Métodos cuantitativos

avanzados
William L. Holzemer, RN, Ph.D., FAAN
Profesor, Escuela de Enfermería
Universidad de California, San Francisco
bill.holzemer@nursing.ucsf.edu

Tipos de métodos de investigación:
(¡todos tienen reglas de evidencia!)

Cualitativa

Cuantitativa

Teoría aterrizada
Etnografía
Teoría feminista crítica
Fenomenología

No experimental o
descriptiva
Experimental o estudios
aleatorizados controlados
Etnografía
Análisis de contenido

Modelos de análisis:
fidelidad al texto o
palabras de entrevistas

Modelos de análisis:
Paramétrico vs no
paramétrico
2

Modelo de resultados
• Heurístico
• Modelo de sistemas (ingresos son
egresos, egresos se convierten en
ingresos)
• Relacionado al trabajo de Donabedian
sobre la calidad de la atención (estructura,
proceso, y resultado estándar)

3

4 . • Fomentar la diversión al leer artículos de investigación • Entender el reto de que las palabras sean fácilmente usadas.Resumen: introducción a la investigación • Piense acerca de la investigación en educación • Modelo de resultados diseñado para poner límites alrededor de tu área de estudio y experiencia (¡reto muy difícil en educación!) • Identificación de variables • Entendimiento del rigor – métodos correctos para cualquier tipo de diseño de investigación. “práctica basada en evidencias”.

alto riesgo? • ¿Puede estudiarse? • ¿Es relevante para la práctica clínica? 5 .Cuando piense en su problema de investigación: • • • • ¿Es significante? ¿Estás realmente interesado? ¿Es novedoso? ¿Es un área importante? – ¿Alto costo.

6 .¿De dónde vienen las ideas? • • • • • • • • Revisiones de literatura Historias en periódicos Siendo un asistente de investigador Mentor/profesor Estudiantes compañeros Pacientes Experiencia clínica Expertos en el campo Construya su área de experiencia de múltiples fuentes.

Usos de Substruction • Critique un estudio publicado • Planee un estudio nuevo 7 .

empíricos. • No hay la palabra. en el diccionario. Tiene un significado inductivo y un significado deductivo. deconstruyendo • Huerístico 8 .Substruction • Una estrategia para ayudar a entender la teoría y métodos (sistema operacional) en un estudio de investigación • Aplica a estudios de investigación cuantitativos. Substruction.

Substruction Teoría (sistema teorético) Constructo Deductiva        Métodos (sistema operacional) Mediciones       (cuantitativa) Inductiva Concepto  Escalas/ análisis de datos (cualitativa) 9 .

Substruction: Construyendo bloques o señalamientos de relaciones Constructo Dolor  axioma Constructo Calidad de vida  Concepto Intensidad  proposición Concepto Status funcional  Medición Escala de 10 cm hipótesis Medición Escala de movilidad 10 .

Temas • • • • • • ¿Cuáles son las bases conceptuales del estudio? ¿Cuáles son los principales conceptos y sus relaciones? ¿Las relaciones propuestas entre los constructos y los conceptos lógicos y defendibles? ¿Cómo se miden los conceptos? ¿Válidas? ¿Confiables? ¿Cuáles son los niveles de escalas y se relacionan al plan estadístico apropiado o de análisis de datos? ¿Hay consistencia lógica entre el sistema teórico y el sistema operativo? 11 .

• ¿Qué se sabe acerca de los constructos y conceptos en nuestra área de interés? • ¿Qué teorías son propuestas que liguen a nuestras variables de interés? 12 .Revisión de la literatura • Revisamos la literatura para entender los sistemas teóricos y operativos relevantes a nuestra área de interés.

Revisión de la literatura • ¿Qué se conoce? • ¿Qué no se conoce? • Recursos – La biblioteca Cochran – Biblioteca de bases de datos • PubMed • CINYL 13 .

sintetizar y demostrar la dirección? Tópico T o p ic SEstudio t u d y 11 SEstudio t u d y 22 SEstudio t u d y 33 14 .Revisión de la literatura: ¿Cómo combinar.

Revisión de la literatura T o p ic Tópico SEstudio t u d y 11 SEstudio t u d y 22 SEstudio t u d y 33 15 .

Borrador de variables de estudio relacionados a tu tema Covariables Estudios Z Intervenciones Resultados Variable Variable independiente dependiente X Y Smith (1999) Jones (2003) Etc. 16 .Tabla 1.

Instrumentos Instrumento Estudios Smith (1999) # items Validez Confiabilidad Utilidad Cuestionario McGill de dolor Jones (2003) 17 .Tabla 3.

al medio Jones (2003) 18 .60 Est. Poder del análisis para revisión de la literatura sobre un tema. Estudios Smith (1999) Tamaño de muestra Alfa Poder Tamaño de efecto 32 -expuesto s 40 – controles 0.05 0.Tabla 4.

pobre desarrollo de instrumentos? • Necesidades futuras – ¿cuál es el siguiente paso? 19 . no ECA. instrumento? • Debilidades – ¿ausencia de rigor. tipos de diseño.¿qué sabemos y que no sabemos? • Fortalezas – ¿rigor.Síntesis de la literatura • Síntesis .

