Estadística aplicada a las Ciencias de la Salud con SPSS

La estadística es uno de los pilares fundamentales en la búsqueda de evidencia en el ámbito de las ciencias de la salud. Cualquier tratamiento debe ser validado antes de ser considerado un tratamiento médico. Las características propias del ser humano conllevan que no todos los modos de actuación se comporten de igual forma en distintas personas originándose "variabilidad" en los resultados, la estadística permite evaluar si los resultados clínicos son debidos a una determinada actuación o si por el contrario son una consecuencia del azar.

La forma a través de la cual se transmite la información de hallazgos o tratamientos ha cambiado considerablemente a lo largo de los años. En su origen, los textos en ciencias de la salud respondían a un estilo de redacción en un contexto literario en lugar de científico. En la actualidad el estilo de redacción de textos científicos se encuentra perfectamente estructurado siguiendo unos estándares comunes en todas las revistas de investigación. Los procedimientos estadísticos llevados a cabo forman una parte fundamental dentro de este estándar de redacción.

La forma de investigar ha cambiado durante los siglos. En sus orígenes se investigaba "per accidens", es decir, mientras se curaba se investigaba. Evidentemente, esta forma de trabajar esta sometida a una extrema fuente de variabilidad y no es aceptada en la actualidad. Hoy en día, la investigación se realiza "per se" es decir de una forma controlada y centrada en la hipótesis de investigación.

Los datos nos ofrecen información sobre las personas. Con ellos podemos cuantificar, medir, estimar y comparar cualidades de los sujetos.

Entender los tipos de variables es extremadamente importante en el desarrollo de la estadística tanto descriptiva como inferencial ya que dependiendo de la naturaleza de la variable vamos a seleccionar distintos métodos descriptivos o inferenciales.

En la siguiente lección mostramos un caso práctico en el cual una variable Cuantitativa Discreta puede ser confundida con una variable Cuantitativa Continua ya que aunque la naturaleza de la medida es continua el sistema con el cual se realiza esa medida utiliza saltos discretos. 

Este test servirá para evaluar tu capacidad a la hora de clasificar las distintas variables según el tipo de datos que contengan.

Video de introducción a SPSS. Aprenderás como se encuentra organizado el menú, que es la vista de datos, la vista de variables y como los resultados se muestran en una pantalla anexa.

El Nombre de una variable dentro de SPSS hace referencia al nombre de campo que debe cumplir ciertas condiciones de formato como no tener espacios, no empezar por un valor numérico, etc. Para describir una variable lo haremos por tanto a través de su Etiqueta y no de su Nombre.

Es importante diferenciar entre el formato de una variable y el tipo de una variable tal y como lo hemos definido a lo largo de este curso. En esta lección aprenderás a dar formato a tus datos que no es lo mismo que asignar un tipo específico de dato a una variable.

La forma correcta de trabajar con variables categóricas nominales en SPSS no es insertar los datos en formato cadena sino numérico asignando un valor a cada etiqueta.

Para llevar a cabo de forma correcta los test estadísticos en SPSS es necesario una correcta definición del tipo de variable ya que de esta forma el software va a poder identificar, en algunos casos, que test son recomendados en función del tipo de variables.

Esta lección se encuentra dirigida a usuarios de PSPP, software libre de calculo estadístico con el cual realizar procedimientos estadísticos de forma similar a SPSS. En esta lección comprobarás las similitudes y diferencias con SPSS.

En este video te mostramos algunas consideraciones importantes si eres usuario de PSPP y te preparas para avanzar el esta sección.

Categorizar una variable cuantitativa es una actividad que se lleva a cabo con frecuencia con el fin de clasificar sujetos en grupos, aplicar estadística descriptiva específica para grupo, crear factores para estadística inferencial. En la siguiente lección te mostramos como puedes crear una variable cualitativa ordinal a partir de datos cuantitativos.

