Estimación y/o significación estadística (T.10)

-


La significación estadística (p) está relacionada con el resultado del estudio, de forma en que cuando p<0.05 (valor mínimo universalmente exigido para salud) afirmamos que el resultado del estudio se cumple, al menos en el 95% de los casos.

Esto nos permite contrastar hipótesis y relacionarlo con el método científico, partiendo de la hipótesis nula frente a la alternativa. Sirve para calcular el nivel de significación y tomar decisiones cuantificando el error.

 

CONTRASTE DE HIPÓTESIS

Consiste en contratar las hipótesis del estudio con los datos obtenidos en la muestra, para verificar si existen diferencias debido a la acción de la variable independiente (causalidad) , o si estas son frutos del azar (casualidad)

El test de hipótesis siempre va a contrastar la hipótesis nula.

Se utiliza la prueba estadística correspondiente y se mide la  probabilidad de error al rechazar la hipótesis nula, asociada al  valor de p:

–       p>0,05: en este caso no podemos rechazar la hipótesis nula (no podemos  decir que sea cierta, sino que no podemos rechazarla)

–       p<0,05: en este caso rechazamos la hipótesis nula, por lo que debemos  aceptar la hipótesis alternativa.

 

PROCEDIMIENTO PARA CONTRASTAR HIPÓTESIS

Fase 1: Lo primero que debemos hacer es formular la hipótesis nula a partir de la hipóteis de investigación o alternativa.

•        La hipótesis nula (H0). No existen diferencias significativas entre los resultados obtenidos en la práctica y los resultados teóricos. Se expresa como:

H0= μA = μB

•        Es la hipótesis de investigación o alternativa (H1 o Ha). Afirma que la media de la población es un valor diferente al hipotético. Se expresa como:

Cuadro de texto: OJO: La clasificación de las hipótesis, según si estas indican o no el sentido de la diferencia, se denominan direccionales o no direccionales. Las hipótesis no direccionales o bilaterales, solo indican que el parámetro de la población es diferente al hipotéticamente establecido, sin especificar si es un valor mayor o menor, y requieren pruebas de hipótesis bilaterales. En estos casos, el valor de α se distribuye en las dos colas de la curva, por lo que cada cola adopta un valor de α / 2. Esto significa que si el valor de α es 0.05, el valor en cada cola de α es 0.025 (0.05 / 2). En el caso de que la hipótesis sea direccional o unilateral, además de afirmar que el parámetro es diferente, indicamos si es mayor o menor. Requeriría un contraste de hipótesis unilateral, teniendo en cuenta solo una cola de la distribución, en la que el valor de α será de 0.05. Sin embargo, como ya se ha indicado, la mayoría de las aplicaciones estadísticas realizan un contraste bilateral, para descartar que el efecto que se produce no es el contrario, aunque la lógica y los conocimientos que poseemos sobre el problema objeto de estudio indiquen cuál puede ser la dirección esperada; de hecho, cuando leemos un artículo de investigación en el que se ha hecho un contraste de hipótesis, debemos suponer que este ha sido bilateral, a no ser que los autores especifiquen lo contrario. H1: μA ≠Μb

















Formular H0 a partir de una hipótesis (alternativa) unilateral: hacer de la hipótesis nula la contraria a la alternativa

  • De la hipótesis alternativa A es más eficaz que B (H1: μA>μB ) à hipótesis nula B es como mínimo tan eficaz como A (H0: μA ≤ μB)

Formular H0 a partir de una hipótesis bilateral: hacer de la hipótesis nula la contraria a la bilateral

  •  De la hipótesis bilateral A tiene una eficacia distinta a B (H1: μA≠μB) à hipótesis nula B igual de eficaz que A (H0: μA = μB)

 

Fase 2: Mediante el estadístico de contraste más apropiado se calcula la probabilidad de que los resultados observados se deban o no al azar. De esta manera calculamos un  estadístico de contraste de hipótesis o de significación estadística, que mide la discrepancia entre la hipótesis nula y los resultados obtenidos

Para elegir el estadístico de contraste más adecuado debemos tener en cuenta:

  • La escala de medida y el tipo de variable
  •  La dependencia (medidas a los mismos participantes en tiempos o condiciones diferentes) o independencia (la participación de un sujeto no proporciona ni interfiere en la de otro) de las medidas
  • El aspecto de la distribución de la variable dependiente, comprobando si se cumplen  los supuestos de normalidad y distribución homogénea de las varianzas u homocedasticidad y trabajar con una escala de medida de razón o de intervalo. En el caso de que estos supuestos no se cumplan, se utilizan los contrastes no paramétricos, que permiten poner a prueba hipótesis no referidas a parámetros poblacionales (en estos casos la distribución de frecuencias de la variable dependiente puede asemejarse a la distribución de Poisson o a la de t de Student).



Fase 3: Basándose en la probabilidad se decidirá rechazar o no la hipótesis nula, de forma que a menor P, menor probabilidad de que los resultados se deban al azar, descartándose la hipótesis nula. En el ámbito de la ciencia el valor de P por debajo del cual se rechaza H0 es 0,05, y se denomina α



ERRORES HIPOTÉTICOS

 

Es posible que nos equivoquemos debido a que no trabajamos con una población total sino con una muestra, además debemos tener en cuenta que toda inferencia estadística lleva implícita el riesgo de error. Este error es denominado  α.  Existen varios tipos de errores:
  • El error tipo I que consiste en decir que existen diferencias estadísticamente significativas (porque realmente sí existen en la muestra que se ha tomado) cuando realmente esto no es cierto. Se denomina error α. La probabilidad de cumplir este error suele ser 0.05
  • El error tipo II en el que se indica que no existen diferencias (en la muestra no se hallan diferencias estadísticamente significativas), cuando realmente esto no es cierto. A este tipo de error también se le conoce como error β. La probabilidad de cometer este error oscila entre el 5% y el 20%

Comentarios

Publicar un comentario