Diseños de investigación 20 .

Diseño de investigación: cualitativa • • • • • • • Etnografía Fenomenología Hermenéutica Teoría aterrizada Histórico Estudio de caso Narrativa 21 .

Rigor en investigación cualitativa • • • • Dependiente Creíble Transferible Confirmable 22 .

Tipos de diseños de investigación cuantitativa • Nos enfocaremos en RIGOR: – Experimental – No experimental 23 .

Rigor en investigación cuantitativa
• Teoría aterrizada: Axiomas y postulados –
substruction-validez de relaciones
hipotéticas
• Validez de diseño (interna y externa) del
diseño de investigación; validez y
confiabilidad del instrumento
• Suposiciones estadísticas satisfechas
(escala, curva Normal, relación lineal, etc.)
(Nota: Polit y Beck: confiabilidad, validez,
generalización, objetividad)
24

Revisión de la literatura

Enfoque del estudio

Enfoque del estudio

Pregunta de estudio

Pregunta de estudio

Hipótesis de estudio

25

Enfoque, pregunta e hipótesis
• Enfoque del estudio: explorar si es posible reducir
las caídas de los pacientes ancianos en casas de
cuidado.
• Pregunta del estudio: ¿colocando un “sitter” en el
cuarto de un paciente reduce la incidencia de
caídas?
• Hipótesis del estudio:
Nula: H0: no hay diferencia entre pacientes que
tienen un “sitter” y aquellos que no lo tienen, en la
incidencia de caídas.
26

Diseños experimentales 27 .

Hay una intervención que es controlada 2. Hay un asignación aleatoria a los grupos 28 .Definición: diseño experimental 1. Hay un grupo experimental y uno control 3.

Diseño experimental clásico O1exp X O2exp O1con O2con  R  (pretest) (posttest) O=observación 1 = pretest o tiempo uno. 2 = posttest o tiempo dos X = intervención R = asignación aleatoria a los grupos 29 .

Diseño experimental clásico O1exp  R  O1con X O2exp O2con (pretest) (posttest) El ECA es el estándar dorado para la práctica basada en evidencias 30 .

Asignación aleatoria a grupos (validez interna) – iguales variables Z en ambos grupos 2.Aleatorización 1. Selección aleatoria de una muestra de la población (validez interna) – variables Z iguales en la muestra que en la población 31 .

Meta: Señalar si hay una relación causal 32 .

Nunca probamos algo.Condiciones requeridas para hacer un señalamiento de causalidad: X causa Y 1. X y Y están correlacionadas 3. Todo está controlado o eliminado. X precede Y 2. Las variables Z no impactan al resultado 4. reunimos evidencia que apoye nuestra conclusión 33 .

Asignación a grupo aleatoria 34 . Manipulación estadística (ANCOVA) 4. Minimiza amenazas la validez interna 2.Controlando variables Z: 1.g. sólo menores de 35 años) o control de variación 3. Limita la muestra (e.

Dimensiones del diseño de investigación: Grupos y tiempo O1exp X O2exp  Grupos (n=2 experimental y control)  O1con O2con -----------------------------------------------  Tiempo (n=2)  (mediciones repetidas) 35 .

Dimensiones de diseño de investigación: grupos y tiempo Grupos = entre factores Tiempo = dentro de factores 36 .

mediciones repetidas) • O1 X O2 (¡diseño no experimental!) . un tiempo • O1 O2 O3 .descriptivo.Tipos de diseños • O .prepost-test 37 . cohorte.descriptivo.

Tipos de diseños • O1 X O2 O 1 O2 ECA estudios controlados aleatorizados 38 .

Tipos de diseños • O 1 O 2 O3 X O 4 O 5 O6 O 1 O 2 O3 O 4 O5 O 6 • O1 X O2 Xno O3 X O4 Xno O5 (mediciones repetidas vs diseño de series de tiempo) 39 .

Tipos de diseño O1 R X1 O2 O 1 X2 O2 O1 O2 # de grupos? ___ # puntos en el tiempo? ___ 40 .

Tipos de diseños Diseño de post-test sólo: X O2 O2 ¿Cuál es la mayor amenaza a este diseño de sólo post-test? 41 .

Tipos de diseño de investigación • Experimental (verdad) • Cuasi-Experimental (caso) – Asignación no aleatoria a grupos 42 .

