1 Métodos cuantitativos avanzados William L. Holzemer, RN, Ph.D., FAAN Profesor, Escuela de...

Métodos cuantitativos avanzados

William L. Holzemer, RN, Ph.D., FAANProfesor, Escuela de EnfermeríaUniversidad de California, San Franciscobill.holzemer@nursing.ucsf.edu

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.

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

¿Enfermería = Ciencia de enfermería?

Definición de enfermería

Asociación Americana de Enfermería:

“Enfermería es la evaluación, diagnóstico y tratamiento de las respuestas humanas”

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.”

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.”

Elementos comunes:Definiciones de Enfermería

• Persona (individual, familia, comunidad)

• Salud (Bienestar y enfermedad)

• Ambiente

• Enfermería (atención, intervenciones, tratamientos)

Ciencia de Enfermería

El cuerpo de conocimiento que apoya la práctica basada en evidencias

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

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

Modelo de resultados para investigación en atención en salud(Holzemer, 1994)

Ingresos1970’s

Procesos 1980’s

Resultados

1990’s

Cliente

Proveedor

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)

Modelo de resultados: proceso de enfermería

Ingresos Procesos Resultados

Cliente Problema Resultado

Proveedor Intervención

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

Modelo de resultados: Tu tarea(Piense acerca de un proyecto o un programa de

investigación)

Ingresos Z

Procesos x

Resultados y

Cliente

Proveedor

¿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

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

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”.

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”.

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?

¿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.

Usos de Substruction

• Critique un estudio publicado

• Planee un estudio nuevo

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

Substruction

Teoría

(sistema teorético)

Constructo

Concepto

Deductiva

(cualitativa)

Métodos

(sistema operacional)

Mediciones

Escalas/

análisis de datos

(cuantitativa)

Inductiva

Substruction: Construyendo bloques o señalamientos de relaciones

Constructo

axioma Constructo

Calidad de vida

Concepto

Intensidad

proposición Concepto

Status funcional

Medición

Escala de 10 cm

hipótesis Medición

Escala de movilidad

Señalamientos de relaciones

Constructo:

Postulado:Señalamiento de relación entre un constructo y conceptos

Dolor consiste en tres conceptos

Conceptos:

Intensidad

Localización

Duración

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

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

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?

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

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?

¿Hay una relación entre el toque y control del dolor , contando el dolor inicial post-

operatorio? rx,y.z

IngresoZ

Proceso X

Resultado

Cliente Dolor post-operatorio

Control de dolor

Proveedor Toque terapeútico vs atención NL

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?

• ¿Qué se conoce?

• ¿Qué no se conoce?

• Recursos– La biblioteca Cochran – Biblioteca de bases de datos

• PubMed• CINYL

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

S tud y 1 S tud y 2 S tud y 3

T o p icTópico

Estudio 1 Estudio 2 Estudio 3

Tabla 1. Borrador de variables de estudio relacionados a tu tema

Estudios

Covariables

Intervenciones

Variable independiente

Resultados

Variable dependiente

Smith (1999)

Jones (2003)

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

Jones (2003)

Tabla 3. Instrumentos

Estudios

Instrumento # items

Validez Confiabili- dad

Utilidad

Smith (1999) Cuestionario McGill de dolor

Jones (2003)

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)

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?

Diseños de investigación

Diseño de investigación: cualitativa

• Etnografía

• Fenomenología

• Hermenéutica

• Teoría aterrizada

• Histórico

• Estudio de caso

• Narrativa

Rigor en investigación cualitativa

• Dependiente

• Creíble

• Transferible

• Confirmable

Tipos de diseños de investigación cuantitativa

• Nos enfocaremos en RIGOR:

– Experimental

– No experimental

Notación X,Y, Z

• Z = covariable • Severidad de enfermedad

• X = variable independiente (intervenciones)

• Manejo propio de síntomas

• Y = variable dependiente (resultado)• Calidad de vida

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?

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)

Revisión de la literatura Enfoque del estudio

Enfoque del estudio Pregunta de estudio

Pregunta de estudio Hipótesis de estudio

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.

