Post on 09-Mar-2015
Métodos cuantitativos avanzados
William L. Holzemer, RN, Ph.D., FAANProfesor, Escuela de EnfermeríaUniversidad de California, San Franciscobill.holzemer@nursing.ucsf.edu
2
Objetivos
• Desarrollar la definición de ciencia de enfermería
• Uso del Modelo de Resultados para pensar acerca de su área de interés
• Revisar los métodos cuantitativos
• Pensar en cómo generar conocimiento para mejorar la salud y la práctica de la enfermería.
3
Asignaciones
• Estudiantes de doctorado en SP asignaciones individuales
• Estudiantes de Maestría – asignaciones grupales– Mini-revisión de la literatura
• Modelo de resultados• Substruction• Tablas de síntesis• Resumen
4
¿Enfermería = Ciencia de enfermería?
Definición de enfermería
Asociación Americana de Enfermería:
“Enfermería es la evaluación, diagnóstico y tratamiento de las respuestas humanas”
5
Definición de enfermería
Asociación Japonesa de Enfermería
“Enfermería es definida como la asistencia al individuo y al grupo, sano o enfermo, para mantener, promover y restaurar la salud.”
6
Definición de EnfermeríaConsejo Internacional de Enfermería
“Enfermería comprende atención autónoma y colaboradora de individuos de todas las edades, familias, grupos y comunidades, sanos o enfermos en todos los lugares. Enfermería incluye la promoción de la salud, prevención de enfermedad y la atención del enfermo, discapacitado y el moribundo. Consejo, promoción de un ambiente seguro, investigación, participación en modelación de políticas en salud y manejo de sistemas de salud y del paciente hospitalizado y educación, son también roles claves de enfermería.”
7
Elementos comunes:Definiciones de Enfermería
• Persona (individual, familia, comunidad)
• Salud (Bienestar y enfermedad)
• Ambiente
• Enfermería (atención, intervenciones, tratamientos)
8
Ciencia de Enfermería
El cuerpo de conocimiento que apoya la práctica basada en evidencias
9
Ciencia de Enfermería usa varias metodologías de investigación
CualitativaEntendimientoEntrevista/observaciónDescubriendo esquemasTextual (palabras)Generación de teoríasCalidad del informante más
importante que el tamaño de muestra
RigorSubjetivaIntuitivaConocimiento encajado
CuantitativaPredicciónEncuesta/cuestionariosEsquemas existentesNuméricaPrueba de teorías (ECA)Tamaño de muestra, esencial en
el tema de confiabilidad de los datos
RigorObjetivaPública
10
Tipos de métodos de investigación: (¡todos tienen reglas de evidencia!)
CuantitativaNo experimental o
descriptiva Experimental o estudios
aleatorizados controladosEtnografíaAnálisis de contenido
Modelos de análisis: Paramétrico vs no paramétrico
CualitativaTeoría aterrizadaEtnografíaTeoría feminista críticaFenomenología
Modelos de análisis: fidelidad al texto o palabras de entrevistas
11
Modelo de resultados para investigación en atención en salud(Holzemer, 1994)
Ingresos1970’s
Procesos 1980’s
Resultados
1990’s
Cliente
Proveedor
Sitio
12
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)
13
Modelo de resultados: proceso de enfermería
Ingresos Procesos Resultados
Cliente Problema Resultado
Proveedor Intervención
Sitio
14
Modelo de resultados para investigación en atención en salud
Ingresos (Covariados, confusoras)
Procesos (Variable
independiente)
Resultados(Variable resultado)
Cliente Edad, género. Nivel socioeconómico, etnicidad, severidad de enfermedad
Auto cuidado
Adherencia
Atención familiar
Calidad de vida, control de dolor, satisfacción del paciente, caídas del paciente
Proveedor Edad, género, Nivel socioeconómico, educación, experiencia, certificación, autonomía percibida
Intervenciones
Atención
Hablar, toque, tiempo
Vigilancia, comunicación
Calidad de vida de trabajo
Errores
Satisfacción
Sitio Recursos
Filosofía
Niveles del personal
Razones actuales de personal
Mortalidad
Morbilidad
Costo
15
Modelo de resultados: Tu tarea(Piense acerca de un proyecto o un programa de
investigación)
Ingresos Z
Procesos x
Resultados y
Cliente
Proveedor
Sitio
16
¿Dónde encontramos guías de la práctica basada en evidencias?
