Charla Patología Experimental-Resultados
-
Upload
percy-soto-becerra -
Category
Documents
-
view
217 -
download
0
description
Transcript of Charla Patología Experimental-Resultados
Análisis de Datos y Presentación de Resultados
Percy Soto Becerra
Estudiante de Medicina-UNMSM
Miembro Temporal del Comité de Ética del IMT “Daniel A. Carrión”-UNMSM
Investigador asociado a al Instituto Peruano de Investigación y Biotecnología
Miembro Titular de la Asociación para el Desarrollo de la Investigación Estudiantil en Ciencias de la Salud (ADIECS)
1
Motivación (1)
• Un estudio1 analizó una muestra aleatoria de 271 artículos que involucraron ratones, ratas o primates no humanos. Encontraron que de los artículos publicados:
- 87% no reportó asignación aleatoria de los sujetos a los tratamientos.- 86% no reportó “enmascaramiento” cuando pareció ser apropiado.- 100% falló en justificar el tamaño de muestra utilizado.- 5% no indicó claramente el propósito del estudio.- 6% no indicó cuántos experimentos separados fueron hechos.- 13% no identificó la unidad experimental.- 26% falló en indicar el sexo de los animales.- 24% no reportó la edad ni el peso de los animales utilizados.- 4% no mencionó la cantidad de animales utilizados.- 35% que reportó la cantidad la cantidad utilizada, esta difería en las
secciones de materiales y métodos y de resultados.
21 Kilkenny C, Parsons N, Kadyszewski E et al. Survey of the quality of experimental design, statistical
analysis and reporting of research using animals. PLoS One 2009; 4: e7824.
Motivación (2)• Otros estudios2,3 encontraron resultados similares.
3
2 McCance. Assessment of statistical procedures used in papers in the Australian Veterinary Journal. Aust Vet Journal 1995; 72: 322.
3 Roberts et al. Does animal experimentation inform human healthcare? Observations from a systematic review of internatioal animal experiments on fluid resuscitation. BMJ 2002; 324: 474.
Conclusión:La mayoría de artículos publicados reportaron sus resultados inadecuadamente. Ninguno justificó la cantidad de animales usada, y en muchos casos el diseño de los experimentos y/o análisis estadísticos fueron inadecuados e incluso incorrectos.
4
¿Por qué experimentar? (1)
PI: ¿La aspirina es eficaz previniendo el infarto?
… es lo mismo que decir…
¿La aspirina causa la prevención del infarto (menos infarto)?
… bueno, supongamos que realizamos un estudio y obtenemos que…
5
Análisis de Datos
¿Por qué experimentar? (2)
La aspirina está asociado estadísticamente a la prevención de
infarto comparado contra placebo (p<0,05)
6
Análisis de Datos
… Cómo puede interpretarse esto…
… Y si fuera un experimento bien diseñado? ...
¿Y para qué utilizamos pruebas de hipótesis o estimamos intervalos de
confianza?
… alguna idea?
Análisis de Datos
7
¿Y para qué utilizamos pruebas de hipótesis?
Análisis de Datos
8
¿Y para qué utilizamos pruebas de hipótesis?
Análisis de Datos
9
¿Y para qué utilizamos pruebas de hipótesis?
Medida de resumen
que ocurre en la
población (REALIDAD)
Medida de resumen
que ocurre en mi
muestra (porción de la realidad)
¿Y para qué utilizamos pruebas de hipótesis?
Faro delantero derecho
(estadístico 1)
Llanta delantera izquierda
(estadístico 2)
Ventana trasera
izquierda (estadístico 3)
En cada muestra ocurren cosas
distintas
Faro delantero derecho
(estadístico 1)
Faro delantero derecho
(estadístico 1)
Pero, en promedio, a todas les ocurre lo mismo: son partes de un automóvil (parámetro)
• Población (N=7): 1 2 2 2 2 3 4
• Parámetros:
• Muestra (n=4):1 2 2 3
• Estadísticos:
Proporción de #s
2π 0,57 = 57% p 0,5 = 50%
DE σ 0,951 s 0,816
Algunas consideraciones generales, 2
• Regla del suceso infrecuente– 5%
• Valor p– P (observar un valor mayor igual que el obtenido | H0
es V): Si el tratamiento NO fuera eficaz qué probabilidad tengo de haber obtenido el estadístico (p.ej., media, mediana, etc) de mi muestra.
– No significa:• Probabilidad de cometer error tipo 1• Probabilidad de que mi estudio se equivoque• Probabilidad de rechazar la H0• Probabilidad de que la H0 no sea cierta
Análisis de Datos
13
Algunas consideraciones generales, 1
• Intervalo de confianza– Rango de valores que se usa para estimar el valor real de
un parámetro de la población, con una probabilidad de incertidumbre dada. Se suele elegir el 95%.
– Significa: Hay 95% de probabilidades de que el intervalo de confianza incluya a la media poblacional y un 5% de que no.
– No significa:● Rango que contiene 95% de los datos (valores)● 95% de veces la media poblacional estará dentro del
intervalo de confianza
Análisis de Datos
14
Interpretación práctica (para el Informe)
• Intervalo de confianza
- Diferencias, coef correlación y regresión:
- RR, HR
• Valor p– P < 0,05 : Diferencias/asociación estadísticamente
significativa– P >= 0,05: Diferencias/asociación no estadísticamente
significativa
Análisis de Datos
16
• Se desea conocer el efecto de un extracto de quinua sobre el peso de ratas Holtzman macho, previamente inducidas a desnutrición.
