1. Poder estadístico y tamaño de muestra en R: Introducción
Vložit
- čas přidán 10. 07. 2024
- En esta serie/tutorial, explico cómo hacer análisis de poder (o potencia) estadística para calcular el tamaño de muestra necesario para un estudio. Este primer video se centra el los conceptos básicos para entender el análisis de poder estadístico, y calcular el tamaño de muestra necesario para un estudio.
SECCIONES DE ESTE VIDEO:
1. Presentación: (0:00)
2. Documento de apoyo: (0:48)
3. Conceptos básicos: (2:11)
4. Cómo estimar el tamaño del efecto: (5:14)
5. Técnicas comunes y sus limitaciones: (6:00)
6. Alternativas: (10:17)
7. Conclusiones: (12:12)
VIDEOS EN ESTA SERIE:
1. Introducción: Conceptos básicos
2. Parte 1 [TUTORIAL]: Diseños sencillos (correlación, pruebas t, ANOVA de una vía) [ • 2. Poder estadístico y... ]
3. Parte 2 [TUTORIAL]: Diseños factoriales (ANOVAs factoriales de medidas independientes, repetidas, y mixtas) [ • 3. Poder estadístico y... ]
DOCUMENTO DE APOYO:
Leongómez, J. D. (2020). Análisis de poder estadístico y cálculo de tamaño de muestra en R: Guía práctica. Zenodo. doi.org/10.5281/zenodo.3988776
_____________________________________________________________________
LINKS A ARTÍCULOS CITADOS EN ESTE VIDEO:
* Albers, C., & Lakens, D. (2018). When Power Analyses Based on Pilot Data Are Biased: Inaccurate Effect Size Estimators and Follow-up Bias. Journal of Experimental Social Psychology, 74, 187-195. doi.org/10.1016/j.jesp.2017.0...
* Correll, J., Mellinger, C., McClelland, G. H., & Judd, C. M. (2020). Avoid Cohen’s “Small”, “Medium”, and “Large” for Power Analysis. Trends in Cognitive Sciences, 24(3), 200-207. doi.org/10.1016/j.tics.2019.1...
* Lakens, D., Scheel, A. M., & Isager, P. M. (2018). Equivalence Testing for Psychological Research: A Tutorial. Advances in Methods and Practices in Psychological Science, 1(2), 259-269. doi.org/10.1177/2515245918770963
* Quintana, D. S. (2017). Statistical Considerations for Reporting and Planning Heart Rate Variability Case-Control Studies. Psychophysiology, 54(3), 344-349. doi.org/10.1111/psyp.12798
_____________________________________________________________________
Si quieres saber más de mí o mi trabajo, visita mi página personal [jdleongomez.info/es/]
MÚSICA: Babies In Grey - Cantgotu [ / babies-in-grey / www.youtube.com/watch?v=umcgX...] #estadística, #jamovi, #R
Gracias Juan, muy claro y necesario en los procesos de investigación cuantitativa.
Mejor imposible, justo lo que necesitaba. ¡Muchas gracias!
¡Mil gracias!
BUENISÍMO VÍDEO, MÚSICA APROPIADA. AUDIO BIEN REMAZTERIZADO, CONTENIDO CLARO Y PRECISO. EXCELENTE.
Juan Carlos, ¡mil y mil gracias por tus amables palabras! Poco a poco voy a prendiendo de edición de audio y video, y me encanta saber que te pareció bueno el contenido. Espero poder publicar otros videos pronto (en la medida que el tiempo me lo permita). Un saludo!
Te faltó papers actualizados... un verdadero CRACK👏🏻👏🏻
Magnífica tu explicación, tenía una duda la cual aclaraste completamente.
Excelente! Qué bueno que te haya resultado útil. Un saludo!
Tremendo....Una apuesta sincera y de calidad por la apropiación social del conocimiento.
Mil gracias Santiago. No sabes cuánto me alegra que una iniciativa como esta, costosa en tiempo (que no me sobra) y dedicación, se acerque a lograr ese objetivo. Saber eso, es la única recompensa que busco. Un gran abrazo.
Muchas gracias! Estoy haciendo una materia de estadistica en la facultad y me ayuda mucho que alguien lo explique así
Me encanta saber que te ha parecido útil; ese es mi único propósito. De corazón, mil gracias por mencionarlo!
Excelente explicación. Muy pocos Edutubers de ciencia (en español) hablan tan profundo de éste apasionante tema del poder estadístico. Muchas gracias! Saludos desde Guadalajara México!