• Guías prácticas clínicas• Estándares de enfermería/ Manuales de
procedimientos• Gran demanda, bajo nivel de entrega
(Gran demanda, creciente nivel de entrega)
• Conocimiento base de revisión de literatura
17
Tipos de evidencia: ¿Cómo sabemos que sabemos?
• Experiencia clínica• Intuición• Historias • Preferencias, valores, creencias y
derechos• Estudios descriptivos/
cuasiexperimentales• Estudios aleatorizados clínicos
(controlados)(ECA) – el estándar dorado
18
Resumen: introducción a la investigación
• Piense acerca de la investigación en enfermería – ciencia de enfermería
• Modelo de resultados diseñado para poner límites alrededor de tu área de estudio y experiencia (¡reto muy difícil en enfermería!)
• Identificación de variables• Entendimiento del rigor – métodos correctos para
cualquier tipo de diseño de investigación.• Fomentar la diversión al leer artículos de
investigación• Entender el reto de que las palabras sean
fácilmente usadas, “práctica basada en evidencias”.
19
Algunos retos:
• Pensar en desarrollar su definición de ciencia de enfermería.
• Uso del Modelo de Resultados para ayudar a pensar en su programa de investigación.
• Fomentar tu entendimiento de rigor en todos los diseños de investigación.
• Aumento de diversión al leer artículos de investigación.
• Entender las complejidades de “la práctica basada en evidencias”.
20
Cuando piense en su problema de investigación:
• ¿Es significante?
• ¿Estás realmente interesado?
• ¿Es novedoso?
• ¿Es un área importante?– ¿Alto costo, alto riesgo?
• ¿Puede estudiarse?
• ¿Es relevante para la práctica clínica?
21
¿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.
22
Usos de Substruction
• Critique un estudio publicado
• Planee un estudio nuevo
23
Substruction• Una estrategia para ayudar a entender la
teoría y métodos (sistema operacional) en un estudio de investigación
• Aplica a estudios de investigación cuantitativos, empíricos.
• No hay la palabra, Substruction, en el diccionario. Tiene un significado inductivo y un significado deductivo, deconstruyendo
• Huerístico
24
Substruction
Teoría
(sistema teorético)
Constructo
Concepto
Deductiva
(cualitativa)
Métodos
(sistema operacional)
Mediciones
Escalas/
análisis de datos
(cuantitativa)
Inductiva
25
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
26
Señalamientos de relaciones
Constructo:
Postulado:Señalamiento de relación entre un constructo y conceptos
Dolor consiste en tres conceptos
Conceptos:
Intensidad
Localización
Duración
27
Substruction: Perspectiva de diseño de investigación
Enfoque del estudio (¿ECCA?)
Co-variables ZSeveridad de enfermedad
para ajuste de riesgos(análisis de covarianza)
Tratamiento de la variable independiente
¿Cómo medirla?Variable dependiente Y
28
Substruction: sistema teórico, un ejemplo
Estudio intervencional sobre dolor
Paciente post quirúrgicoSeveridad de enfermedad
EnfermedadEdad
Género
Intervención de manejo del dolor
Comunicación con el pacienteStanding PRN orders
No tratamiento farmacológico
Control del dolor
Longitud de la estancia
Satisfacción del paciente
29
Substruction: sistema operacional
Intensidad del dolor
Instrumento:
Escala VAS 10 cm
(dolor bajo a alto)
Status funcional:
Instrumento: escala de Likert 1-5, 1=baja y 5=alta función
Escala: ¿continua o discreta?
Escala: ¿continua o discreta?
30
Escalas
Discreta: no-paramétrica (X2)• Nominal género• Ordinal ingreso bajo, medio, alto
Continua: paramétrica (Pruebas t o F)• Intervalo Escala de Likert, 1-5
funcionalidad• Razón dinero, edad, tensión
arterial
31
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?
32
¿Hay una relación entre el toque y control del dolor , contando el dolor inicial post-
operatorio? rx,y.z
IngresoZ
Proceso X
Resultado
Y
Cliente Dolor post-operatorio
Control de dolor
Proveedor Toque terapeútico vs atención NL
Lugar
33
Revisión de la literatura
• Revisamos la literatura para entender los sistemas teóricos y operativos relevantes a nuestra área de interés.
• ¿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?
34
Revisión de la literatura
• ¿Qué se conoce?
• ¿Qué no se conoce?