• Unidad experimental: rata Holtman macho• Grupos (réplicas por grupo)
Quinua 1 (1) n = 16 Quinua 2 (2) n = 16 Placebo (3) n = 16 Suplemento (4) n = 16
• Un animal del grupo Quinua 2 y dos animales del grupo Suplemento mueren antes de terminar el estudio.
Caso para analizar
Análisis de Datos
17
Análisis estadístico: Pasos prácticos
Paso 1: Ingresa y prepara los datos recolectados (limpieza)
Paso 2: Explora los datos en bruto
Paso 3: Realiza el análisis descriptivo de cada variable de interés
Paso 4: Realiza la prueba de hipótesis que contraste tu H principal
Paso 5: Interpreta los resultados
Paso 6: Presenta los resultados de la mejor manera18
Análisis de Datos
* Chapter 12.: Statistical Analysis. Festing M FW. 3Rs-Reduction. Available in: http://www.3rs-reduction.co.uk/html/12__statisticanalysis.html
Y siempre tener en cuenta!
Usa el sentido común! Haz un montón de gráficos!
19
Análisis de Datos
* MOOC: Statistics in Medicine. Stanford University. Available in: https://class.stanford.edu/courses/Medicine/HRP258/Statistics_in_Medicine/about
PASO 1: Ingresa y prepara los datos recolectados
20
Análisis de Datos
21
Cada fila contiene los datos para un solo animal (1 observación)
Wide format
22
Cada columna contiene los datos para 1 variable (p. ej., peso, hdl, etc.)
23
¡Datos faltantes! (Missing
data)
24
Variable de identificación del
animal experimental (id)
1
2Variable de
agrupación o tratamiento (VI)
3Variables de
respuesta o efecto (VD)
4¡¡Envíen su LIBRO DE
CÓDIGOS!!
25
4¡¡Envíen su LIBRO DE
CÓDIGOS!!
PASO 2: Explora los datos en bruto (AED)
Una vez tabulados los datos, se procede a realizar el análisis exploratorio de datos.
Se deben investigar cuatro características de los datos: Centro, Variación, Distribución y Valores extremos.
Esto mediante gráficos y medidas de resumen numéricas.
26
Análisis de Datos
* Capítulo 3: Estadísticos para describir, explorar y comparar datos. En: Mario Triola. Estadística. 10ma Edición. Págs. 119-120.
27
Análisis de Datos
PASO 2: Explora los datos en bruto (AED)* Consejo 1: ¡Haz un montón de gráficos!
Variables numéricas• Histogramas (>100 datos/variable)• Gráfico de cajas (>100 datos/variable)• Grafico de puntos (<100 datos/variable)• Q-Q plot (<100 datos/variable)Variables categóricas• Tablas de frecuencias• Gráfico de tortas (no muy útil)• Gráfico de barras (no muy útil)
28
Análisis de Datos
* MOOC: Statistics in Medicine. Stanford University. Available in: https://class.stanford.edu/courses/Medicine/HRP258/Statistics_in_Medicine/about
¡Muy útiles para
muestras pequeñas
!
PASO 2: Explora los datos en bruto (AED)* Consejo 2: Mira los gráficos y pregúntate lo
siguiente
• ¿Hay valores extremos (“outliers”)?
• ¿Hay valores extremos SIN sentido?
• ¿Cómo están distribuidos los datos con y sin los outliers?
29
Análisis de Datos
* MOOC: Statistics in Medicine. Stanford University. Available in: https://class.stanford.edu/courses/Medicine/HRP258/Statistics_in_Medicine/about
PASO 2: Explora los datos en bruto (AED)*
¿Hay valores extremos (“outliers”)?
30
Análisis de Datos
200
220
240
260
280
300
320
340
360
380
400
420
440
460
480
500
520
540
560
580
600
Pe
so a
l fin
al d
el e
stu
dio
(g)
Quinua 1 (1) Quinua 2 (2) Placebo (3) Suplemento (4)
Gráfico de cajas
PASO 2: Explora los datos en bruto (AED)*
¿Hay valores extremos (“outliers”)?
31
Análisis de Datos
200
220
240
260
280
300
320
340
360
380
400
420
440
460
480
500
520
540
560
580
600
Pe
so a
l fin
al d
el e
stu
dio
(g)
Quinua 1 (1) Quinua 2 (2) Placebo (3) Suplemento (4)
¿Son valores extremos?
Gráfico de cajas
0
.005
.01
.015
.02
0
.005
.01
.015
.02
200 250 300 350 400 450 500 550 600 200 250 300 350 400 450 500 550 600
1 2
3 4
Peso al final del estudio (g)Graphs by Tipo de dieta
32
Histograma
0
.005
.01
.015
.02
0
.005
.01
.015
.02
200 250 300 350 400 450 500 550 600 200 250 300 350 400 450 500 550 600
1 2
3 4
Peso al final del estudio (g)Graphs by Tipo de dieta
33¿Es un valor extremo?
Histograma
250
265
280
295
310
325
340
355
370
385
400
415
430
445
460
475
490
505
520
535
550
565
580
595
610
Pe
so a
l fin
al d
el e
stu
dio
(g)
Quinua 1 (1) Quinua 2 (2) Placebo (3) Suplemento (4)
Tipo de dieta
34
Gráfico de dispersión
250
265
280
295
310
325
340
355
370
385
400
415
430
445
460
475
490
505
520
535
550
565
580
595
610
Pe
so a
l fin
al d
el e
stu
dio
(g)
Quinua 1 (1) Quinua 2 (2) Placebo (3) Suplemento (4)
Tipo de dieta
35
¿Es un valor extremo?
