m todos cuantitativos avanzados n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Métodos cuantitativos avanzados PowerPoint Presentation
Download Presentation
Métodos cuantitativos avanzados

Loading in 2 Seconds...

play fullscreen
1 / 199

Métodos cuantitativos avanzados - PowerPoint PPT Presentation


  • 171 Views
  • Uploaded on

Métodos cuantitativos avanzados. William L. Holzemer, RN, Ph.D., FAAN Profesor, Escuela de Enfermería Universidad de California, San Francisco bill.holzemer@nursing.ucsf.edu. Objetivos. Desarrollar la definición de ciencia de enfermería

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Métodos cuantitativos avanzados' - arleen


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
m todos cuantitativos avanzados

Métodos cuantitativos avanzados

William L. Holzemer, RN, Ph.D., FAAN

Profesor, Escuela de Enfermería

Universidad de California, San Francisco

bill.holzemer@nursing.ucsf.edu

objetivos
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
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
enfermer a ciencia de enfermer a
¿Enfermería = Ciencia de enfermería?

Definición de enfermería

Asociación Americana de Enfermería:

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

definici n de enfermer a
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.”

definici n de enfermer a consejo internacional de enfermer a
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 enfermer a
Elementos comunes:Definiciones de Enfermería
  • Persona (individual, familia, comunidad)
  • Salud (Bienestar y enfermedad)
  • Ambiente
  • Enfermería (atención, intervenciones, tratamientos)
ciencia de enfermer a
Ciencia de Enfermería

El cuerpo de conocimiento que apoya la práctica basada en evidencias

ciencia de enfermer a usa varias metodolog as de investigaci n
Cualitativa

Entendimiento

Entrevista/observación

Descubriendo esquemas

Textual (palabras)

Generación de teorías

Calidad del informante más importante que el tamaño de muestra

Rigor

Subjetiva

Intuitiva

Conocimiento encajado

Cuantitativa

Predicción

Encuesta/cuestionarios

Esquemas existentes

Numérica

Prueba de teorías (ECA)

Tamaño de muestra, esencial en el tema de confiabilidad de los datos

Rigor

Objetiva

Pública

Ciencia de Enfermería usa varias metodologías de investigación
tipos de m todos de investigaci n todos tienen reglas de evidencia
Cuantitativa

No experimental o descriptiva

Experimental o estudios aleatorizados controlados

Etnografía

Análisis de contenido

Modelos de análisis: Paramétrico vs no paramétrico

Cualitativa

Teoría aterrizada

Etnografía

Teoría feminista crítica

Fenomenología

Tipos de métodos de investigación:(¡todos tienen reglas de evidencia!)

Modelos de análisis: fidelidad al texto o palabras de entrevistas

modelo de resultados
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)
d nde encontramos gu as de la pr ctica basada en evidencias
¿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 c mo sabemos que sabemos
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 introducci n a la investigaci n
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
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 investigaci n
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 d nde vienen las ideas
¿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
Usos de Substruction
  • Critique un estudio publicado
  • Planee un estudio nuevo
substruction
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 perspectiva de dise o de investigaci n

Co-variables Z

Severidad de enfermedad

para ajuste de riesgos

(análisis de covarianza)

Tratamiento de la

variable independiente

¿Cómo medirla?

Variable dependiente Y

Substruction: Perspectiva de diseño de investigación

Enfoque del estudio (¿ECCA?)

substruction sistema te rico un ejemplo
Substruction: sistema teórico, un ejemplo

Estudio intervencional sobre dolor

Paciente post quirúrgico

Severidad de enfermedad

Enfermedad

Edad

Género

Intervención de manejo del dolor

Comunicación con el paciente

Standing 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?

Substruction: sistema operacional

Escala: ¿continua o discreta?

escalas
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
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?
slide32
¿Hay una relación entre el toque y control del dolor , contando el dolor inicial post-operatorio?rx,y.z
revisi n de la literatura
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?
revisi n de la literatura1
Revisión de la literatura
  • ¿Qué se conoce?
  • ¿Qué no se conoce?
  • Recursos
    • La biblioteca Cochran
    • Biblioteca de bases de datos
      • PubMed
      • CINYL
revisi n de la literatura c mo combinar sintetizar y demostrar la direcci n
Revisión de la literatura:¿Cómo combinar, sintetizar y demostrar la dirección?

Tópico

Estudio 1

Estudio 2

Estudio 3

revisi n de la literatura2
Revisión de la literatura

Tópico

Estudio 1

Estudio 2

Estudio 3

tabla 2 amenazas a la validez de estudios de investigaci n relacionados al t pico
Tabla 2. Amenazas a la validez de estudios de investigación relacionados al tópico
s ntesis de la literatura
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?
dise o de investigaci n cualitativa
Diseño de investigación: cualitativa
  • Etnografía
  • Fenomenología
  • Hermenéutica
  • Teoría aterrizada
  • Histórico
  • Estudio de caso
  • Narrativa
rigor en investigaci n cualitativa
Rigor en investigación cualitativa
  • Dependiente
  • Creíble
  • Transferible
  • Confirmable
tipos de dise os de investigaci n cuantitativa
Tipos de diseños de investigación cuantitativa
  • Nos enfocaremos en RIGOR:
    • Experimental
    • No experimental
notaci n x y z
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 dise os de investigaci n cuantitativa1
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 investigaci n cuantitativa
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)

slide49
Revisión de la literaturaEnfoque del estudio

Enfoque del estudio Pregunta de estudio

Pregunta de estudio Hipótesis de estudio

enfoque pregunta e hip tesis
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.