Una variable que actúa como "factor" dentro de SPSS no es mas que una variable a través de la cual clasificamos a los sujetos en distintos grupos. En esta lección mostramos como llevar a cabo estadística descriptiva estratificada por grupos.

Para mostrar los rangos dentro de una tabla de contingencia en lugar de la variable en escala ordinal podemos hacer uso de las etiquetas de valor dentro de la variable.

Las tablas de contingencia pueden representar distintos tipos de información en función de su configuración en filas, columnas o todas. En esta lección te enseñamos como interpretar las distintas configuraciones de las tablas.

Si utilizamos variables similares en estilo podemos utilizar la opción "Copiar variable" para copiar el estilo o formato de una variable previamente configurada.

Las medidas de dispersión se emplean para mostrar el grado de variabilidad o dispersión de nuestros datos. En esta lección se explican la varianza, la desviación típica y el coeficiente de variación.

Lección práctica en la cual se muestra como configurar SPSS para calcular las medidas de tendencia central y dispersión para una variable dependiente medida en dos grupos (variable independiente o factor)

Lección para usuarios de PSPP que muestra como llevar a cabo estadística descriptiva.

Las medidas de forma nos permiten conocer a través de un parámetro como se distribuyen los datos de nuestra muestra. Entre las medidas de forma se encuentran la asimetría y la Kurtosis.

Las medidas de posición nos indican el valor de la variable que alcanza un determinado porcentaje de sujetos. 

Una de las principales preocupaciones de cualquier investigador es que los datos sea recogidos de manera correcta. Sin embargo, el ser humano tiende a actuar en muchas ocasiones a "redondear" sus mediciones clínicas. En el siguiente ejemplo mostramos como los histogramas nos pueden servir para descubrir la calidad o precisión en la recogida de los datos.

Los diagramas de cajas nos permiten conocer como se distribuyen los datos dentro de una variable. Nos muestran las posiciones del primer y tercer cuartil, la mediana, y los bigotes, más allá de los cuales se representan los valores periféricos y extremos.

La Estadística Inferencial nos permite responder a preguntas que afecten a toda una población seleccionando tan solo una serie de sujetos (muestra) de dicha población.

La distribución de frecuencias de una variable viene dada por la frecuencia con la que se observa en la muestra estudiada cada uno de los posibles valores que puede tomar la variable. Existen distintos tipos de distribuciones en función del tipo de variable, la más conocida para variables continuas es la distribución normal.

Cualquier investigación debe partir de una pregunta que en estadística se plantea en forma de hipótesis de investigación. La hipótesis de investigación por defecto es la denominada "hipótesis nula" que establece por ejemplo que no existen diferencias entre grupos salvo que un test estadístico demuestre lo contrario.

El p-valor establece el nivel de significancia necesario para rechazar la hipótesis nula. Puede definirse como la probabilidad, tras seleccionar distintas muestras de una población de obtener un resultado tan extremo como el obtenido.

El intervalo de confianza representa aquel rango de valores dentro de la muestra que va a contener la media poblacional con un determinado nivel de confianza. De manera general el intervalo de confianza suele calcularse al 95%, de tal forma que de 100 muestras recogidas de la población, en 95 de ellas la media poblacional se incluiría dentro de este rango.

El p-valor depende del tamaño del efecto y del tamaño de la muestra por lo que la estadística moderna en ocasiones reclama no solo informar del p-valor sino también del tamaño del efecto. El tamaño del efecto puede calcularse a partir de la d de Cohen.

Un resultado significativo, por ejemplo cuyo p-valor sea mayor a 0.05 si hemos establecido este como corte, no significa que la hipótesis nula sea siempre cierta. Debemos tener precaución sobre todo cuando trabajamos con muestras pequeñas puesto que podemos cometer errores de interpretación.