Gráfico de dispersión
PASO 2: Explora los datos en bruto (AED)
¿Por qué son importantes los valores extremos? *
– Pueden tener un efecto importante sobre la media.
– Pueden tener un efecto importante sobre la desviación estándar.
– Pueden tener un efecto importante sobre la escala del histograma, de forma que la verdadera naturaleza de la distribución se oculte por completo.
36
Análisis de Datos
* Capítulo 3: Estadísticos para describir, explorar y comparar datos. En: Mario Triola. Estadística. 10ma Edición. Pág. 120.
0
.005
.01
.015
.02
0
.005
.01
.015
.02
200 250 300 350 400 450 500 550 600 200 250 300 350 400 450 500 550 600
1 2
3 4
Peso al final del estudio (g)Graphs by Tipo de dieta
37
CON valor extremo...
38
0
.01
.02
.03
0
.01
.02
.03
200 220 240 260 280 300 320 340 360 380 400 200 220 240 260 280 300 320 340 360 380 400
1 2
3 4
Peso al final del estudio (g)
SIN valor extremo...
PASO 2: Explora los datos en bruto (AED)
¿Qué puede significar un valor extremo?
39
Análisis de Datos
Valor extremopuede ser...
Correcto
Error
Analizar efecto del valor extremo (Si y solo si hay 1
solo VE)
Análisis CON valor extremo
Análisis SIN valor
extremo
vs
CORREGIR error
ELIMINAR error
PASO 2: Explora los datos en bruto (AED)
¿Hay valores extremos que no tienen sentido?
40
Análisis de Datos
200
220
240
260
280
300
320
340
360
380
400
420
440
460
480
500
520
540
560
580
600
Pe
so a
l fin
al d
el e
stu
dio
(g)
Quinua 1 (1) Quinua 2 (2) Placebo (3) Suplemento (4)
¿Tiene sentido este valor?
PASO 2: Explora los datos en bruto (AED)
¿Hay valores extremos que no tienen sentido?
41
Análisis de Datos
200
220
240
260
280
300
320
340
360
380
400
420
440
460
480
500
520
540
560
580
600
Pe
so a
l fin
al d
el e
stu
dio
(g)
Quinua 1 (1) Quinua 2 (2) Placebo (3) Suplemento (4)
¿Tiene sentido este valor?NO!, no es plausible...
PASO 2: Explora los datos en bruto (AED)
¿Hay valores extremos que no tienen sentido?
42
Análisis de Datos
200
220
240
260
280
300
320
340
360
380
400
420
440
460
480
500
520
540
560
580
600
Pe
so a
l fin
al d
el e
stu
dio
(g)
Quinua 1 (1) Quinua 2 (2) Placebo (3) Suplemento (4)
¿Y este valor tiene sentido?
PASO 2: Explora los datos en bruto (AED)
¿Hay valores extremos que no tienen sentido?
43
Análisis de Datos
200
220
240
260
280
300
320
340
360
380
400
420
440
460
480
500
520
540
560
580
600
Pe
so a
l fin
al d
el e
stu
dio
(g)
Quinua 1 (1) Quinua 2 (2) Placebo (3) Suplemento (4)
¿Y este valor tiene sentido?Sí, es
plausible...
PASO 2: Explora los datos en bruto (AED)
ELIMINANDO el valor extremo...
44
Análisis de Datos
200
210
220
230
240
250
260
270
280
290
300
310
320
330
340
350
360
370
380
390
400
Pe
so a
l fin
al d
el e
stu
dio
(g)
Quinua 1 (1) Quinua 2 (2) Placebo (3) Quinua 4 (4)
250
265
280
295
310
325
340
355
370
385
400
415
430
445
460
475
490
505
520
535
550
565
580
595
610
Pe
so a
l fin
al d
el e
stu
dio
(g)
Quinua 1 (1) Quinua 2 (2) Placebo (3) Suplemento (4)
Tipo de dieta
45
CON valor extremo...
46
260
270
280
290
300
310
320
330
340
350
360
370
380P
eso
al f
inal
de
l est
udi
o (g
)
Quinua 1 (1) Quinua 2 (2) Placebo (3) Suplemento (4)
Tipo de dieta
SIN valor extremo...
PASO 2: Explora los datos en bruto (AED)
Precaución
– Intentar en la medida de lo posible no tener/eliminar valores extremos:
• Ejecutar bien el estudio (mejor es prevenir)
• Métodos alternativos de análisis
– Si es lógico hacerlo, explicar en el paper (metodología y discusión) lo que se hizo, cuál fue el fundamento y cuáles son las implicancias de esta decisión. (Transparencia)
47
Análisis de Datos
* Capítulo 3: Estadísticos para describir, explorar y comparar datos. En: Mario Triola. Estadística. 10ma Edición. Pág. 120.
PASO 2: Explora los datos en bruto (AED)*
¿Cómo están distribuidos los datos?
48
Análisis de Datos
* Intuitive Biostatistics. Graph Pad.
Distribuciones de cada muestra
Distribución muestral
Ejemplo didáctico!!
PASO 2: Explora los datos en bruto (AED)*
¿Cómo están distribuidos los datos?