¡Mil gracias Bernardo! La verdad inicié este canal un poco con la idea de ayudar a llenar vacíos metodológicos como este, que aunque fundamentales y sobre los que hay muchísima información, investigación y desarrollo de técnicas, siguen careciendo de fuentes con diferentes niveles de profundidad en español. ¡Saludos desde Bogotá, Colombia!
Me sumo a las palabras, espero sigas haciéndolo quizas no tendras publico tan grande pero si muy fiel👍🏻👏🏻
Muchas gracias profe, mi supervisor de maestría me sugirió calcular el tamaño de mi muestra usando la potencia estadística calculada en G*power, su vídeo y su guía es muy didáctica!!
¡Fantástico Kelly! Me alegra enormemente saber que te ha sido de utilidad. Saludos
Hola Juan, ante todo quiero mostrarte mi agradecimiento, este vídeo me ha ayudado mucho al desarrollo de mi trabajo fin de grado a parte de todas las referencias. He estado indagando en dichas referencias y he encontrado cierta discrepancia. A la hora mostrar los resultados de tamaño de efecto, escribes en tu articulo que se deberian mostrar como en Correll et al. (2020) (usar eta cuadrado) pero anteriormente mencionas un estudio (Albers & Lakens, 2018) en el que se aconseja mejor usar omega cuadrado o epsilon cuadrado para mostrarlos dado que tiene menos sesgo. ¿ Sería mejor usar los que Albers y Lakens proponen?Un saludo
Estimado Víctor, por favor disculpa mi demora en responder a tu amable mensaje. Agredezco de corazón tus palabras.
En respuesta a tu pregunta, la verdad creo que se podría argumentar cualquiera de las dos decisiones que tomes; por un lado, claramente es mejor usar medidas con menos sesgo, pero por el otro la propuesta de usar un único tamaño de efecto estandarizado para múltiples pruebas, es valiosa. Si te parece bien, lo que yo haría es citar ambos artículos y sus razones, y reportar ambos tamaños de efecto.
Hola Juan David. Gracias por tu video y por el documento donde se explica el uso de R y otros paquetes. Tengo dos dudas y me gustaria saber si me puedes ayudar. La primera es que no entiendo por qué en el cálculo de una muestra (prueba t) se pide como argumento de la función "d", ¿no se supone que d es la diferencia o magnitud entre las medias de dos grupos? En este caso no hay dos grupos ya que se trata de 1 muestra extraída de 1 población. Por otro lado, he visto muchos videos donde se explica cómo usar G*Power para el cálculo del Efecto y la Potencia Estadística en experimentos que involucran a grupos de prueba y control con variables numéricas, ¿cómo se puede hacer cuando la variable es dicotómica? por ejemplo, el paciente fallece o no fallece con un cierto tratamiento o el cliente compra o no compra una cierta oferta. Quedaría muy contento y agradecido si me puedieras ayudar, Muchas gracias de antemano.
Buen día Profe, muchas gracias por la explicación. Tengo una duda, si voy a realizar un estudio transversal analítico y requiero el tamaño de la muestra con el poder estadístico, como aplico la fórmula. Gracias
Hola Alejandra, ¿podrías darme un poco más de información sobre el diseño que vas a usar? ¿Qué tipo de prueba estadística usarás para analizar estos datos? No me queda claro exactamente lo que vas a hacer, ni cuál sería entonces la forma (si existe) de calcular el tamaño de muestra.
@ Muchas gracias Profe por la respuesta. Mi diseño es un estudio observacional transversal analítico, yo voy a realizar asociación entre unos factores de riesgo y una patología médica. Se realizará un análisis bivariado que permita determinar asociación entre las variables dependientes y las variables independientes y la estimación de estas asociaciones en OR e intervalos de confianza.
Mi población es homogénea y finita (407 personas), me pidieron que sacara el tamaño de muestra con poder estadístico para saber si la población es suficiente. Yo llevo tratando de resolver esto y no lo he logrado, he consultado con estadísticos y ellos me dicen que con una fórmula de tamaño de muestra es suficiente, pero los profesores insisten en el poder estadístico. Gracias a su video logre entender los componentes que se requieren para sacar lo del poder, pero el tamaño del efecto no sé como sacarlo y una vez lo tenga como aplico la fórmula. Encontré algunos artículos que tienen el OR (4) que me podrían servir de referencia. Que pena profe pero realmente nadie me ha podido ayudar. Muchas gracias y quedo atenta.