• Recursos– La biblioteca Cochran – Biblioteca de bases de datos
• PubMed• CINYL
35
Revisión de la literatura:¿Cómo combinar, sintetizar y demostrar la dirección?
S tud y 1 S tud y 2 S tud y 3
T o p icTópico
Estudio 1 Estudio 2 Estudio 3
36
Revisión de la literatura
S tud y 1 S tud y 2 S tud y 3
T o p icTópico
Estudio 1 Estudio 2 Estudio 3
37
Tabla 1. Borrador de variables de estudio relacionados a tu tema
Estudios
Covariables
Z
Intervenciones
Variable independiente
X
Resultados
Variable dependiente
Y
Smith (1999)
Jones (2003)
Etc.
38
Tabla 2. Amenazas a la validez de estudios de investigación relacionados al tópico
Autor (año) Tipo de diseño
Diagrama Conclusión estadística
Validez
Constructo Validez de causa y efecto
Validez interna
Validez externa
Smith (1999)
RCT O X1 O
O X2 O
O O
n/a
Jones (2003)
39
Tabla 3. Instrumentos
Estudios
Instrumento # items
Validez Confiabili- dad
Utilidad
Smith (1999) Cuestionario McGill de dolor
Jones (2003)
40
Tabla 4. Poder del análisis para revisión de la literatura sobre un tema.
Estudios
Tamaño de
muestra
Alfa Poder Tamaño de efecto
Smith (1999) 32 -expuestos
40 – controles
0.05 0.60 Est. al medio
Jones (2003)
41
Síntesis de la literatura
• Síntesis - ¿qué sabemos y que no sabemos?
• Fortalezas – ¿rigor, tipos de diseño, instrumento?
• Debilidades – ¿ausencia de rigor, no ECA, pobre desarrollo de instrumentos?
• Necesidades futuras – ¿cuál es el siguiente paso?
42
Diseños de investigación
43
Diseño de investigación: cualitativa
• Etnografía
• Fenomenología
• Hermenéutica
• Teoría aterrizada
• Histórico
• Estudio de caso
• Narrativa
44
Rigor en investigación cualitativa
• Dependiente
• Creíble
• Transferible
• Confirmable
45
Tipos de diseños de investigación cuantitativa
• Nos enfocaremos en RIGOR:
– Experimental
– No experimental
46
Notación X,Y, Z
• Z = covariable • Severidad de enfermedad
• X = variable independiente (intervenciones)
• Manejo propio de síntomas
• Y = variable dependiente (resultado)• Calidad de vida
47
Tipos de diseños de investigación cuantitativa
– Descriptiva X? Y? Z?• ¿Qué es X, Y, y Z?
– Correlacional rxy.z
• ¿Hay una relación entre X y Y?
– Causal ΔX ΔY?• ¿Un cambio en X causa un cambio en Y?
48
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)
49
Revisión de la literatura Enfoque del estudio
Enfoque del estudio Pregunta de estudio
Pregunta de estudio Hipótesis de estudio
50
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.
51
Diseños experimentales
52
Definición: diseño experimental
1. Hay una intervención que es controlada
2. Hay un grupo experimental y uno control
3. Hay un asignación aleatoria a los grupos
53
Diseño experimental clásico
O1exp X O2exp
R
O1con O2con
(pretest) (posttest)
O=observación1 = pretest o tiempo uno; 2 = posttest o tiempo dosX = intervención
R = asignación aleatoria a los grupos
54
Diseño experimental clásico
O1exp X O2exp
R
O1con O2con
(pretest) (posttest)
El ECA es el estándar dorado para la práctica basada en evidencias
55
Aleatorización
1. Asignación aleatoria a grupos (validez interna) – iguales variables Z en ambos grupos
2. Selección aleatoria de una muestra de la población (validez interna) – variables Z iguales en la muestra que en la población
56
Meta:
Señalar si hay una relación causal
57
Condiciones requeridas para hacer un señalamiento de causalidad: X causa Y
1. X precede Y2. X y Y están correlacionadas3. Todo está controlado o eliminado.
Las variables Z no impactan al resultado
4. Nunca probamos algo, reunimos evidencia que apoye nuestra conclusión
58
Controlando variables Z:
1. Minimiza amenazas la validez interna
2. Limita la muestra (e.g. sólo menores de 35 años) o control de variación
3. Manipulación estadística (ANCOVA)
4. Asignación a grupo aleatoria
59
Dimensiones del diseño de investigación:
Grupos y tiempoO1exp X O2exp
Grupos (n=2 experimental y control)O1con O2con
-----------------------------------------------
Tiempo (n=2) (mediciones repetidas)
60
Dimensiones de diseño de investigación:
grupos y tiempo
Grupos = entre factores
Tiempo = dentro de factores
61
Tipos de diseños
• O - descriptivo, un tiempo
• O1 O2 O3 - descriptivo, cohorte, mediciones repetidas)
• O1 X O2 (¡diseño no experimental!) - pre-post-test
62
Tipos de diseños
• O1 X O2
O1 O2
ECA estudios controlados aleatorizados
63
Tipos de diseños
• O1 O2 O3 X O4 O5 O6
O1 O2 O3 O4 O5 O6
• O1 X O2 Xno O3 X O4 Xno O5
(mediciones repetidas vs diseño de series de tiempo)
64
Tipos de diseño
O1 X1 O2
R O1 X2 O2
O1 O2
# de grupos? ___
# puntos en el tiempo? ___
65
Tipos de diseños
Diseño de post-test sólo:
X O2
O2
¿Cuál es la mayor amenaza a este diseño de sólo post-test?
66
Tipos de diseño de investigación
• Experimental (verdad)
• Cuasi-Experimental (caso)– Asignación no aleatoria a grupos
67
Validez de diseño
– Conclusión estadística válida
– Validez de constructo de causa y efecto (X y Y)
– Validez interna
– Externa
68
Validez del diseño
• Validez de la conclusión estadística rxy? – Error tipo I (alfa 0.05)– Error tipo II (beta) Poder = 1- beta,
inadecuado poder, i.e. pequeño tamaño de muestra
– Confiabilidad de mediciones
¿Puedes creer en los hallazgos estadísticos?
69
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, teoricamente
¿Hay una razonamiento teórico de por qué X y Y deberían estar relacionadas?
70
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?
71
Validez de diseño
Validez externa– Amenaza de baja generalización para
personas, lugares y tiempo
– ¿Puede generalizarse a otros?
72
Construyendo el conocimiento
• La meta es tener confianza en nuestros datos descriptivos, correlacionales y causales.
• Rigor significa seguir las técnicas requeridas y estrategias para incrementar nuestra confianza en los hallazgos de la investigación.
73
Muestreo[Selección de la muestra, no asignación]
74
Términos
• Población
• Muestra
• Elemento
- Todos los sujetos posibles
- Un subgrupo de sujetos
- Un sujeto
75
¿Qué muestreamos?
• Personas (e.g. sujetos)
• Sitios (e.g. hospitales, unidades, ciudades)
• Tiempo (e.g. temporada, cambio am vs pm)
76
Muestreo: ¿Qué hacemos?
• Asignación aleatoria
- Es diseñada para equilibrar las variables “Z” en los grupos experimental y control
• Selección aleatoria
- Es diseñada para equilibrar la distribución de las variables “Z” que existen en la población, en una muestra
77
Tipos de muestreo de probabilidad
ProbabilidadMuestreo simple aleatorio – usa una tabla de
números aleatoriosMuestreo 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
78
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)
79
Tipos de muestras
Homogéneas: sujetos son similares, todos femeninos, todos entre edad de 21-35
Heterogéneas: sujetos son diferentes, amplio rango de edad, pacientes con todo tipo de cáncer
80
Error de muestreo
Población (n=1000) Media de edad: 36.5 años Muestras (n=50) Media de edad: 34.6 años 37.1 años 36.4 años.
81
¿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
82
Tamaño de muestra y error de muestreo
Pequeño Error de muestreo Grande
Pequeño Grande Tamaño de muestra
83
Cálculo de tamaño de muestra
• Tipo de diseño• Accesibilidad de
participantes• Planeación de pruebas
estadísticas• Revisión de la literatura• Costo (tiempo y dinero)
84
Estrategias para estimar tamaño de muestra
• Razón de sujetos a variables en análisis correlacional. 3:1 hasta 30:1 sujetos por variables. Cuestionarios de 30 items requieren 90 a 900 sujetos.
• Chi cuadrada – no puede trabajar si hay menos de 5 sujetos por celda
85
Poder
Poder – comúnmente situado en 0.80
Alfa – comúnmente situado en 0.05 ó 0.01
Tamaño de efecto – basado en estudios piloto o revisión de literatura; pequeño, medio, grande
Tamaño de muestra - # sujetos requeridos para asegurar poder adecuado
Poder es una función de alfa, tamaño de efecto y tamaño de muestra.