¿Es importante que los datos de mi muestra sigan una distribución normal?
49
Análisis de Datos
"Todo el mundo cree en la distribución de Gauss: Los experimentadores, porque piensan que puede ser probada por las matemáticas y los matemáticos, porque creen que se ha establecido mediante la observación"
W. Lippmann
* Intuitive Biostatistics. Graph Pad. http://www.graphpad.com/guides/prism/6/statistics/index.htm?stat_normality_tests.htm
PASO 2: Explora los datos en bruto (AED)*¿Cómo están distribuidos los datos?
¿Los datos siguen una distribución normal?
• DISTRIBUCIÓN NORMAL es una idealización matemática.
• Es más, pocas distribuciones biológicas, si es que ninguna, realmente siguen una distribución normal.
• Buscar asumir una distribución normal = aproximadamente normal.
• Teoría del Límite Central:
La distribución de medias muestrales es aproximadamente normal cuando las muestras son lo suficientemente grandes, sin importar la distribución de la población de donde provenga.
50
Análisis de Datos
* Intuitive Biostatistics. Graph Pad. http://www.graphpad.com/guides/prism/6/statistics/index.htm?stat_normality_tests.htm
PASO 2: Explora los datos en bruto (AED)*
¿Cómo están distribuidos los datos?
¿Es importante que los datos de mi muestra sigan una distribución normal?*
• Supuesto de normalidad de los residuos (errores) o de la distribución del outcome es requisito de muchas PH paramétricas.
• En la práctica se busca que datos sigan un patrón de distribución aproximadamente normal.
• Importancia depende del tamaño de muestra
51
Análisis de Datos
PASO 2: Explora los datos en bruto (AED)*¿Cómo están distribuidos los datos?
¿Es importante que los datos del outcome mi muestra sigan una distribución aproximadamente normal?*
52
Análisis de Datos
Muestra
Suficientemente grande
Pequeña
TLC, la mayoría de
veces
Requisito debe cumplirse
Se aceptan ligeras desviaciones
PASO 2: Explora los datos en bruto (AED)*¿Cómo están distribuidos los datos?
¿Es importante que los datos del outcome mi muestra sigan una distribución aproximadamente normal?*
53
Análisis de Datos
Muestra
Suficientemente grande
Pequeña
TLC, la mayoría de
veces
Requisito debe cumplirse
Se aceptan ligeras desviaciones
Importante para
Patología Experiment
al!!
PASO 2: Explora los datos en bruto (AED)*
¿Cómo están distribuidos los datos?
Normalidad
Método gráfico
Método analítico
Método de las pruebas de hipótesis (NO ÚTILES LA MAYORÍA DE VECES, ni para muestras pequeñas, ni para muestras grandes)
54
Análisis de Datos
¡Muy útiles para
muestras pequeñas!
PASO 2: Explora los datos en bruto (AED)*
¿Cómo están distribuidos los datos?
Normalidad: Métodos gráficos
Método gráfico
– Histograma
– Gráfico de cajas
– Q-Q plot (muy útil) Método sugerido por excelencia!
55
Análisis de Datos
56
Análisis de Datos
Explorando normalidad con HISTOGRAMAS...
0.0
1.0
2.0
30
.01
.02
.03
200 400 600 200 400 600
1 2
3 4
Density
normal peso
Den
sity
Peso al final del estudio (g)
Graphs by Tipo de dieta
57
Análisis de Datos
0
.01
.02
.03
0
.01
.02
.03
250 270 290 310 330 350 370 390 250 270 290 310 330 350 370 390
1 2
3 4
Peso al final del estudio (g)
Explorando normalidad con HISTOGRAMAS...
58
Análisis de Datos
0
.01
.02
.03
0
.01
.02
.03
250 270 290 310 330 350 370 390 250 270 290 310 330 350 370 390
1 2
3 4
Peso al final del estudio (g)
¿Normal? ¿Normal?
¿Normal? ¿Normal?
... NO MUY ÚTIL con muestras pequeñas...
59
Análisis de Datos
250
260
270
280
290
300
310
320
330
340
350
360
370
380
390
400
Pe
so a
l fin
al d
el e
stu
dio
(g)
Quinua 1 (1) Quinua 2 (2) Quinua 3 (3) Quinua 4 (4)
Explorando normalidad con GRÁFICO DE CAJAS...
60
Análisis de Datos
250
260
270
280
290
300
310
320
330
340
350
360
370
380
390
400
Pe
so a
l fin
al d
el e
stu
dio
(g)
Quinua 1 (1) Quinua 2 (2) Quinua 3 (3) Quinua 4 (4)
... NO MUY ÚTIL con muestras pequeñas...
¿Normal?¿Normal?
¿Normal?
¿Normal?
61
250
300
350
400
Pe
so a
l fin
al d
el e
stu
dio
(g
)
280 300 320 340 360
Inverse Normal
Quinua 1
250
300
350
400
Pe
so a
l fin
al d
el e
stu
dio
(g)
300 320 340 360 380
Inverse Normal
Quinua 2
250
300
350
400
Pe
so a
l fin
al d
el e
stu
dio
(g)
280 290 300 310 320 330
Inverse Normal
Placebo
250
300
350
400
Pe
so a
l fin
al d
el e
stu
dio
(g)
280 300 320 340 360
Inverse Normal
Suplemento
Explorando normalidad con GRÁFICO QUANTIL-QUANTIL...