Validez de diseño – Conclusión estadística válida – Validez de constructo de causa y efecto (X y Y) – Validez interna – Externa 43 .

i.Validez del diseño • Validez de la conclusión estadística rxy? – Error tipo I (alfa 0. pequeño tamaño de muestra – Confiabilidad de mediciones ¿Puedes creer en los hallazgos estadísticos? 44 . inadecuado poder.beta.e.05) – Error tipo II (beta) Poder = 1.

teoricamente ¿Hay una razonamiento teórico de por qué X y Y deberían estar relacionadas? 45 .Validez del diseño • Validez de contructo de causa supuesta y efecto (X  Y?) – Bases teóricas uniendo constructos y conceptos (substruction) – Resultados sensibles a atención de enfermería – Intervención ligada a resultado.

Validez de diseño Validez interna – – – – – – Amenaza de historia (evento que interviene) Amenaza de maduración (cambio por el desarrollo) Amenaza de la prueba (instrumento causa un efecto) Amenaza de instrumentación (confiabilidad de medición) Amenaza de mortalidad (sujetos eliminados) Amenaza de sesgo de selección (pobre selección de sujetos) ¿Cualquiera de las variables Z están causando los cambios en las variables Y? 46 .

Validez de diseño Validez externa – Amenaza de baja generalización para personas. lugares y tiempo – ¿Puede generalizarse a otros? 47 .

correlacionales y causales. • Rigor significa seguir las técnicas requeridas y estrategias para incrementar nuestra confianza en los hallazgos de la investigación. 48 .Construyendo el conocimiento • La meta es tener confianza en nuestros datos descriptivos.

Muestreo [Selección de la muestra. no asignación] 49 .

Términos • Población .Todos los sujetos posibles • Muestra .Un subgrupo de sujetos • Elemento .Un sujeto 50 .

hospitales. sujetos) • Sitios (e. unidades.g.g.¿Qué muestreamos? • Personas (e. cambio am vs pm) 51 . temporada.g. ciudades) • Tiempo (e.

Es diseñada para . en una muestra 52 .Es diseñada para equilibrar las equilibrar la variables “Z” en los distribución de las grupos experimental y variables “Z” que control existen en la población.Muestreo: ¿Qué hacemos? • Asignación aleatoria • Selección aleatoria .

Tipos de muestreo de probabilidad Probabilidad Muestreo simple aleatorio – usa una tabla de números aleatorios Muestreo aleatorio estratificado – divide o estratifica por género y muestrea dentro del grupo Muestreo aleatorio sistemático – toma cada 10° nombre Muestreo agrupado – selecciona unidades (grupos) para acceder a pacientes o enfermeras 53 .

Tipos de muestreo no probabilístico • Conveniencia – primeros pacientes que crucen la puerta • Intención – pacientes viviendo con una enfermedad • Cuota – igual número de hombres y mujeres • (voluntarios) • (conveniencia) 54 .

Tipos de muestras Homogéneas: sujetos son similares. todos femeninos. todos entre edad de 21-35 Heterogéneas: sujetos son diferentes. pacientes con todo tipo de cáncer 55 . amplio rango de edad.

Error de muestreo 56 .

¿Cómo controlar el error de muestreo? • Use selección aleatoria de los participantes • Use asignación aleatoria de sujetos a los grupos • Estime el tamaño de muestra requerido usando análisis de poder para asegurar adecuado poder • Sobreestime el tamaño de muestra requerido para muestra de mortalidad 57 .

Tamaño de muestra y error de muestreo 58 .

Cálculo de tamaño de muestra • Tipo de diseño • Accesibilidad de participantes • Planeación de pruebas estadísticas • Revisión de la literatura • Costo (tiempo y dinero) 59 .

• Chi cuadrada – no puede trabajar si hay menos de 5 sujetos por celda 60 . 3:1 hasta 30:1 sujetos por variables. Cuestionarios de 30 items requieren 90 a 900 sujetos.Estrategias para estimar tamaño de muestra • Razón de sujetos a variables en análisis correlacional.

# sujetos requeridos para asegurar poder adecuado Poder es una función de alfa. medio.01 Tamaño de efecto – basado en estudios piloto o revisión de literatura.80 Alfa – comúnmente situado en 0. 61 . pequeño.05 ó 0.Poder Poder – comúnmente situado en 0. tamaño de efecto y tamaño de muestra. grande Tamaño de muestra .

com 62 .Programas de análisis de poder • Paquete SPSS • nQuery Adviser Release 4.0 (¿más reciente?) http://www.statsolusa.

63 . • Si no hay suficiente poder en el estudio.Poder • Poder es la capacidad de detectar una diferencia entre las medias de los puntajes o la magnitud de una correlación. i. no importa el tamaño del efecto detectado.e. sin importar lo exitoso de la intervención no se puede detectar estadísticamente el efecto. • Muchos estudios tienen bajo poder.