86
Programas de análisis de poder
• Paquete SPSS
• nQuery Adviser Release 4.0 (¿más reciente?)http://www.statsolusa.com
87
Poder
• Poder es la capacidad de detectar una diferencia entre las medias de los puntajes o la magnitud de una correlación.
• Si no hay suficiente poder en el estudio, no importa el tamaño del efecto detectado, i.e. sin importar lo exitoso de la intervención no se puede detectar estadísticamente el efecto.
• Muchos estudios tienen bajo poder.
88
Tamaño del efecto
• El tamaño del efecto, se piensa como qué tan grande diferencia hizo la intervención.
• Significancia estadística y significancia clínica, con frecuencia no significan lo mismo.
89
Tamaño del efecto
• Pequeño (correlaciones alrededor de 0.20)– Requiere gran tamaño de muestra
• Medio (correlaciones alrededor de 0.40)– Requiere tamaño de muestra medio
• Grande (correlaciones alrededor de 0.6)– Requiere tamaño de muestra pequeño
90
Tamaño de efecto
Mediaexp – Mediacon
Tamaño de efecto =-------------------------------
DS e y c
91
Eta cuadrada (ŋ2)
• En ANOVA, es la proporción de la variable dependiente (Y) explicada.
• Estima el tamaño del efecto
• Similar a R2 en análisis de regresión múltiple.
92
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, cuando en efecto, el tamaño del efecto observado es por el azar
• Alfa de 0.01 es más conservador que 0.05 y por lo tano, más difícil detectar diferencias
93
Prueba de hipótesis: ¿Es verdad o falso?
• Hipótesis nula: H0
– Media (experimental) = Media (control)
• Hipótesis alterna: H1
– Media (experimental) ≠ Media (control)
94
Prueba de hipótesis y poder
Meta:
Rechazar H0
REALIDAD REALIDAD
Nula H0 Verdad
H0: Mc=Me
Nula H0 Falsa
H0: Mc=/=Me
DECISIÓN Rechazar H0 Error tipo I Poder
(1-Beta)
DECISIÓN Aceptar H0 Decisión correcta
Error tipo II (Beta)
95
Quiz:
• Si el tamaño de muestra crece, ¿qué sucede al poder?
• Si alfa va de 0.05 a 0.01, ¿qué sucede al tamaño de muestra requerido?
• Si el poder cae de 0.80 a 0.60, ¿qué tipo de error es más probable que ocurra?
• Si el tamaño de efecto es estimado basado en la literatura, es grande, ¿qué efecto tendrá en el tamaño de muestra requerido?
96
Perdida de muestra en ECA
N=243
N=91
N=105
N=118
N=89
N=110
N=122
6 meses
1 mes
Aleatorización
97
Medición
“Si existe, puede ser medido”
R. Cronbach
98
Qué medimos:
• Conocimiento, actitudes, conductas (CAC)
• Variables fisiológicas
• Síntomas
• Aptitudes
• Costos
99
Teoría de medición clásica:Medición: Confibilidad Observación = Verdad (hecho) +/- Error Validez
100
Tipos de mediciones
• Estandarizada – evidencia como sigue:1. Desarrollada sistemáticamente
2. Evidencia para validez del instrumento
3. Evidencia de confiabilidadconfiabilidad del instrumento
4. Evidencia de utilidad del instrumento – tiempo, puntaje, costos, sensible a cambios en el tiempo
• No estandarizada
101
Tipos de error de medición
• Sistemático - se puede trabajar para minimizar el error sistemático debido a pobres instrucciones, confiabilidad pobre de mediciones, etc.
• Aleatorio – no podemos hacer nada, siempre presente, nunca medimos nada en forma perfecta, siempre hay algo de error.
102
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
103
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
104
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.
• Predictivo– Medición de dos variables, una ahora y
la otra en el futuro, las correlaciona para demostrar que la medida 1 es predictiva de la medida 2, en el futuro.
105
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?
106
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
107
Confiabilidad del instrumento
• Confiabilidad prueba – re-prueba (estabilidad)– Correlaciones de Pearson
• Alfa de Cronbach (consistencia) – un punto en el tiempo, mediciones de correlaciones entre-ítems o concordancias.