62
Análisis de Datos
250
300
350
400
Pe
so a
l fin
al d
el e
stu
dio
(g
)
280 300 320 340 360
Inverse Normal
Quinua 1
250
300
350
400
Pe
so a
l fin
al d
el e
stu
dio
(g)
300 320 340 360 380
Inverse Normal
Quinua 2
250
300
350
400
Pe
so a
l fin
al d
el e
stu
dio
(g)
280 290 300 310 320 330
Inverse Normal
Placebo
250
300
350
400
Pe
so a
l fin
al d
el e
stu
dio
(g)
280 300 320 340 360
Inverse Normal
Suplemento
¿Normal? ¿Normal?
¿Normal? ¿Normal?
MUY ÚTIL con muestras pequeñas!!
63
Análisis de Datos
250
300
350
400
Pe
so a
l fin
al d
el e
stu
dio
(g
)
280 300 320 340 360
Inverse Normal
Quinua 1
250
300
350
400
Pe
so a
l fin
al d
el e
stu
dio
(g)
300 320 340 360 380
Inverse Normal
Quinua 2
250
300
350
400
Pe
so a
l fin
al d
el e
stu
dio
(g)
280 290 300 310 320 330
Inverse Normal
Placebo
250
300
350
400
Pe
so a
l fin
al d
el e
stu
dio
(g)
280 300 320 340 360
Inverse Normal
Suplemento
¿Normal? ¿Normal?
¿Normal? ¿Normal?
Aproximadamente “NORMAL”
Aproximadamente “NORMAL”
Aproximadamente “NORMAL”
Aproximadamente “NORMAL”
MUY ÚTIL con muestras pequeñas!!
PASO 2: Explora los datos en bruto (AED)*
¿Cómo están distribuidos los datos?
Normalidad: Métodos analíticos
Métodos analíticos:
– Media vs. mediana
– Coeficiente de simetría (entre -1, +1)
– Coeficiente de curtosis (valor ideal: 3)
64
Análisis de Datos
PASO 2: Explora los datos en bruto (AED)*
¿Cómo están distribuidos los datos?
Normalidad: Pruebas de normalidad
Pruebas de hipótesis de normalidad (no útiles para muestras pequeñas/tampoco para muestras grandes)
– Prueba de D’Agostino-Pearson (n ≥ 8)
– Prueba de Shapiro-Wilks (4 ≤ n ≤ 2000)
– Prueba de Kolgomorov-Smirnov (curiosidad histórica)
"The Kolmogorov-Smirnov test is only a historical curiosity. It should never be used.“**
65
Análisis de Datos
1. RB D'Agostino, "Tests for Normal Distribution" in Goodness-Of-Fit Techniques edited by RB D'Agostino and MA Stephens, Macel Dekker, 1986.2. Dallal GE and Wilkinson L (1986), "An Analytic Approximation to the Distribution of Lilliefors's Test Statistic for Normality," The American Statistician, 40, 294-296
PASO 3: Realiza el análisis descriptivo de cada variable de interés• Calcular:
– Medidas de tendencia central– Medidas de variación
• Elegir qué medidas describen mejor los datos (recomendación práctica):
66
Análisis de Datos
PASO 3: Realiza el análisis descriptivo de cada variable de interés• Elegir qué medidas describen mejor los
datos (recomendación práctica):
67
Análisis de Datos
Distribución de la variable numérica a
describir
Aprox. Simétrica Sesgada
Media ± DS Mediana ± IQR/Rango
PASO 3: Realiza el análisis descriptivo de cada variable de interés
68
Análisis de Datos
PASO 4: Prueba las hipótesis del estudio
• Plantear una hipótesis estadística (nula y alterna) por cada variable dependiente estudiada.
• Seleccionar una prueba estadística ad hoc.• NO SEGUIR! el siguiente enfoque*:
69
Análisis de Datos
Primero realiza una prueba de normalidad. Si el valor p es bajo (<0,05), se demuestra que los datos no siguen una distribución normal, entonces elige una prueba no paramétrica. Caso contrario, elige una prueba paramétrica.
* Intuitive Biostatistics. Graph Pad. http://www.graphpad.com/guides/prism/6/statistics/index.htm?using_a_normality_test_to_choo.htm
PASO 4: Prueba las hipótesis del estudio
• ¿Con qué PH contamos?– Paramétricas– No paramétricas
• Si no se cumplen los supuestos de las paramétricas, ¿qué hago?– Algunas pruebas paramétricas son robustas frente a
ligeras desviaciones de sus supuestos.– Transformar variables (log, cuadrado, etc)– Pruebas no paramétricas (tener cuidado en
muestras pequeñas)– Bootstraping
70
Análisis de Datos
* Intuitive Biostatistics. Graph Pad. http://www.graphpad.com/guides/prism/6/statistics/index.htm?using_a_normality_test_to_choo.htm
PASO 4: Prueba las hipótesis del estudio
71
Análisis de Datos
Muestra 1Tratamiento (quinua
1)
Muestra 2Control
(Placebo)
nt=16 = 309,38st = 23,54
nc=16 = 302,50sc = 16,05
PASO 4: Prueba las hipótesis del estudio
72
Análisis de Datos
Muestra 1Tratamiento (quinua
1)
Muestra 2Control
(Placebo)
nt=16 = 309,38st = 23,54
nc=16 = 302,50sc = 16,05
¿Los pesos promedios de ambas muestras de ratas son iguales o diferentes?