• Significancia estadística y significancia clínica.Tamaño del efecto • El tamaño del efecto. se piensa como qué tan grande diferencia hizo la intervención. 64 . con frecuencia no significan lo mismo.

40) – Requiere tamaño de muestra medio • Grande (correlaciones alrededor de 0.Tamaño del efecto • Pequeño (correlaciones alrededor de 0.6) – Requiere tamaño de muestra pequeño 65 .20) – Requiere gran tamaño de muestra • Medio (correlaciones alrededor de 0.

Tamaño de efecto Mediaexp – Mediacon Tamaño de efecto =------------------------------DS e y c 66 .

67 . • Estima el tamaño del efecto • Similar a R2 en análisis de regresión múltiple. es la proporción de la variable dependiente (Y) explicada.Eta cuadrada (ŋ ) 2 • En ANOVA.

01 es más conservador que 0. cuando en efecto. más difícil detectar diferencias 68 .alfa • Alfa relaciona para probar hipótesis y qué tan frecuente tenemos un error al extraer una conclusión • Alfa es equivalente a error tipo 1 – o decir que la intervención fue efectiva.05 y por lo tano. el tamaño del efecto observado es por el azar • Alfa de 0.

Prueba de hipótesis: ¿Es verdad o falso? • Hipótesis nula: H0 – Media (experimental) = Media (control) • Hipótesis alterna: H1 – Media (experimental) ≠ Media (control) 69 .

Prueba de hipótesis y poder Meta: Rechazar H0 REALIDAD REALIDAD Nula H0 Verdad Nula H0 Falsa H0: Mc=Me H0: Mc=/=Me DECISIÓN Rechazar H0 Error tipo I Poder (1-Beta) DECISIÓN Aceptar H0 Decisión correcta Error tipo II (Beta) 70 .

¿qué efecto tendrá en el tamaño de muestra requerido? 71 .80 a 0.60.01. es grande. ¿qué tipo de error es más probable que ocurra? • Si el tamaño de efecto es estimado basado en la literatura.05 a 0. ¿qué sucede al tamaño de muestra requerido? • Si el poder cae de 0. ¿qué sucede al poder? • Si alfa va de 0.Quiz: • Si el tamaño de muestra crece.

Perdida de muestra en ECA N=243 Aleatorizació n N=118 N=122 1 mes N=105 N=110 N=91 N=89 6 meses 72 .

puede ser medido” R.Medición “Si existe. Cronbach 73 .

conductas (CAC) • Variables fisiológicas • Síntomas • Aptitudes • Costos 74 .Qué medimos: • Conocimiento. actitudes.

Teoría de medición clásica: 75 .

costos. 2. 3.Tipos de mediciones • Estandarizada – evidencia como sigue: 1. sensible a cambios en el tiempo No estandarizada 76 . 4. • Desarrollada sistemáticamente Evidencia para validez del instrumento Evidencia de confiabilidad del instrumento Evidencia de utilidad del instrumento – tiempo. puntaje.

• Aleatorio – no podemos hacer nada. 77 .se puede trabajar para minimizar el error sistemático debido a pobres instrucciones. confiabilidad pobre de mediciones.Tipos de error de medición • Sistemático . nunca medimos nada en forma perfecta. etc. siempre hay algo de error. siempre presente.

Validez Pregunta: ¿el cuestionario mide los que se supone debe medir? • Validez relacionada a la teoría – Validez de presencia – Validez de contenido – Validez de constructo • Validez relacionada a criterios – Validez concurrente – Validez predictiva 78 .

Teoría relacionada a la validez • Validez de presencia – credibilidad del participante • Validez de contenido (observable) – Blue print – Lista de herramientas • Validez de constructo (no observable) – Diferencias de grupo – Cambios de tiempos – Análisis de correlaciones/factor 79 .

las correlaciona para demostrar que la medida 1 es predictiva de la medida 2.Criterios relacionados a validez • Concurrente – Mide dos variables y las correlaciona para demostrar que la medida 1 está midiendo lo mismo que la medida 2 – en el mimso punto del tiempo. una ahora y la otra en el futuro. 80 . • Predictivo – Medición de dos variables. en el futuro.

Recuerde: • Validez de diseño ¿El diseño de la investigación permite al investigador probar su hipótesis? (amenazas de validez interna y externa) • Validez del instrumento ¿El instrumento mide lo que se supone debe medir? 81 .

Confiabilidad del instrumento Pregunta: ¿Puede confiar en los datos? • Estabilidad – cambio en el tiempo • Consistencia – concordancia dentro de preguntas • Calificación de confiabilidad – calificación de concordancia 82 .

mediciones de correlaciones entre-ítems o concordancias.Confiabilidad del instrumento • Confiabilidad prueba – re-prueba (estabilidad) – Correlaciones de Pearson • Alfa de Cronbach (consistencia) – un punto en el tiempo. • Calificación de confiabilidad (corregir para cambio de concordancia) – Confiabilidad inter-observador Kapa de Cohen – Confiabilidad intra-observador Pi de Scott 83 .

