Ratio: 5 / 5

Inicio activadoInicio activadoInicio activadoInicio activadoInicio activado
 
>Vestibulum sit amet libero vel neque

Las siguientes recomendaciones son una adaptación del libro "The Essential Guide to Effects Sizes: Statistical Power, Meta-Analysis, and the Interpretation of Research Results" escrito por Paul D. Ellis (2010) publicado por la Cambridge University Press.

 

[yt_icon url="" size="20" icon="icon: edit" background="#ffffff" color="#899183" radius="3px" padding="5px" margin="5px" border="0px solid #444444" ] Antes de realizar tu estudio

1 - Pregúntate cuáles son los resultados que esperas obtener en tu investigación y sé explícito con la magnitud del efecto que esperas obtener (el tamaño del efecto). Pregúntate por qué realizas tu investigación dado los resultados existentes sobre el tema de estudio. Si no existen investigaciones anteriores que sean relevantes pregúntate ¿qué tan grande necesito que sea el efecto para que mi estudio valga la pena? ¿el rechazo de mi hipótesis nula de no efecto es suficientemente interesante?

2 - Identifica qué valores se han encontrado en estudios previos para el tamaño del efecto de tu tema de estudio. Cuando revises la bibliografía existente no te distraigas con las conclusiones de otros autores que pueden confundir los p-valores, en su lugar, evalúa la evidencia y saca tus propias conclusiones. Los resultados relevantes incluyen el tamaño y la dirección de los efectos estimados, la precisión de las estimaciones y la exactitud de los procedimiento de medición. Para disminuir el sesgo de la disponibilidad, evalúa tanto investigaciones publicadas como las no publicadas.

3 - Revisa los meta-análisis que son relevantes para el efecto en el que estás interesado o considera si tú mismo deberías realizarlo.

 

[yt_icon url="" size="20" icon="icon: edit" background="#ffffff" color="#899183" radius="3px" padding="5px" margin="5px" border="0px solid #444444" ] Cuando diseñas tu estudio

4 - Análisis la potencia estadística que han obtenido las investigaciones previas sobre tu tema de estudio, así podrás determinar el tamaño muestral mínimo que necesitas para detectar el tamaño de efecto que esperas. Selecciona cuidadosamente tu potencia estadística deseada en función del tamaño muestral que puedes obtener y su costo.

5 - Cuantifica tus espectativas sobre el tamaño muestral mínimo. El tamaño muestral debe basarse en el tamaño del grupo más pequeño que se desea evaluar, en el número de predictores del modelo a utilizar (regla tácita de 10 casos por variable), etc..

6 - Si tu objetivo es repetir un estudio previo pregúntate dos cuestiones:

  • si crees que las investigaciones anteriores no han encontrado resultados significativos debido a los falsos negativos (al error tipo II), pregúntate sobre el tamaño muestra y el tipo de prueba estadística utilizado en el estudio. Pregúntate si puede acceder a más datos o utilizar otras técnicas estadísticas para mejorar estos resultados.
  • si no sospechas que exista un alto error tipo II, evalúa si tiene sentido repetir el estudio, tal vez no pueda detectar un efecto.

 

[yt_icon url="" size="20" icon="icon: edit" background="#ffffff" color="#899183" radius="3px" padding="5px" margin="5px" border="0px solid #444444" ] Cuando colectas tus datos

7 - Realiza un estudio piloto a pequeña escala para obtener una estimación del tamaño del efecto y evaluar tu procedimiento de investigación.

8 - Intenta disminuir el error de medición ya que disminuyen el poder estadístico.

9 - Asegúrate que la muestra con la que trabajas provenga de la población que deseas investigar, es decir, que la muestra sea representativa.

10 - Ten en cuenta el tamaño de muestra que necesitas.

 

[yt_icon url="" size="20" icon="icon: edit" background="#ffffff" color="#899183" radius="3px" padding="5px" margin="5px" border="0px solid #444444" ] Cuando analizas tus datos

11 - Selecciona la prueba estadística más potente que puedas aplicar a los datos. Las pruebas paramétricas son más potentes que las no paraméricas, las pruebas direccionales (unilaterales) son más potentes que las no direccionales (bilaterales); trabajar ocn datos numéricos es más potente que trabajar con datos nominales u ordinales.

12 - Resiste a la tentación de realizar múltiples análisis a los mismos datos. No intentes realizar cada vez más análisis en búsqueda de rechazar la hipótesis nula. Ten cuidado cuando selecciones el valor alfa porque si eres menos selectivo (y utilizas un mayor alfa, e.g. 0.1 en lugar de 0.05) aumentarás el error tipo II y disminuirás el poder estadístico de la prueba. Distingue entre las hipótesis pre y las post hoc. Estáte atento a la repetición de hallazgos accidentales.