Diseños experimentales

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

Diseño experimental clásico

O1exp X O2exp

O1con O2con

(pretest) (posttest)

O=observación1 = pretest o tiempo uno; 2 = posttest o tiempo dosX = intervención

R = asignación aleatoria a los grupos

O1exp X O2exp

O1con O2con

El ECA es el estándar dorado para la práctica basada en evidencias

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

Señalar si hay una relación causal

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

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

Dimensiones del diseño de investigación:

Grupos y tiempoO1exp X O2exp

Grupos (n=2 experimental y control)O1con O2con

-----------------------------------------------

Tiempo (n=2) (mediciones repetidas)

Dimensiones de diseño de investigación:

grupos y tiempo

Grupos = entre factores

Tiempo = dentro de factores

Tipos de diseños

• O - descriptivo, un tiempo

• O1 O2 O3 - descriptivo, cohorte, mediciones repetidas)

• O1 X O2 (¡diseño no experimental!) - pre-post-test

Tipos de diseños

• O1 X O2

ECA estudios controlados aleatorizados

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)

Tipos de diseño

O1 X1 O2

R O1 X2 O2

# de grupos? ___

# puntos en el tiempo? ___

Tipos de diseños

Diseño de post-test sólo:

¿Cuál es la mayor amenaza a este diseño de sólo post-test?

Tipos de diseño de investigación

• Experimental (verdad)

• Cuasi-Experimental (caso)– Asignación no aleatoria a grupos

Validez de diseño

– Conclusión estadística válida

– Validez de constructo de causa y efecto (X y Y)

– Validez interna

– Externa

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?

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?

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?

Validez de diseño

Validez externa– Amenaza de baja generalización para

personas, lugares y tiempo

– ¿Puede generalizarse a otros?

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.

Muestreo[Selección de la muestra, no asignación]

Términos

• Población

• Muestra

• Elemento

- Todos los sujetos posibles

- Un subgrupo de sujetos

- Un sujeto

¿Qué muestreamos?

• Personas (e.g. sujetos)

• Sitios (e.g. hospitales, unidades, ciudades)

• Tiempo (e.g. temporada, cambio am vs pm)

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

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

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)

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

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.

¿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

Tamaño de muestra y error de muestreo

Pequeño Error de muestreo Grande

Pequeño Grande Tamaño de muestra

Cálculo de tamaño de muestra

• Tipo de diseño• Accesibilidad de

participantes• Planeación de pruebas

estadísticas• Revisión de la literatura• Costo (tiempo y dinero)

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

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.

Programas de análisis de poder

• Paquete SPSS

• nQuery Adviser Release 4.0 (¿más reciente?)http://www.statsolusa.com

• 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.

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.

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

Tamaño de efecto

Mediaexp – Mediacon

Tamaño de efecto =-------------------------------

DS e y c

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.

• 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

Prueba de hipótesis: ¿Es verdad o falso?

• Hipótesis nula: H0

– Media (experimental) = Media (control)

• Hipótesis alterna: H1

– Media (experimental) ≠ Media (control)

Prueba de hipótesis y poder

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)

• 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?

Perdida de muestra en ECA

6 meses

Aleatorización

Medición

“Si existe, puede ser medido”

R. Cronbach

Qué medimos:

• Conocimiento, actitudes, conductas (CAC)

• Variables fisiológicas

• Síntomas

• Aptitudes

• Costos

Teoría de medición clásica:Medición: Confibilidad Observación = Verdad (hecho) +/- Error Validez

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

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.

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

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

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.

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?

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

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

Alfa de Cronbach

itemsSD

alfa =

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?

Consistencia interna: alfa de CronbachPersona A: Internamente consistente

Persona B: Internamente inconsistente

Todas las

La mayoría de las veces

Unas pocas veces

Rara vez

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

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

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?

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

Pregunta:

• ¿Puede una escala ser válida y no confiable?

• ¿Puede ser una escala confiable y no válida?

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

Traducción• Traducción prospectiva (A a B)

• Traducción retrospectiva (B a A)

• Equivalencias conceptuales a través de culturas

• Usando jerigonza, modismos, etc.

Análisis de datos

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

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.

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.

Codificando variables

Capture datos en su forma más continua posible.

Edad: 35 años – tenga el valor actual

Señale uno: _<25

_ 25-35

_ 36-45

Variable dicotómicas

No haga esto:1 = Masculino2= Femenino ¡Haga esto!1 = masculino0 = femenino

¿Por qué? Función aditiva

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

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.

Datos desaparecidos

Pares: una correlación en particular es removida, mejor elección para conservar poder

Lista: variables removidas, requerida en diseños de mediciones repetidas.

Mediciones:

• Tendencia central

• Relaciones

• Efectos

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)

Fórmulas

Media =

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?

Curva Normal: ¡muy robusta!

M +1 +2-1-2

34% 34%

2.5% 2.5%

Curvas Normales

Curva Normal(Media=Mediana=Modo)

50% 50%

MeanMedianMode

FrequencyFrecuencia

Media Mediana Modo

Curvas no Normales

X-AxisY

X-Axis

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)

Grados de libertad

• Corrección estadística para no sobreestimar

¿Grados de libertad para balón 1?

¿Grados de libertad para balón 2?