Alfa de Cronbach  n  1   SD  items    n 1   2 alfa = n 1  SD    2 n SD = 2   m  X n  1 n 1 84 .

requerido para toma de decisiones al nivel grupal.80 – Buena confiabilidad.Estimaciones de confiabilidad del alfa de Cronbach: • > 0.90 – Excelente confiabilidad. • 0. • 0. cercana a no aceptable por demasiados errores en los datos ¿Por qué? 85 . requerido para toma de decisiones al nivel individual.70 – Adecuada confiabilidad.

Consistencia interna: alfa de Cronbach Persona A: Internamente consistente Persona B: Internamente inconsistente Todas las veces La mayoría de las veces Unas pocas veces Rara vez 1 4 A 3 2 1 B 2 4 B 3 A 2 1 3 4 3 A 2 B 1 4 4 A 3 B 2 1 Ítem 86 .

Error en estimaciones de confiabilidad “Error = 1 – (estimado de confiabilidad)2” si alfa = 0.70)2 1-. es el punto 50:50 de error vs.70.11 error si alfa = 0.90)2 1-0.90.89 = . verdadero valor 87 . 1 – (0.51 error si alfa = 0.49 = . 1-(0.70.

Valores de confiabilidad
• Rango: 0 a 1
• No signos negativos
• Kappa de Cohen y π de Scott
son siempre más bajos, i.e.
0.50, 0.60

88

Utilidad
Cosas que debes saber acerca de tu instrumento.

• Tiempo para completar (¿fatiga del
sujeto?)
• ¿Es molesto para los participantes?
• Número de ítems (¿análisis de poder?)
• ¿Apropiado para rasgos culturales, de
género, étnicos?
• ¿Instrucciones para puntaje?
• ¿Datos normativos disponibles?
89

Reporte de instrumentos
• Concepto (s) siendo medidos
• Longitud del instrumento o número de
ítems
• Formato de respuestas (escala de
Likert, etc.)
• Evidencia de validez
• Evidencia de confiabilidad
• Evidencia de utilidad
90

Pregunta: • ¿Puede una escala ser válida y no confiable? • ¿Puede ser una escala confiable y no válida? 91 .

Desarrollo de escalas • Generación de ítems de entrevistas/grupo de enfoque • Escala de decisiones variación de captura • Validez – chequeo con expertos y participantes • Estandarizar la escala (evidencia para validez. confiabilidad y utilidad) • Correlaciones estimadas de concepto • Explora sensibilidad para cambiar sobre el tiempo 92 .

93 .Traducción • Traducción prospectiva (A a B) • Traducción retrospectiva (B a A) • Equivalencias conceptuales a través de culturas • Usando jerigonza. etc. modismos.

Análisis de datos 94 .

Análisis de datos: ¿Por qué? • Captura variabilidad (varianza) – como los puntajes varían entre las personas • Parsimonia – técnica de reducción de datos. como describir muchos puntos de datos en números simples • Descubrir significados y relaciones • Explorar sesgos potenciales en datos (muestreo) • Probar hipótesis 95 .

iniciamos un largo proceso de entrada de datos y clarificación. como SPSS. • Lista de códigos nos permite dar a las variables nombres. 96 .Donde iniciar: • Después de la colección de datos. • La entrada de datos requiere una lista de códigos desarrollado para el programa de estadística que planeamos usar. valores y etiquetas.

buscando valores fuera de los rangos. e. Extremos. puntaje alto. puntaje abajo.Entrada y limpieza de datos • La entrada de datos es una GRAN fuente de error en los datos.g. • La doble entrada de datos es una estrategia • Limpieza de datos. • Examinamos frecuencias. edad de 154 es probablemente un error al escribir. 97 . etc.

Edad: 35 años – tenga el valor actual vs.Codificando variables Capture datos en su forma más continua posible. Señale uno: _<25 _ 25-35 _ 36-45 _ >45 98 .

Variable dicotómicas No haga esto: 1 = Masculino 2= Femenino ¡Haga esto! 1 = masculino 0 = femenino ¿Por qué? Función aditiva 99 .

Codoficando falso Etnicidad 1 = Negro. 0 = Negro e hispánico 100 . 2 = Blanco. 0 = Blanco e hispánico Blanco: 1 = Blanco. 3 = Hispánico N-1 o 3-1 = 2 variables Negro: 1 = Negro.

Substitución de media: da el promedio de la variable del grupo. por ejemplo.Datos desaparecidos • SPSS asigna un punto “.” a datos desaparecidos • SPSS con frecuencia te da a elegir borrar pares o lista para datos desaparecidos. no da variación en el grupo de datos. edad. 101 .

mejor elección para conservar poder Lista: variables removidas. 102 . requerida en diseños de mediciones repetidas.Datos desaparecidos Pares: una correlación en particular es removida.