13- Evalúa la estabilidad de sus resultados ya sea analizando los datos con una segunda muestra (replicación) o dividiendo los datos en subgrupos y analizando cada parte de manera separada (validación cruzada).

14 - Evalúa el riesgo relativo de error tipo I y II. Como ambos tipos de errores están relacionados, si tus resultados no son significativos considera si puede sospechar que se deba al error tipo II (e.g. si se encuentra el efecto en investigacioens anteriores). Si p>0.05 no asumas que no existe efecto sin más, evalúa si puedes relajar el valor de alfa o si puedes colectar más información para aumentar el poder estadístico de su estudio.

 

[yt_icon url="" size="20" icon="icon: edit" background="#ffffff" color="#899183" radius="3px" padding="5px" margin="5px" border="0px solid #444444" ] Cuando escribes los resultados de tu estudio

15 - Indica claramente el método que ha utilizado para seleccionar la muestra.

16 - Describe los datos recolectados. Permite que el lector tenga la información suficiente para entender los datos (e.g. estadísticos descriptivos) y menciona si existe algún valor anómalo (outlier) en el conjunto de datos.

17 - Pon a prueba los supuestos estadísticos detrás de las pruebas estadísticas que ha de utilizar e informa de los resultados.

18 - Informa del tamaño y dirección de los efectos estimados en formato estándar (valores de correlación "r" o "d" de Cohen), aún si los resultados no son significativos y si su efecto es pequeño. Esto permitirá que sus resultados sean "meta-analytically friendly". Si la variable que mide es importante en términos prácticos (e.g. número de vidas salvadas por el tratamiento), también informa de su efecto en términos no estandarizados. Indica claramente el tipo de medición que utilizas para medir el tamaño del efecto.

19 - Especifica los intervalos de confianza para cuanificar el grado de precisión asociado al tamaño de efecto que menciona.

20 - Escribe los p-valores exactos para todas las pruebas estadísticas que ha realizado, incluyendo aquellas que no han sido significativas.

21 - Especifica la potencia de tus pruebas estadísticas. Es decir, no las calculadas a partir de los tamaños de efecto o p-valores observados en tu estudio, sino el poder o podencia a priori de las técnicas estadísticas que ha utilizado.

22 - Si realizas análisis multivariados (e.g. regresión múltiple), informa de las correlaciones de orden cero para todas las variables. Realice entonces una matriz de correlacion.

23 - Identifica como "post hoc" las hipótesis accidentales o inesperadas producto de sus hallazgos.

 

[yt_icon url="" size="20" icon="icon: edit" background="#ffffff" color="#899183" radius="3px" padding="5px" margin="5px" border="0px solid #444444" ]Cuando interpretas los resultados de tu estudio.

24 - Evalúa la significación práctica de sus resultados. Pregúntate qué significan tus resultados y para quienes, ¿en qué contexto es particularmente importante el efecto observado? ¿cómo puede verse afectado? ¿cuál es la contribución neta al conocimiento? Si el efecto estimado es pequeño, pregúntate bajo qué circunstancias puedes pensar que son importantes. ¿Los efectos se acumulan en el tiempo? No confunda significaicón estadística con significación práctica.

25 - Si es de ayuda, informa del tamaño del efecto en un lenguaje que a tu lector le sea familiar.

26 - Compara explícitamente tus resultados con estimaciones obtenidas en trabajos previos y con sus intervalos. Pregúntate si el tamaño del efecto que has estimado es mayor, menor o similar, y si esto puede significar que se han medido efectos diferentes.

27 - Si realizas un meta-análisis asegúrate que el modelo estadístico que has utilizado para agrupar las estimaciones individuales es el apropiado para sus datos. Si los tamaños de los efectos en la población son variables, no utilice métodos de efectos fijos. Si quiere realizar inferencias que no estén limitadas a los resultados obtenidos o las categorías analizadas, utilice métodos de efectos aleatorios.

 

[yt_icon url="" size="20" icon="icon: edit" background="#ffffff" color="#899183" radius="3px" padding="5px" margin="5px" border="0px solid #444444" ]Otras recomendaciones.

28 - Publica (ya sea en artículos, conferencias o working papers). 

29 - Pon tus datos disponibles para el lector (practica la ciencia abierta).

30 - Utiliza, por ejemplo, el formato APA (2010) o AERA (2006) para presentar sus resultados.

 

Y ahora no desperdicies esta guía, empieza a aplicar estas 30 recomendaciones desde de hoy mismo.

Comentarios (0)

Rated 0 out of 5 based on 0 votes
There are no comments posted here yet

Deja tus comentarios

Posting comment as a guest.
Archivos adjuntos (0 / 3)
Share Your Location
Escribe el texto que se muestra en la siguiente imagen. ¿No lo ves claro?