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