Mediciones: • Tendencia central • Relaciones • Efectos 103 .

Medidas de tendencia central • Media – promedio aritmético • Desviación estándar (SD) – como las medidas están agrupadas en la media • Rango – medición alta y baja. (Ejemplo: M = 36.2 Rango: 22-45) 104 .4 años SD= 4.

Fórmulas n X n 1 Media = N n SD = 2   m  X n  1 n 1 105 .

Medidas de tendencia central • Media – promedio aritmético • Mediana – punto que divide la distribución a la mitad (50% por arriba y 50% por debajo) • Modo – el valor que ocurre con mayor frecuencia ¿Cuando la media=mediana=modo? 106 .

5% -2 -1 M +1 +2 107 .5% 2.Curva Normal: ¡muy robusta! 34% 34% 2.

Curvas Normales 108 .

Curva Normal (Media=Mediana=Modo) Frequency Frecuencia 50% 50% Mean Media Median Mediana Mode Modo 109 .

Y-Axis Curvas no Normales Y-Axis X-Axis X-Axis 110 .

por ejemplo prueba F) 111 .Escalas • Discreta (cualitativa) – Nominal – Ordinal • Continua (cuantitativa) – Intervalo – razón • No paramétrica (no requiere suposiciones. Chi cuadrada) • Paramétrica (asume la curva Normal.

Grados de libertad • Corrección estadística para no sobreestimar 112 .

¿Grados de libertad para balón 1? 113 .

¿Grados de libertad para balón 2? 114 .

Grados de libertad para balón 3 115 .

Grados de libertad • Tamaño de muestra (n-1) • Número de grupos (k-1) • Número de puntos en el tiempo (l-1) 116 .

Relaciones o asociaciones 117 .

Medidas de asociación: Correlaciones • Rango: -1 a 1 • Dimensiones: – Fuerza (0-1) – Dirección (+ o -) • Definición: un cambio en X resulta en un cambio predecible en Y. variación o varianza compartida. 118 .

puede no ser clínicamente significantivo. • Expresa relación no causalidad 119 .Correlaciones • Específica a la muestra (cada muestra es un subgrupo de la población) • Inestable • Depende del tamaño de muestra • Todo es estadísticamente significativo con un tamaño de muestra los suficientemente grande.

Tipos de correlaciones • Producto del momento r de Pearson – Variable continua por continua • Correlación Phi – Variable discreta por discreta (Chi cuadrada) • Correlación de orden de ranking Rho – Ranking por ranking discretos • Punto biserial – Variable discreta por continua • Eta cuadrada 120 .

X-Axis Y-Axis r=? X-Axis Y-Axis r=? Y-Axis Estimado del valor de correlación r=? X-Axis 121 .

Varianza

2
2
Area bajo
underlathe
curve
= SD
Área
curva
= DS

Variance
Varianza

122

Varianza compartida r

2

Si
If r == 0.80,
0.80, rr22== 0.64
0.64

64%

123

Varianza compartida r
Si
If rr== 1,
1,

IfSir r=
= 0,
0,

2

100%

0%

124

y? ¿Hay una relación entre x y y? Mediciones de relaciones (correlaciones) Causal ΔX  ΔY? • ¿El cambio en x causa un cambio en y? Probando diferencias en grupos (pruebas t o F) 125 .Tipos de análisis de datos Descriptivo X? Y? Z? Medidas de tendencia central Correlacional rx.

Probando efectos de intervenciones 126 .

Probando diferencias en grupos • Pruebas t • Pruebas F (Análisis de varianza o ANOVA) (Pruebas t y F con dos grupos) 127 .

Tipos de pruebas de diferencias de grupos • Entre grupos – (no pareados) • En grupos – (pareados o mediciones repetidas. si son dos grupos son también test-re-test) – Requiere sujetos identificados 128 .

Diseño experimental clásico O1exp X O2exp O1con O2con  R  (pretest) (posttest) Grupo: entre factor Tiempo: dentro de factor 129 .

Pruebas de significancia 3 4 1 O1 X O2 2 O1 O2 130 .

Probando diferencias entre grupos Entre varianzas F (o t) = Dentro de varianzas 131 .

Examinando varianzas Entre Between Variance varianzas Dentro Withinde varianzas Variance Mc Me 132 .

Examinando varianzas:
No diferencia entre medias

Mc Me

133

Examinando la varianza:
Grandes diferencias entre medias

Mc

Me

134

Examinando varianzas: tres grupos

Mc

Me2

Me1

135

diseño de mediciones repetidas. 136 .Tipos de diseños O1 O2 O 3 Cambio dentro del grupo en el tiempo.

