Procesamiento y analisis

Tipos de análisis estadístico(según el número y tipo de variables)

Dependiente IndependienteUnivariado: 1 0

Bivariado: 1 1

Multivariado: 1 2 ó más

Procesamiento y analisis

Estrategias de análisis• Estrategia representativa: Estimación de parámetros

• Estrategia comparativa: Pruebas de hipótesis

• Verificar el ajuste a una distribución de probabilidad (prueba de normalidad)

1. Prueba de Kolmogorov−Smirnov2.Prueba de Shapiro−Wilks

Prueba de Shapiro−Wilks

• Aunque esta prueba es menos conocida es la que se recomienda para contrastar el ajuste de nuestros datos a una distribución normal, sobre todo cuando la muestra es pequeña (n<30).

• Mide el ajuste de la muestra a una recta, al dibujarla en papel probabilístico normal. Este tipo de representación también lo proporcionan algunos programas de estadística, de tal manera que nos permite además apreciar el ajuste o desajuste de forma visual:

Prueba de Shapiro−Wilks

Ho , la variable continua sigue una distribucion normalH1, la variable no tiene una distribuion normal, P<0.005

Análisis con variables numéricas

Análisis Parámetros No parametrico

1 Describir un grupo μ, σ, σ2 Mediana, rango intercuartil

2 Comparar un grupo a un valor

T de student de una muestra

Prueba de Wilcoxon

3 Comparar media entre 2 grupos

T de student de 2 muestras Mann-Whitney

4 Comparar media en 2 grupos apareados

T de student apareados Prueba wilcoxon

5 Comparar media en 3 o mas grupos

ANOVA Kruskal-Wallis

6 Correlacion entre 2 variables

Pearson lineal Spearman (monotomica)

Pruebas de hipótesis

Tipos de error al contrastar hipótesis

Realidad

H0 cierta H0 Falsa

Aceptar No Rechazo H0

CorrectoEl tratamiento no tiene efecto y así se decide.

Error de tipo IIEl tratamiento si tiene efecto pero no lo percibimos.

Probabilidad β

Rechazo Ho

Acepto H1

Error de tipo IEl tratamiento no tiene efecto pero se decide que sí.

Probabilidad α

CorrectoEl tratamiento tiene efecto y el experimento lo confirma.

Dec

isió

n de

l inv

estig

ador

Conclusiones• Las hipótesis no se plantean después de observar los datos.

• En ciencia, las hipótesis nula y alternativa no tienen el mismo papel:

– H0 : Hipótesis científicamente más simple.– H1 : El peso de la prueba recae en ella.

• α debe ser pequeño

• Rechazar una hipótesis consiste en observar si p < α

• Rechazar una hipótesis no prueba que sea falsa. Podemos cometer error de tipo I

• No rechazar una hipótesis no prueba que sea cierta. Podemos cometer error de tipo II

• Si decidimos rechazar una hipótesis debemos mostrar la probabilidad de equivocarnos.

Distribución normalANALISIS PARAMETRICO

variable

continua cuantitativa categórica

2 variables continuas

Correlaciónpearson

t student

anova

2

+2

Distribución no normalANALISIS NO PARAMETRICO

variable

continua cuantitativa categórica

2 v. continuas o una ordinal

Correlaciónspearman

chi cuadrado

2 variables categóricas

U de Mann-Whitney

Kruskal- wallis

2

+2

INVESTIGACION EN ATENCION PRIMARIA DE SALUD

Procesamiento y analisisTipo de pruebas estadisticas

Parametricas:

Prueba t de StudentANOVA

No parametricas:P. Ji cuadrado (x2)P. de WilcoxonP. de Mann y WhitneyP. de Kruskal Wallis

11

REGRESION LINEAL SIMPLE

Datos Cuantitativos

NotaciónVariable Respuesta: yVariable Explicativa: x

Modelo de Regresión Lineal Simple: yi=+xi+ei

Intercepto: Pendiente: Error: e

x y

)1(x )(y1

)2(x )(y2

)(nx )n(y

Modelo Estimado(recta de regresión)

bxay ˆ

xbya

2

11

2

111

n

ii

n

i

n

ii

n

ii

n

i

xxn

yxxynb

Método de Estimación: Mínimos Cuadrados

iii yye ˆResiduos o Errores

El modelo de regresión simple es, a priori, poco realista (parece poco probable que el nivel de satisfacción dependa de una única variable, más bien lo natural es que en él intervengan varias variables). En con-secuencia, ensayamos no con

sino con

Y=a+bX

Y=a+b1X1+ … +bnXn

Variable respuesta(en nuestro caso,“nivel de satisfacción”)

regresores

Modelo de regresión múltiple:

1.

2. Los residuos tienen media 0.3. La varianza de los residuos no depende de xi (homocedasticidad)4. Los residuos son normales.5. Los residuos son aleatorios.6. Las variables x1, x2, etc. no están linealmente correlacionadas entre sí.

inni xbxbay 11

residuo

14

)...( 221101

1)/(

nn XXXeXSP

)...( 22110

)/(

)/(nn XXXe

XSP

XSP

nn XXXXSP

XSPLog

...

)/(

)/(22110

},...,,{ 21 nXXXX

El modelo logístico multivariante

Presentación de Resultados

Estructura del informe final

ResumenIntroducciónMetodologíaConclusionesDeliberaciones y recomendaciones

Metodología

Se indican las metas y los objetivos de la investigación y la forma en que se alcanzarán

• Examen de la documentación • Criterios para su inclusión en el estudio • Procedimientos de muestreo • Lugar de las entrevistas y las reuniones

de grupos básicos • Problemas y éxitos • Instrumentos de investigación • Procedimientos de reunión de datos • Proceso de análisis de los datos

Edison Bedoya Y Diego Echavarria 18

Presentación de tablas

Ejemplo Tabla 1

Características N (%)Variable Categorica 1

Valor 1 x (X%)Valor 2 x (X%)Valor 3 x (X%)

Variable numérica (unidad)* Y ± Z

Variable Categorica 2Valor 1 x (X%)Valor 2 x (X%)

* Media ± desviación estándar

Ejemplo Tabla 2

Variables Grupo 1 (n=X) Grupo 2 (n=X) pVariable Categorica 1

Valor 1 x (X%) x (X%) 0.xxxValor 2 x (X%) x (X%) <0.001Valor 3 x (X%) x (X%) 0.xxx

Variable numérica (unidad)* Y ± Z Y ± Z 0.xxx

Variable Categorica 2Valor 1 x (X%) x (X%) 0.xxxValor 2 x (X%) x (X%) <0.001

* Media ± desviación estándar