@@alejandramariadiaztamayo4145 vale, ya entiendo algo más, pero te confieso que, por el tipo de investigación que hago, no es algo de lo que sepa mucho. Sé que para calcular el poder, si vas a usar OR, hay ciertas fórmulas; no las conozco bien, pero puedes mirar múltiples artículos (e.g. Lemeshow, Hosmer Jr., y Klar, 1988; Wang, Chow y Li, 2002; Wang, y Chow, 2007; Lui y Chang, 2011). Hasta donde entiendo, básicamente, necesitas saber la precisión relativa o margen de error que quieres (entre más pequeño sea este valor, necesitarás una muestra más grande), el nivel de confianza (normalmente se recomienda 95%, pero entre más alto, mayor tamaño de muestra), el OR que esperas, y la relación entre casos de presencia y ausencia que esperas.
Dado que matemáticamente estas ecuaciones no son muy complejas, hay páginas que te ayudan a calcular esto; por ejemplo select-statistics.co.uk/calculators/sample-size-calculator-odds-ratio/ (esta página explica las ecuaciones que usa) o epitools.ausvet.com.au/casecontrolss , y seguramente otras (cuál te sirva, ya dependerá específicamente de tu diseño y la información que tengas) Lamento no saber mucho del tema para poderte dar una respuesta más concreta, pero espero que esto te sirva al menos de indicación. Mucha suerte.
______________
REFERENCIAS
Lemeshow, S., Hosmer, D.W., Jr. and Klar, J. (1988), Sample size requirements for studies estimating odds ratios or relative risks. Statist. Med., 7: 759-764. doi.org/10.1002/sim.4780070705
Lui, K.-J. and Chang, K.-C. (2011), Test non-inferiority (and equivalence) based on the odds ratio under a simple crossover trial. Statist. Med., 30: 1230-1242. doi.org/10.1002/sim.4166
Wang, H. and Chow, S.-C. (2007). Sample Size Calculation for Comparing Proportions. In Wiley Encyclopedia of Clinical Trials (eds R.B. D'Agostino, L. Sullivan and J. Massaro). doi.org/10.1002/9780471462422.eoct005
Wang, H., Chow, S. C., & Li, G. (2002). On sample size calculation based on odds ratio in clinical trials. Journal of biopharmaceutical statistics, 12(4), 471-483. doi.org/10.1081/BIP-120016231
@ Muchísimas gracias Profe por la información que me brinda, voy a revisar los documentos que me referenció. Un abrazo grande y de nuevo mil gracias.
Excelente video, pero tengo una pregunta
De qué manera podría interpretar que, al correr hipotéticamente, una prueba de ANOVA de una vía, y el valor del p > 0.05
Valdrá la pena estimar el tamaño del efecto a pesar de no encontrar diferencias estadísticamente significativas?
Y en caso de encontrar un tamaño de efecto grande, cómo podría explicar esto, tomando en cuenta que el valor del p es > 0.05?
Hola, Diógenes. Mil gracias por tus amables palabras!
Claro que sí. Siempre es bueno reportar el tamaño del efecto, pues eso ayudará a futuros investigadores. Ahora, si encuentras un efecto grande, y sin embargo en tu estudio el resultado no fue significativo, la razón es clara: tenías un poder estadístico muy bajo (una muestra muy pequeña para detectar ese tamaño de efecto). Si tienes más dudas, no dudes en contarme.
Profe Juan. ¿No se animaría a hacer un video sobre el paquete SnowCluster de Jamovi?
Hola Jorge. No sé qué es SnowCluster. Voy a buscar y te cuento.
Sobre machine learning @
Hola, què significa esto?, lo saquè de un artìculo cientìfico. "No determinamos los tamaños de muestra sobre la base de un cálculo de poder estadístico"
Hola. Significa que no calcularon el tamaño de muestra necesario para su estudio usando un análisis de poder estadístico, que es precisamente lo que explico en esta serie de videos czcams.com/play/PLHk7UNt35ccVdyHqnQ6oXVYA6JBNFrE1x.html . Seguramente entonces decidieron el tamaño de muestra de otra manera (por ejemplo, el mismo tamaño de muestra usado en estudios anteriores, o simplemente buscaron obtener una muestra lo más grande posible). Si me das info del artículo, podría mirar exactamente qué hicieron. En cualquier caso, es importante tener en cuenta que estudios con tamaños de muestra que den un poder estadístico adecuado (e.g. mayor al 80 o 90%) son mucho más confiables; de hecho, un problema común en la literatura científica en varias disciplinas, es precisamente que los estudios suelen tener un poder estadístico muy bajo, lo que genera que los resultados no sean muy confiables. Espero que esto te ayude. Mucha suerte
@ siii ahora me explicaron en clases. Fue un estudio de la vacuna coronavac en menores de 18. No usaron la estadística, por lo que es un error dijo mi profe. Gracias me queda más claro 😊