Tipos de diseños O1e X O2e O1c O2c cambio dentro del grupo de O 1e a O2e cambio entre grupos O2e y O2c 137 .

138 . • Uno entre factor (grupo) y uno dentro factor (tiempo) con seis niveles.¿Cómo analizar este diseño? • O1e O2e O3e X O4e O5e O6e O1c O2c O3c O4c O5c O6c • Análisis de varianza de mediciones repetidas en dos grupos.

Diseño sólo post-prueba • X O2e O2c Prueba de t no pareada Hipótesis nula: H0: O2e = O2c Hipótesis alternativa direccional: H1: O2e > O2c 139 .

• Desviación estándar – Cómo las mediciones varían alrededor de la media • Error estándar de la media – Cómo las mediciones de las medias varían alrededor de la media de la población 140 .

Error estándar de la media: Promedio de DS de la muestra 141 .

Conceptual: MediaE – MediaC t= error estándar de la media 142 .

Suposiciones de ANOVA • • • • Distribución Normal Independencia de mediciones Escala continua Relación lineal entre variables 143 .

ANOVA 3 X 2 O1exp X1 O2exp O1exp X2 O2exp O1con O2con  R  Uno entre factor: grupo (3 niveles) Uno dentro factor: tiempo (2 niveles) 144 .

¿dónde está la diferencia? Interacción: Grupo por tiempo 145 .Prueba de F Ómnibus O1exp X1 O2exp  R O1exp X2 O2exp  O1con O2con Prueba F de grupo: ¿hay una diferencia entre los tres grupos? Prueba F de tiempo: ¿hay una diferencia entre tiempo 1 y 2? Si es sí.

La prueba F es significativa.Comparaciones post-hoc O1exp1 X1 O2exp1  R O1exp2 X2 O2exp2  O1con O2con Tipos: Scheffé. compara todas las comparaciones posibles en dos formas H0: O2exp1 = O2exp2 = O2con Si rechazas la nula. Tukey – control para grados de libertad en diferentes formas. puedes buscar diferencias de dos formas. (O2exp1= O2exp2?) o (O2exp2= O2con?) o (O2exp1 = O2con?) 146 .

Pruebas de significancia No-paramétricas Paramétricas Dos grupos Pareados Wilcoxon Rank No pareados Mann-Whitney U Prueba t pareada Prueba t no pareada Más de dos grupos Mediciones repetidas Prueba Friedman Grupos independientes Kruskal –Wallis ANOVA ANOVA de mediciones repetidas 147 .

05 dividido entre el número de pruebas t. distribuye el alfa entre las pruebas • Si se conducen 10 pruebas t.05/10=0.Alfa galopante • Peligro en conducir múltiples pruebas t o haciendo análisis al nivel de ítem en encuestas • alfa = probabilidad de rechazar la hipótesis nula • Alfa 0.005 por prueba (0.005) 148 . alfa a 0.

incluye variable (s) Z.ANOVA • ANOVA – análisis de varianza • ANCOVA – análisis de co-varianza. incluye variable (s) Z • MANOVA – análisis multivariado de varianza (más de una variable dependiente) • MANCOVA – análisis multivariado de co-varianza. 149 .

Análisis de regresión múltiple Técnica de correlación – Valores inestables – Muestra específica – Confiabilidad de mediciones muy importante – Requiere gran tamaño de muestra – Fácil para obtener significancia con gran tamaño de muestra 150 .

Análisis de regresión múltiple Intentos para hacer señalamientos de relaciones causales Y = X1+X2+X3 Y = variable dependiente (status de salud) X1-3 = predictores o variables independientes Status de salud = Edad + Género + Tabaquismo 151 .

género y tabaquismo al status de salud? • ¿Qué tanto de la variación en status de salud es debido a variaciones en edad. tabaquismo? 152 . género.Preguntas de regresión múltiple: • ¿Cual es la contribución de edad.

Análisis de regresión múltiple • Crea una matriz de correlación. 153 . • Selecciona la variable independiente más altamente correlacionada con la variable dependiente primero. • Repite el proceso (iterativo) hasta no más de la varianza en Y es estadísticamente explicada por la suma de otra variable X. • Extrae la varianza en Y contada por la variable X.

Status de salud= edad + género + tabaquismo Status de salud Y Edad X1 Género X2 Tabaquismo Status de salud Y Edad X1 Género X2 Tabaquismo r2 R2 r2 1 0.04 0% 0.05 0% 1 .20 4% X3 1 X3 154 .25 6% 0.11 1% .40 16% 1 0.

Regresión múltiple: varianza compartida Tabaquismo 40% Status de salud Edad 25% Género 4% Edad Tabaquismo Género 155 .

156 .Regresión múltiple • Correlación resulta en una r • Regresión múltiple resulta en una r 2 • R al cuadrado es la cantidad total de la varianza en Y que es explicada por los predictores. removiendo la superposición entre los predictores.