Grados de libertad para balón 3

Grados de libertad

• Tamaño de muestra (n-1)

• Número de grupos (k-1)

• Número de puntos en el tiempo (l-1)

Relaciones o asociaciones

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.

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

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

Estimado del valor de correlaciónY

X-AxisY

X-Axis

r = ?r = ?

Varianza

Area under the curve = SD2

Variance

Área bajo la curva = DS2

Varianza

Varianza compartida r2

If r = 0.80, r2 = 0.64

Si r = 0.80, r2 = 0.64

Varianza compartida r2

If r = 1, 100%

If r = 0, 0%

Si r= 1,

Si r= 0,

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

Probando efectos de intervenciones

Probando diferencias en grupos

• Pruebas t

• Pruebas F (Análisis de varianza o ANOVA)

(Pruebas t y F con dos grupos)

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

O1exp X O2exp

O1con O2con

Grupo: entre factorTiempo: dentro de factor

Pruebas de significancia

1 O1 X O2

2 O1 O2

Probando diferencias entre grupos

Entre varianzas

F (o t) =

Dentro de varianzas

Examinando varianzas

BetweenVariance

WithinVariance

varianzasDentro de varianzas

Examinando varianzas: No diferencia entre medias

Examinando la varianza: Grandes diferencias entre medias

Examinando varianzas: tres grupos

Mc Me2 Me1

Tipos de diseños

O1 O2 O3

Cambio dentro del grupo en el tiempo, diseño de mediciones repetidas.

Tipos de diseños

O1e X O2e

O1c O2c

cambio dentro del grupo de O1e a O2e

cambio entre grupos O2e y O2c

¿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.

Diseño sólo post-prueba

• X O2e

Prueba de t no pareada

Hipótesis nula:

H0: O2e = O2c

Hipótesis alternativa direccional:

H1: O2e > O2c

• Desviación estándar– Cómo las mediciones varían alrededor de la

• Error estándar de la media– Cómo las mediciones de las medias varían

alrededor de la media de la población

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

Conceptual:

MediaE – MediaC

error estándar de la media

Suposiciones de ANOVA

• Distribución Normal

• Independencia de mediciones

• Escala continua

• Relación lineal entre variables

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)

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

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?)

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 de mediciones repetidas

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)

• 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.

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

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

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?

• 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.

Status de salud= edad + género + tabaquismo

Status de salud

Género

Tabaquismo

Status de salud

1 0.25

1 0.11

Género

Tabaquismo

Regresión múltiple: varianza compartida

Status de salud

Tabaquismo

Género

Género 4%

Tabaquismo 40%

Edad 25%

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.

• 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.

• 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

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.

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).

Ruta de análisis de modelaje múltiple independiente y dependiente

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

Modelando ecuación estructural

Inter -sección

Pendiente

Dolor muscular mes 0

Inter- sección

Pendiente

Fatiga mes 0

Fatiga mes 1

Fatiga mes 3

Fatiga mes 6

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

Tipos conceptuales de factor de análisis

• Exploratorio – ver que está en el grupo de datos

• Confirmatorio – ver si tu puedes replicar la estructura reportada.

Factor de análisis

• Componentes principales –

(factor principal

ejes principales)

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

Factor de análisis:

Un proceso interactivo

Factor de extracción

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%

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.

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)

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.

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.

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

Principios éticos que guían la investigación

Confidencial– Nombres conservados en lugar seguro

Anónimo– Sin identificadores

Mejores deseos

1 Métodos cuantitativos avanzados William L. Holzemer, RN, Ph.D., FAAN Profesor, Escuela de...

Documents

Transcript of 1 Métodos cuantitativos avanzados William L. Holzemer, RN, Ph.D., FAAN Profesor, Escuela de...

METODOS CUANTITATIVOS

Trabajo Métodos Cuantitativos

Redalyc.Métodos cuantitativos versus métodos …biblioteca.iplacex.cl/RCA/Métodos cuantitativos versus...Métodos cuantitativos versus métodos cualitativos... Q 121 de métodos

Expo metodos cuantitativos

Manual Modelos Cuantitativos

MÉTODOS CUANTITATIVOS.

PRONÓSTICOS CUANTITATIVOS

LABORATORIO ANALISIS CUANTITATIVOS

Métodos cuantitativos en

Luisa M. Saffiotti, Ph.D Ray Dlugos, OSA, Ph.D.

Metodos cuantitativos. ppt

INSTRUMENTOS CUANTITATIVOS

Estudios cuantitativos

Métodos Cuantitativos

METODOS CUANTITATIVOS-V02

Sampieri datos cuantitativos

Autores: Daniel Montes Toro Ph.D. y Henry Lamus Díaz Ph.D

Metodos Cuantitativos Final

Modelos cuantitativos ii

5.Métodos cuantitativos