• Calificación de confiabilidad (corregir para cambio de concordancia)– Confiabilidad inter-observador Kapa de Cohen– Confiabilidad intra-observador Pi de Scott
108
Alfa de Cronbach
11
2
n
Xmn
nSD =
2
1
21
1 SD
itemsSD
n
n
n
alfa =
109
Estimaciones de confiabilidad del alfa de
Cronbach:• > 0.90
– Excelente confiabilidad, requerido para toma de decisiones al nivel individual.
• 0.80– Buena confiabilidad, requerido para toma de
decisiones al nivel grupal.
• 0.70– Adecuada confiabilidad, cercana a no aceptable por
demasiados errores en los datos ¿Por qué?
110
Consistencia interna: alfa de CronbachPersona A: Internamente consistente
Persona B: Internamente inconsistente
Ítem
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
111
Error en estimaciones de confiabilidad
“Error = 1 – (estimado de confiabilidad)2”
si alfa = 0.90,1-(0.90)2
1-0.89 = .11 error
si alfa = 0.70, 1 – (0.70)2
1-.49 = .51 error
si alfa = 0.70, es el punto 50:50 de error
vs. verdadero valor
112
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
113
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?
114
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
115
Pregunta:
• ¿Puede una escala ser válida y no confiable?
• ¿Puede ser una escala confiable y no válida?
116
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
117
Traducción• Traducción prospectiva (A a B)
• Traducción retrospectiva (B a A)
• Equivalencias conceptuales a través de culturas
• Usando jerigonza, modismos, etc.
118
Análisis de datos
119
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
120
Donde iniciar:
• Después de la colección de datos, iniciamos un largo proceso de entrada de datos y clarificación.
• La entrada de datos requiere una lista de códigos desarrollado para el programa de estadística que planeamos usar, como SPSS.
• Lista de códigos nos permite dar a las variables nombres, valores y etiquetas.
121
Entrada y limpieza de datos
• La entrada de datos es una GRAN fuente de error en los datos.
• La doble entrada de datos es una estrategia
• Limpieza de datos, buscando valores fuera de los rangos, e.g. edad de 154 es probablemente un error al escribir.
• Examinamos frecuencias, puntaje alto, puntaje abajo. Extremos, etc.
122
Codificando variables
Capture datos en su forma más continua posible.
Edad: 35 años – tenga el valor actual
vs.
Señale uno: _<25
_ 25-35
_ 36-45
_ >45
123
Variable dicotómicas
No haga esto:1 = Masculino2= Femenino ¡Haga esto!1 = masculino0 = femenino
¿Por qué? Función aditiva
124
Codoficando falso
Etnicidad
1 = Negro; 2 = Blanco; 3 = Hispánico
N-1 o 3-1 = 2 variables
Negro: 1 = Negro; 0 = Blanco e hispánico
Blanco: 1 = Blanco; 0 = Negro e hispánico
125
Datos desaparecidos
• SPSS asigna un punto “.” a datos desaparecidos
• SPSS con frecuencia te da a elegir borrar pares o lista para datos desaparecidos.
Substitución de media: da el promedio de la variable del grupo, por ejemplo, edad, no da variación en el grupo de datos.
126
Datos desaparecidos
Pares: una correlación en particular es removida, mejor elección para conservar poder
Lista: variables removidas, requerida en diseños de mediciones repetidas.
127
Mediciones:
• Tendencia central
• Relaciones
• Efectos
128
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 = 36.4 añosSD= 4.2Rango: 22-45)
129
Fórmulas
N
Xn
n1
Media =
SD =
11
2
n
Xmn
n
130
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?
131
Curva Normal: ¡muy robusta!
M +1 +2-1-2
34% 34%
2.5% 2.5%
132
Curvas Normales
133
Curva Normal(Media=Mediana=Modo)
50% 50%
MeanMedianMode
FrequencyFrecuencia
Media Mediana Modo
134
Curvas no Normales
Y-A
xis
X-AxisY
-Axi
s
X-Axis
135
Escalas
• Discreta (cualitativa)
– Nominal– Ordinal
• Continua (cuantitativa)– Intervalo– razón
• No paramétrica (no requiere
suposiciones; Chi cuadrada)
• Paramétrica (asume la curva
Normal, por ejemplo prueba F)
136
Grados de libertad
• Corrección estadística para no sobreestimar
137
¿Grados de libertad para balón 1?
138
¿Grados de libertad para balón 2?
139
Grados de libertad para balón 3
140
Grados de libertad
• Tamaño de muestra (n-1)
• Número de grupos (k-1)
• Número de puntos en el tiempo (l-1)
141
Relaciones o asociaciones
142
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.