Regresión múltiple Tipos • Escalonada = basada en la correlación más alta. entrada forzada. prueba de teoría. que variable entra primero (la computadora hace la decisión). construcción de teoría • Jerárquica = elije el orden de entrada. 157 .

Regresión múltiple • Nos permite agrupar variables en bloques. diagnóstico SIDA. carga viral. • Bloque 1: variables demográficas – (edad. género. OI) • Bloque 4: tratamiento o control – 1= tratamiento y 0 = control 158 . apoyo social) • Bloque 3: severidad de enfermedad – (cuenta de CD4. nivel socioeconómico) • Bloque 2: bienestar psicológico – (depresión.

• Regresión logística: Y es dicotómica. razón de momios – razón de riesgos (varianza no explicada) • Análisis variado canónico: múltiples Y y múltiples variables X: Y1+Y2+Y3=X1+X2+X3 -ligando variables fisiológicas con variables psicológicas.Análisis de regresión • Regresión múltiple: una Y. múltiples X. popular en epidemiología. Y=enfermedad o no enfermedad. 159 .

160 .Modelos de regresión multivariable: • Ruta de análisis y ahora Ecuación estructural de modelaje • Programa de software: AMOS • Modelo de medición está combinado con modelo predictivo • Conserve la multicolinearidad de variables (¡están correlacionadas!) • Permita variables moderadoras (efectos directos e indirectos).

Ruta de análisis de modelaje múltiple independiente y dependiente 161 .

Modelando ecuación estructural Dolor muscular mes 0 Fatiga mes 0 Inter -sección Intersección Dolor muscular mes 1 Fatiga mes 1 Dolor muscular mes 3 Fatiga mes 3 Dolor muscular mes 6 Pendiente Pendien te Fatiga mes 6 162 .

Factor de análisis • Exploración de la validez de constructo de un instrumento • Técnica correlacional • Requiere sólo una administración de un instrumento • Técnica de reducción de datos • Un procedimiento estadístico que requiere aptitudes artísticas 163 .

Tipos conceptuales de factor de análisis • Exploratorio – ver que está en el grupo de datos • Confirmatorio – ver si tu puedes replicar la estructura reportada. 164 .

Factor de análisis • Componentes principales – (factor principal o ejes principales) 165 .

25 1 0.70 1 166 .80 0.40 0.Matriz de correlación de la escala de ítems: ¿Cuáles ítems están relacionados? Item 1 Item 2 Item 3 Item 4 Item 1 Item 2 Item 3 Item 4 1 0.25 1 0.30 0.

Factor de análisis: Un proceso interactivo Factor de extracción 167 .

20 -0.10 2.75 0.30 0.05 0.63 Item 4 0.25 0.30 0.05 0.80 0.80 0.65 Item 3 0.01 0.77 Item 2 0.Factor de análisis Factor I Factor II Factor III Comunalidad Item 1 0.30 0.56 % var 34% 30% 10% 168 .75 0.67 Eigenvalue 2.20 0.

169 . ítems 3 y 4 = factor II.Definiciones: • Comunalidad: ítem al cuadrado cargado sobre cada factor y suma sobre cada ÍTEM • Eigenvalue: ítems al cuadrado descargado para cada factor y suma sobre cada FACTOR • Etiqueta de factores: producto de la imaginación del autor. Ítems 1 y 2 = factor I.

crea mayores factores de independencia.Factor de rotación Factores son matemáticamente rotados dependiendo de la perspectiva del autor. • Ortogonal – ángulos rectos. bueno para análisis de regresión múltiple. deja que los factores se correlacionen entre ellos al grado de que actualmente se correlacionan y se cree que reflejan mejor los datos actuales difícil de usar en múltiple regresión debido a la multicolinearidad (oblimax) 170 . bajas correlaciones interfactores. puede no reflejar los datos actuales (varimax) • Oblicuo – diferentes tipos.

171 . técnica de validez de constructo.Resumen: Análisis de datos • • • • • Medidas de tendencia central Medidas de relación Probando diferencias de grupos Correlación Técnica de regresión múltiple como predicción (causal). • Factor de análisis como una escala de desarrollo.

Guías éticas para investigación en enfermería Vulnerabilidad – una relación de poder entre el proveedor de atención en salud y paciente. Participantes vulnerables en investigación. 172 . cliente. familia. requieren más protección de daños.

Principios éticos que guían la investigación • • • • • • Beneficiencia – hacer el bien No maleficiencia – no hacer mal Fidelidad – creando confianza Justicia – siendo justo Veracidad – diciendo la verdad Confidencialidad – protegiendo o salvaguardando la información que identifique a los participantes 173 .

Principios éticos que guían la investigación Confidencial – Nombres conservados en lugar seguro vs. Anónimo – Sin identificadores 174 .

Mejores deseos .