PASO 4: Prueba las hipótesis del estudio
73
Análisis de Datos
nt=16 = 309,38st = 23,54
nc=16 = 302,50sc = 16,05
Nt∞μ = ?σt = ?
Nc∞μ = ?σc = ?
INFERENCIA ESTADÍSTICA (Prueba
de hipótesis)
≠
PASO 4: Prueba las hipótesis del estudio
74
Análisis de Datos
Nt∞μ = ?σt = ?
Nc∞μ = ?σc = ?
INFERENCIA ESTADÍSTICA (Prueba
de hipótesis)
¿?
H0: μt = μc
Ha: μt ≠ μcPrueba T de Student
para muestras independientes
PASO 4: Prueba las hipótesis del estudio
75
Análisis de Datos
nt=15 = 309,38st = 23,54
nc=15 = 302,50sc = 16,05
Nt∞μ = ?σt = ?
Nc∞μ = ?σc = ?
INFERENCIA ESTADÍSTICA (Prueba
de hipótesis)
¿?
≠
PASO 4: Prueba las hipótesis del estudio
76
Análisis de Datos
Muestra 1Antes de
Tratamiento (Quinua 1)
Muestra 1Después de tratamiento (Quinua 1)
nt1=16
1 = 207,15st1 = 22,86
nt2=16 = 309,38st2 = 23,54
¿Los pesos promedios de la muestra de ratas (antes y después) son iguales o diferentes?
PASO 4: Prueba las hipótesis del estudio
77
Análisis de Datos
Nt1∞μ = ?
σt1 = ?
INFERENCIA ESTADÍSTICA (Prueba
de hipótesis)
≠
Nt2∞μ2 = ?σt2 = ?
nt1=16
1 = 207,15st1 = 22,86
nt2=16 = 309,38st2 = 23,54
PASO 4: Prueba las hipótesis del estudio
78
Análisis de Datos
Nt1∞μ = ?
σt1 = ?
INFERENCIA ESTADÍSTICA (Prueba
de hipótesis)
≠
Nt2∞μ2 = ?σt2 = ?
nt1=16
1 = 207,15st1 = 22,86
nt2=16 = 309,38st2 = 23,54
¿?
PASO 4: Prueba las hipótesis del estudio
79
Análisis de Datos
Nt1∞μ = ?
σt1 = ?
INFERENCIA ESTADÍSTICA (Prueba
de hipótesis)
Nt2∞μ2 = ?σt2 = ?
¿?
H0: μt1 = μt2
Ha: μt1 ≠ μt2
Prueba T de Student para muestras
pareadas
PASO 4: Prueba las hipótesis del estudio
80
Análisis de Datos
Muestra 1Tratamient
o 1 (Quinua 1)
Muestra 2Tratamient
o 2 (Quinua 2)
nq1=16 = 309,38
sq1 = 23,54
np=16 = 302,50
sp = 16,05
Muestra 3Control
negativo (Placebo)
Muestra 4Control positivo
(Suplemento)
nq2=15
q2 = 343,13sq2 = 18,71
ns=13 = 319,38
ss = 21,16
PASO 4: Prueba las hipótesis del estudio
81
Análisis de Datos
Nq1∞μ = ?
σq1 = ?
Np∞μ = ?σp = ?
Nq2∞μ = ?
σq2 = ?
Ns∞μ = ?σs = ?
INFERENCIA ESTADÍSTICA (Prueba
de hipótesis)
PASO 4: Prueba las hipótesis del estudio
82
Análisis de Datos
Nq1∞μ = ?
σq1 = ?
Np∞μ = ?σp = ?
Nq2∞μ = ?
σq2 = ?
Ns∞μ = ?σs = ?
H0: μq1 = μq2 = μp = μs Ha: Al menos dos μ son
diferentes
ANOVA
PASO 5: Interpreta los resultados
83
Análisis de Datos
Muestra 1Tratamiento (quinua
1)
Muestra 2Control
(Placebo)
nt=16 = 309,38st = 23,54
nc=16 = 302,50sc = 16,05
Prueba T de Student para muestras independientes
PASO 5: Interpreta los resultados
84
Análisis de Datos
IC 95%
Valor p
PASO 5: Interpreta los resultados
• Interpretando el valor p=0,342 correctamente– Si la H0 fuera cierta (No hay diferencias entre ambos
grupos) entonces la probabilidad de encontrar una diferencia de medias igual o mayor que la encontrada es de 34,2%.
– Por lo tanto, es bastante probable encontrar una diferencia así bajo este supuesto y…
– Decido no rechazar la H0
• Para el manuscrito:– No se encontró diferencias significativas en los
pesos promedios del grupo tratamiento al compararlo con el control (p=0,342).
85
Análisis de Datos
* Intuitive Biostatistics. Graph Pad. http://www.graphpad.com/guides/prism/6/statistics/index.htm?using_a_normality_test_to_choo.htm
PASO 5: Interpreta los resultados
86
Análisis de Datos
Muestra 1Antes de
Tratamiento (Quinua 1)
Muestra 1Después de tratamiento (Quinua 1)
nt1=16
1 = 207,15st1 = 22,86
nt2=16 = 309,38st2 = 23,54
¿Los pesos promedios de la muestra de ratas (antes y después) son iguales o diferentes?
PASO 5: Interpreta los resultados
87
Análisis de Datos
Valor p
IC 95%
PASO 5: Interpreta los resultados
• Interpretando el valor p<0,001 correctamente– ?