Los errores de Tipo I y Tipo II representan la probabilidad de rechazar la hipótesis nula cuando esta es verdadera y la probabilidad de aceptarla cuando esta es falsa. En la siguiente lección explicamos en qué consisten estos errores.

Análisis teórico de aspectos relacionados con el cálculo de tamaño muestral y la potencia estadística.

Ejercicio  donde se muestra de forma práctica que aspectos han de ser tenidos en cuenta con el fin de calcular el tamaño de una muestra o la potencia estadística.

En el siguiente ejemplo te mostramos como pueden variar las distribuciones en función del tamaño muestral y del tamaño del efecto influyendo en la aceptación o rechazo de la hipótesis nula.

En la siguiente lección repasaremos las preguntas que debemos llevarnos a cabo con el fin de seleccionar distintos test estadísticos en estudios de comparativas de 2 Grupos no Relacionados.

En la siguiente lección repasaremos las preguntas que debemos llevarnos a cabo con el fin de seleccionar distintos test estadísticos en estudios de comparativas de 3 o más Grupos no Relacionados.

En la siguiente lección repasaremos las preguntas que debemos llevarnos a cabo con el fin de seleccionar distintos test estadísticos en estudios de comparativa de grupos relacionados.

En la siguiente lección repasaremos las preguntas que debemos llevarnos a cabo con el fin de seleccionar distintos test estadísticos en estudios de asociación y correlación.

En la siguiente lección repasaremos las preguntas que debemos llevarnos a cabo con el fin de seleccionar distintos test estadísticos en estudios de predicción.

En esta práctica te ofrecemos un sistema muy didáctico para que puedes utilizar hasta que te encuentres tan preparado a la hora de seleccionar el test estadístico que ya no te haga falta.

Referencia citada en el ejemplo.

1. Li M, Niu L, Qin B, Zhou Z, Ni K, Le Q, Xiang J, Wei A, Ma W, Zhou X. Confocal comparison of corneal reinnervation after small incision lenticule extraction (SMILE) and femtosecond laser in situ keratomileusis (FS-LASIK). PLoS One 2013;8.

El test t-Student de medidas independientes se emplea para evaluar las diferencias en la media de 2 grupos que no guardan relación entre ellos. En esta lección introducimos al alumno a los supuestos que deben cumplirse con el fin de poder llevar a cabo este test.

En ocasiones puede que deseemos realizar cálculos o representaciones gráficas para solo algunos de los niveles de la variable independiente. En estos casos podemos recurrir a la segmentación en función de una variable independiente.

Ejemplo de redacción de los resultados obtenidos del test t-Student para ser incluidos dentro de la redacción de nuestro trabajo científico.

En ocasiones los test de contraste de hipótesis para la evaluación de la normalidad pueden resultar en conclusiones erróneas, especialmente antes muestras con un elevado número de sujetos. Los índices descriptivos nos pueden aportar información acerca de cómo se aproxima nuestra muestra a una distribución normal.

Determinados gráficos pueden servirnos para evaluar cómo se aleja nuestra muestra de una distribución normal. Pese a que esta opción puede ser interesante a los ojos de expertos, para quienes empezamos en el campo de la estadística puede no ser la mejor opción debido a su interpretación subjetiva.

En la literatura podemos encontrar que a partir de 30 sujetos podemos llevar a cabo estadística paramétrica sin evaluar la normalidad de nuestra distribución argumentando que los métodos paramétricos sirven para extraer conclusiones a partir de unos estimadores muestrales, que se sabe que seguirán una distribución normal en la población aunque la muestra de donde provengan no la siga. Explicamos consideraciones importantes acerca del valor de corte n>30.

En la siguiente lección hacemos un balance acerca de la importancia de seleccionar un test paramétrico o no paramétrico en función de la evaluación de la normalidad y el tamaño de la muestra.

El test de McNemar se emplea con el fin de establecer si existen diferencias significativas entre dos grupos relacionados balo la evaluación de una variable dependiente dicotómica.