143
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; puede no ser clínicamente significantivo.
• Expresa relación no causalidad
144
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
145
Estimado del valor de correlaciónY
-Ax
is
X-AxisY
-Ax
is
X-AxisY
-Ax
is
X-Axis
r = ?r = ?
r = ?
146
Varianza
Area under the curve = SD2
Variance
Área bajo la curva = DS2
Varianza
147
Varianza compartida r2
If r = 0.80, r2 = 0.64
64%
Si r = 0.80, r2 = 0.64
148
Varianza compartida r2
If r = 1, 100%
If r = 0, 0%
Si r= 1,
Si r= 0,
149
Tipos de análisis de datos
Descriptivo X? Y? Z?Medidas de tendencia central
Correlacional rx,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)
150
Probando efectos de intervenciones
151
Probando diferencias en grupos
• Pruebas t
• Pruebas F (Análisis de varianza o ANOVA)
(Pruebas t y F con dos grupos)
152
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
153
Diseño experimental clásico
O1exp X O2exp
R
O1con O2con
(pretest) (posttest)
Grupo: entre factorTiempo: dentro de factor
154
Pruebas de significancia
3 4
1 O1 X O2
2 O1 O2
155
Probando diferencias entre grupos
Entre varianzas
F (o t) =
Dentro de varianzas
156
Examinando varianzas
Mc Me
BetweenVariance
WithinVariance
Entre
varianzasDentro de varianzas
157
Examinando varianzas: No diferencia entre medias
McMe
158
Examinando la varianza: Grandes diferencias entre medias
Mc Me
159
Examinando varianzas: tres grupos
Mc Me2 Me1
160
Tipos de diseños
O1 O2 O3
Cambio dentro del grupo en el tiempo, diseño de mediciones repetidas.
161
Tipos de diseños
O1e X O2e
O1c O2c
cambio dentro del grupo de O1e a O2e
cambio entre grupos O2e y O2c
162
¿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.
• Uno entre factor (grupo) y uno dentro factor (tiempo) con seis niveles.
163
Diseño sólo post-prueba
• X O2e
O2c
Prueba de t no pareada
Hipótesis nula:
H0: O2e = O2c
Hipótesis alternativa direccional:
H1: O2e > O2c
164
• 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
165
Error estándar de la media: Promedio de DS de la muestra
Población (n=1000) Media de edad: 36.5 años Muestras (n=50) Media de edad: 34.6 años 37.1 años 36.4 años SD 3.4 3.8 4.1
166
Conceptual:
MediaE – MediaC
t =
error estándar de la media
167
Suposiciones de ANOVA
• Distribución Normal
• Independencia de mediciones
• Escala continua
• Relación lineal entre variables
168
ANOVA 3 X 2
O1exp X1 O2exp
R O1exp X2 O2exp
O1con O2con
Uno entre factor: grupo (3 niveles)Uno dentro factor: tiempo (2 niveles)
169
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, ¿dónde está la diferencia?Interacción: Grupo por tiempo
170
Comparaciones post-hoc
O1exp1 X1 O2exp1
R O1exp2 X2 O2exp2
O1con O2con
Tipos: Scheffé, Tukey – control para grados de libertad en diferentes formas; compara todas las comparaciones posibles en dos formas
H0: O2exp1 = O2exp2 = O2con Si rechazas la nula. La prueba F
es significativa, puedes buscar diferencias de dos formas.
(O2exp1= O2exp2?) o (O2exp2= O2con?) o (O2exp1 = O2con?)
171
Pruebas de significancia
No-paramétricas Paramétricas
Dos grupos
Pareados
No pareados
Wilcoxon Rank
Mann-Whitney U
Prueba t pareada
Prueba t no pareada
Más de dos grupos
Mediciones repetidas
Grupos independientes
Prueba Friedman
Kruskal –Wallis
ANOVA
ANOVA de mediciones repetidas
172
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 0.05 dividido entre el número de pruebas t, distribuye el alfa entre las pruebas
• Si se conducen 10 pruebas t, alfa a 0.005 por prueba (0.05/10=0.005)
173
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, incluye variable (s) Z.
174
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
175
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
176
Preguntas de regresión múltiple:
• ¿Cual es la contribución de edad, género y tabaquismo al status de salud?
• ¿Qué tanto de la variación en status de salud es debido a variaciones en edad, género, tabaquismo?