• Para el manuscrito:– ?
88
Análisis de Datos
* Intuitive Biostatistics. Graph Pad. http://www.graphpad.com/guides/prism/6/statistics/index.htm?using_a_normality_test_to_choo.htm
PASO 5: Interpreta los resultados
• Interpretando el valor p<0,001 correctamente– Si la H0 fuera cierta (No hay diferencias entre ambos
grupos) entonces la probabilidad de encontrar una diferencia de medias igual o mayor que la encontrada es menor de 0,01%.
– Por lo tanto, es bastante poco probable (improbable) encontrar una diferencia así si la H0 fuera cierta y…
– Decido rechazar la H0
• Para el manuscrito:– Se encontró diferencias significativas en los
pesos promedios del grupo tratamiento al compararlo con el control (p<0,001).
89
Análisis de Datos
* Intuitive Biostatistics. Graph Pad. http://www.graphpad.com/guides/prism/6/statistics/index.htm?using_a_normality_test_to_choo.htm
PASO 5: Interpreta los resultados
90
Análisis de Datos
Muestra 1Tratamient
o 1 (Quinua 1)
Muestra 2Tratamient
o 2 (Quinua 2)
nq1=16 = 309,38
sq1 = 23,54
np=16 = 302,50
sp = 16,05
Muestra 3Control
negativo (Placebo)
Muestra 4Control positivo
(Suplemento)
nq2=15
q2 = 343,13sq2 = 18,71
ns=13 = 319,38
ss = 21,16
PASO 5: Interpreta los resultados
91
Análisis de Datos
Valor p
PASO 5: Interpreta los resultados
• Interpretando el valor p<0,001 correctamente– ?
• Para el manuscrito:– ?
92
Análisis de Datos
* Intuitive Biostatistics. Graph Pad. http://www.graphpad.com/guides/prism/6/statistics/index.htm?using_a_normality_test_to_choo.htm
PASO 5: Interpreta los resultados
• Interpretando el valor p<0,001 correctamente– Si la H0 fuera cierta (No hay diferencias entre los 4
grupos) entonces la probabilidad de encontrar una estadístico F igual o mayor que el encontrado es menor de 0,01%.
– Por lo tanto, es bastante poco probable (improbable) encontrar una estadístico F así si la H0 fuera cierta y…
– Decido rechazar la H0
• Para el manuscrito:– Se encontró diferencias significativas entre los
pesos promedios de los grupos de tratamiento (p<0,001).
93
Análisis de Datos
* Intuitive Biostatistics. Graph Pad. http://www.graphpad.com/guides/prism/6/statistics/index.htm?using_a_normality_test_to_choo.htm
PASO 5: Interpreta los resultados
94
Análisis de Datos
Valor p
¿Entre quiénes son las diferencias?
PASO 5: Interpreta los resultados
• Efectuar pruebas de comparaciones múltiples.
• Tipos:– Comparaciones planeadas (pre-hoc)– Comparaciones post-hoc (evitarlas!!)– Comparaciones ortogonales
95
Análisis de Datos
PASO 5: Interpreta los resultados
• Efectuar pruebas de comparaciones múltiples.
• Tipos:– Comparaciones planeadas (pre-hoc)
• Prueba de Tukey cada media contra todas las demás medias
• Prueba de Dunnet cada media contra una media control
96
Análisis de Datos
PASO 5: Interpreta los resultados
97
Análisis de Datos
PASO 5: Interpreta los resultados
98
Análisis de Datos
PASO 5: Interpreta los resultados
99
Análisis de Datos
100
Análisis de Datos
¿Quién con quién
comparar?
CASO 1
● Grupos: Tto (n=13) vs control (n=13)● Variables: Presión Arterial, Infarto
Miocardio● Pruebas de hipótesis?
– Presión Arterial
– Infarto de Miocardio
CASO 1
● Presión Arterial– Comparar promedios (Tto vs Control) : Prueba T
de Student.
– Si se incumplen algunos supuestos? Evaluar si:● T-test robusta a desviaciones de normalidad● T-test con ajuste de Welch para heterocedasticidad
(varianzas desiguales)● Transformar la variable (logaritmo, cuadrado, etc)
para que cumpla supuestos.● Prueba no paramétrica: U de Mann Whitney,
Permutation Test o Bootstraping.
CASO 1
● Infarto de Miocardio– Comparar proporciones (%) (Tto vs Control) :
Prueba Binomial / Prueba Chi-2 / Prueba de Fischer
– Por ser semiparamétrica no tiene supuestos fuertes.
– PRECAUCIÓN: Suelen requerir tamaños de muestra más grandes para tener adecuada potencia o precisión (calcular tamaño de muestra)
CASO 1
● ¿Qué concluyo si?– PA: Tto 125 mmHg (DE=30) vs Control 150 mmHg (DE
= 25) y● P = 0,001 →● P = 0,421 →● Dif Media = 25 mmHg (IC 95% 20 a 30 mmHg)● Dif Media = 25 mmHg (IC 95% -7 a 28 mmHg)
– IMA: Tto 34% vs Control 15%● P = 0,020 →● P = 0,101 →● Reducc IMA = 19% (IC 95% 1% a 25%)● Reducc IMA = 19% (IC 95% 17% a 21%)
CASO 2
● Grupos: Tto 1 (n=26) vs Tto 2 (n=26) vs Tto3 (n=26) vs control (n=26)
● Variables: Presión Arterial, Infarto Miocardio
● Pruebas de hipótesis?– Presión Arterial
– Infarto de Miocardio
CASO 2
● Presión Arterial– Comparar promedios (Tto1, 2 y 3 vs Control) :
Prueba ANOVA-oneway
– Si se incumplen algunos supuestos? Evaluar si:● ANOVA es robusta a desviaciones de normalidad● ANOVA suele afectarse por desviaciones de la
homocedasticidad (corrección de Welch ayuda a veces)● Transformar la variable (logaritmo, cuadrado, etc) para
que cumpla supuestos.● Prueba no paramétrica: Kruskall Wallis (requiere
supuesto de distribuciones iguales!), Permutation Test o Bootstraping.
