Por variables confundentes:

-Edad.
- Sexo.
-Otras patologías crónicas.

Varón de 78 años diabético + EPOC (casos) .

Varón diabético de 75 años SIN EPOC se desconoce si fuma (control).

El apareamiento es muy común, nos ayudan a eliminar los sesgos de confusión.

ANÁLISIS MULTIVARIANTES: aumento las variables para evitar estos sesgos de confusión.

CONTROL DE ERRORES DE ESTUDIOS ESTADÍSTICOS:

1. En la fase de diseño (selección y clasificación).
2. Restricciones y apareamientos.
3. Análisis estratificado y multivariantes.

CONCEPTOS DE VALIDEZ Y FIABILIDAD:

La validez de un instrumento de medida se refiere a su capacidad para medir aquello que deseamos, y hacerlo de manera exacta (exactitud).

En caso contrario se cometería un error sistemático o sesgo. Ejemplo: Medir glucemia con aparato mal calibrado.

Pueden existir errores de exactitud debidos al individuo, al observador y al instrumento de medición.

Para evaluar la validez o exactitud: 

• Validez de criterio: comparación con una medida de referencia objetiva y fiable.
• Validez de concepto: Analiza la correlación de la medida con otras variables. 
• Validez de contenido: Contemplar todas las dimensiones del fenómeno que se quiere medir.

VALIDEZ INTERNA Y EXTERNA:

Validez interna: ausencia de sesgos para la población estudiada. Los elimino, los minimizo. Reproducir el estudio en la misma población y obtener un resultado similar.
Validez externa: precisión y validez externa. Capacidad de extrapolar los resultados del estudio en otras poblaciones.


La fiabilidad de un instrumento de medida se refiere a la capacidad de realizar mediciones sucesivas que sean similares entre sí (precisión).


Ejemplo: una báscula fiable si un sujeto se pesa 3 veces consecutivas con el mismo resultado.


La fiabilidad se comprueba:

1. Test-retest.
2. Método de formas paralelas.
3. Método de las mitades.
4. Medidas de consistencia interna (alfa de Cronbach).