177
Análisis de regresión múltiple
• Crea una matriz de correlación.• Selecciona la variable independiente más
altamente correlacionada con la variable dependiente primero.
• Extrae la varianza en Y contada por la variable X.
• Repite el proceso (iterativo) hasta no más de la varianza en Y es estadísticamente explicada por la suma de otra variable X.
178
Status de salud= edad + género + tabaquismo
Status de salud
Y
Edad
X1
r2
Género
X2
R2
Tabaquismo
X3
r2
Status de salud
Y
1 0.25
6%
0.04
0%
0.40
16%
Edad
X1
1 0.11
1%
.05
0%
Género
X2
1 .20
4%
Tabaquismo
X3
1
179
Regresión múltiple: varianza compartida
Status de salud
Tabaquismo
Género
Edad
Género 4%
Tabaquismo 40%
Edad 25%
180
Regresión múltiple
• Correlación resulta en una r
• Regresión múltiple resulta en una r2
• R al cuadrado es la cantidad total de la varianza en Y que es explicada por los predictores, removiendo la superposición entre los predictores.
181
Regresión múltiple
Tipos
• Escalonada = basada en la correlación más alta, que variable entra primero (la computadora hace la decisión), construcción de teoría
• Jerárquica = elije el orden de entrada, entrada forzada, prueba de teoría.
182
Regresión múltiple
• Nos permite agrupar variables en bloques.• Bloque 1: variables demográficas
– (edad, género, nivel socioeconómico)
• Bloque 2: bienestar psicológico– (depresión, apoyo social)
• Bloque 3: severidad de enfermedad– (cuenta de CD4, diagnóstico SIDA, carga viral, OI)
• Bloque 4: tratamiento o control– 1= tratamiento y 0 = control
183
Análisis de regresión
• Regresión múltiple: una Y, múltiples X.• Regresión logística: Y es dicotómica, popular
en epidemiología, Y=enfermedad o no enfermedad; 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.
184
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).
185
Ruta de análisis de modelaje múltiple independiente y dependiente
Edad
Género
Apoyo social
Severidad de la enfermedad
Habilidad cognitivality
Adherencia a la dieta
Control diabético
Relaciones están basadas en la revisión de la literatura y luego potencialmente exploradas, descubiertas, probadas o validadas
186
Modelando ecuación estructural
Inter -sección
Pendiente
Dolor muscular mes 0
Dolor muscular mes 1
Dolor muscular mes 3
Dolor muscular mes 6
Inter- sección
Pendiente
Fatiga mes 0
Fatiga mes 1
Fatiga mes 3
Fatiga mes 6
187
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
188
Tipos conceptuales de factor de análisis
• Exploratorio – ver que está en el grupo de datos
• Confirmatorio – ver si tu puedes replicar la estructura reportada.
189
Factor de análisis
• Componentes principales –
(factor principal
o
ejes principales)
190
Matriz de correlación de la escala de ítems:
¿Cuáles ítems están relacionados?
Item 1 Item 2 Item 3 Item 4
Item 1 1 0.80 0.30 0.25
Item 2 1 0.40 0.25
Item 3 1 0.70
Item 4 1
191
Factor de análisis:
Un proceso interactivo
Factor de extracción
192
Factor de análisis
Factor I Factor II Factor III Comunalidad
Item 1 0.80 0.20 -0.30 0.77
Item 2 0.75 0.30 0.01 0.65
Item 3 0.30 0.80 0.05 0.63
Item 4 0.25 0.75 0.20 0.67
Eigenvalue 2.10 2.05 0.56
% var 34% 30% 10%
193
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; ítems 3 y 4 = factor II.
194
Factor de rotaciónFactores son matemáticamente rotados
dependiendo de la perspectiva del autor.• Ortogonal – ángulos rectos, bajas correlaciones
interfactores, crea mayores factores de independencia, bueno para análisis de regresión múltiple, puede no reflejar los datos actuales (varimax)
• Oblicuo – diferentes tipos, 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)
195
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, técnica de validez de constructo.
196
Guías éticas para investigación en enfermería
Vulnerabilidad – una relación de poder entre el proveedor de atención en salud y paciente, familia, cliente.
Participantes vulnerables en investigación, requieren más protección de daños.
197
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
198
Principios éticos que guían la investigación
Confidencial– Nombres conservados en lugar seguro
vs.
Anónimo– Sin identificadores
Mejores deseos