CASO 2
● Infarto de Miocardio– Elegir grupo de referencia y calcular RR o HR.
Probar la hipótesis o estimar IC a través de regresión logística ordinaria.
– Por ser semiparamétrica no tiene supuestos fuertes.
– PRECAUCIÓN: Suelen requerir tamaños de muestra más grandes para tener adecuada potencia o precisión (calcular tamaño de muestra)
CASO 2
● ¿Qué concluyo si?– PA: Tto 1 (125 mmHg), Tto 2 (134 mmHg), Tto 3
(145 mmHg) y Control 150 mmHg (DE = 25) ● P = 0,001 →● P = 0,421 →
– IMA: Tto 1 (34%), Tto 2 (30%), Tto 3 (24%) y Control 15%
● P = 0,020 →● P = 0,101 →
Importante!
● Elegir pruebas estadísticas adecuadas de acuerdo al diseño y verificando supuestos.
● Es un proceso de toma de decisiones que hay que reportar para que lo juzguen los pares científicos.
● Ejemplos para algunos diseños:
– Varias mediciones en el tiempo: ANOVA de mediciones repetidas, MANOVA o alternativa no paramétrica.
– Diseños factoriales (buscan probar interacción): ANOVA-two way.
– Diseños anidados (estudios de teratogenicidad, varios cortes de tejido por muestra, etc): ANOVA nested o modelos mixtos.
– Diseños de bloques completamente aleatorizados, etc...
Presentación de Resultados• Reportar siempre (y en este orden,
preferentemente):– Datos de línea de base (medición basal)
– Número de animales analizados
– Variable desenlace y estimación
– Eventos adversos
110
Presentación de Resultados
111
Presentación de Resultados
112
113
Presentación de Resultados
Presentación de Resultados• Reportar siempre (y en este orden,
preferentemente):– Datos de línea de base (medición basal)
114
Presentación de Resultados
Presentación de Resultados• Tabla 1
115
Presentación de Resultados
Variables Grupo 1 (n=X) Grupo 2 (n=X) Grupo 3 (n=X) ...Variable numérica 1 (unidad)* Y ± Z Y ± Z Y ± Z ...
Variable numérica 2 (unidad)* Y ± Z Y ± Z Y ± Z ...
Variable numérica 3 (unidad)* Y ± Z Y ± Z Y ± Z ...
Variable Categorica 1
Valor 1 x (X%) x (X%) x (X%) ...
Valor 2 x (X%) x (X%) x (X%) ...
* Media ± desviación estándar
Presentación de Resultados• Reportar siempre (y en este orden,
preferentemente):– Número de animales analizados
116
Presentación de Resultados
a. Reportar el número de animales de cada grupo incluidos en cada análisis. Reportarlo en cifras absolutas (p.ej., 10/20, no 50%).
b. Si algún animal o información no fue incluida en el análisis, explicar por qué.
Presentación de Resultados• Reportar siempre (y en este orden,
preferentemente):– Outcome y estimación
117
Presentación de Resultados
Reportar los resultados de cada análisis realizado, con una medida de precisión (p.ej., error estándar o intervalo de confianza).
A menudo, esta información puede ser tabulada (Tabla 2)
Presentación de Resultados
• Tabla 2
118
Presentación de Resultados
Variables Grupo 1 (n=X) Grupo 2 (n=X) Grupo 3 (n=X) ... pVariable numérica 1 (unidad)* Y ± Z Y ± Z Y ± Z ... 0.xxx
Variable numérica 2 (unidad)* Y ± Z Y ± Z Y ± Z ... 0.xxx
Variable numérica 3 (unidad)* Y ± Z Y ± Z Y ± Z ... 0.xxx
Variable Categorica 1
Valor 1 x (X%) x (X%) x (X%) ... 0.xxx Valor 2 x (X%) x (X%) x (X%) ... <0.001
* Media ± desviación estándar
Presentación de Resultados• Preferir gráficos para mostrar efectos de los outcomes
principales• ¿Puntos o error bars?
Presentación de Resultados• Reportar siempre (y en este orden,
preferentemente):– Eventos adversos
120
Presentación de Resultados
a. Brindar detalles de todos los eventos adversos importantes en cada grupo experimental.
b. Describir cualquier modificación hecha a los protocolos experimentales realizada para reducir eventos adversos
Presentación de Resultados
• Tabla 3
121
Presentación de Resultados
Evento adverso N (%)Evento adverso 1 x (X%)
Evento adverso 2 x (X%)
Evento adverso 3
Valor 1 x (X%) Valor 2 x (X%)* Media ± desviación estándar
122
“El pensamiento estadístico será algún día tan necesario para la ciudadanía eficiente como la capacidad de leer y escribir.”
H. G. Wells
MUCHAS GRACIAS