definici n dise o experimental
Definición: diseño experimental
  • Hay una intervención que es controlada
  • Hay un grupo experimental y uno control
  • Hay un asignación aleatoria a los grupos
dise o experimental cl sico
Diseño experimental clásico

O1exp X O2exp

R

O1con O2con

(pretest) (posttest)

O=observación

1 = pretest o tiempo uno; 2 = posttest o tiempo dos

X = intervención

R = asignación aleatoria a los grupos

dise o experimental cl sico1
Diseño experimental clásico

O1exp X O2exp

R

O1con O2con

(pretest) (posttest)

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

aleatorizaci n
Aleatorización
  • Asignación aleatoria a grupos (validez interna) – iguales variables Z en ambos grupos
  • Selección aleatoria de una muestra de la población (validez interna) – variables Z iguales en la muestra que en la población
slide56
Meta:

Señalar si hay una relación causal

condiciones requeridas para hacer un se alamiento de causalidad x causa y
Condiciones requeridas para hacer un señalamiento de causalidad: X causa Y
  • X precede Y
  • X y Y están correlacionadas
  • Todo está controlado o eliminado. Las variables Z no impactan al resultado
  • Nunca probamos algo, reunimos evidencia que apoye nuestra conclusión
controlando variables z
Controlando variables Z:
  • Minimiza amenazas la validez interna
  • Limita la muestra (e.g. sólo menores de 35 años) o control de variación
  • Manipulación estadística (ANCOVA)
  • Asignación a grupo aleatoria
dimensiones del dise o de investigaci n grupos y tiempo
Dimensiones del diseño de investigación: Grupos y tiempo

O1exp X O2exp

Grupos (n=2 experimental y control)

O1con O2con

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

 Tiempo (n=2) 

(mediciones repetidas)

dimensiones de dise o de investigaci n grupos y tiempo
Dimensiones de diseño de investigación: grupos y tiempo

Grupos = entre factores

Tiempo = dentro de factores

tipos de dise os
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 dise os1
Tipos de diseños
  • O1 X O2

O1 O2

ECA estudios controlados aleatorizados

tipos de dise os2
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 dise o
Tipos de diseño

O1 X1 O2

R O1 X2 O2

O1 O2

# de grupos? ___

# puntos en el tiempo? ___

tipos de dise os3
Tipos de diseños

Diseño de post-test sólo:

X O2

O2

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

tipos de dise o de investigaci n
Tipos de diseño de investigación
  • Experimental (verdad)
  • Cuasi-Experimental (caso)
    • Asignación no aleatoria a grupos
validez de dise o
Validez de diseño
  • Conclusión estadística válida
  • Validez de constructo de causa y efecto (X y Y)
  • Validez interna
  • Externa
validez del dise o
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 dise o1
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 dise o1
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 dise o2
Validez de diseño

Validez externa

  • Amenaza de baja generalización para personas, lugares y tiempo
  • ¿Puede generalizarse a otros?
construyendo el conocimiento
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
Muestreo

[Selección de la muestra, no asignación]

t rminos
Población

Muestra

Elemento

- Todos los sujetos posibles

- Un subgrupo de sujetos

- Un sujeto

Términos
qu muestreamos
¿Qué muestreamos?
  • Personas (e.g. sujetos)
  • Sitios (e.g. hospitales, unidades, ciudades)
  • Tiempo (e.g. temporada, cambio am vs pm)
muestreo qu 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

Muestreo: ¿Qué hacemos?
tipos de muestreo de probabilidad
Tipos de muestreo de probabilidad

Probabilidad

Muestreo simple aleatorio – usa una tabla de números aleatorios

Muestreo 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 probabil stico
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
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

c mo controlar el error de muestreo
¿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
c lculo de tama o 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 tama o de muestra
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
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.

programas de an lisis de poder
Programas de análisis de poder
  • Paquete SPSS
  • nQuery Adviser Release 4.0 (¿más reciente?)

http://www.statsolusa.com

poder1
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.
tama o del efecto
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.
tama o del efecto1
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
tama o de efecto
Tamaño de efecto

Mediaexp – Mediacon

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

DS e y c

eta cuadrada 2
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.
slide92
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
prueba de hip tesis es verdad o falso
Prueba de hipótesis: ¿Es verdad o falso?
  • Hipótesis nula: H0
    • Media (experimental) = Media (control)
  • Hipótesis alterna: H1
    • Media (experimental) ≠ Media (control)
slide95
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?
perdida de muestra en eca

N=243

N=118

Aleatorización

N=122

N=105

1 mes

N=110

N=91

6 meses

N=89

Perdida de muestra en ECA
medici n
Medición

“Si existe, puede ser medido”

R. Cronbach

qu medimos
Qué medimos:
  • Conocimiento, actitudes, conductas (CAC)
  • Variables fisiológicas
  • Síntomas
  • Aptitudes
  • Costos
tipos de mediciones
Tipos de mediciones
  • Estandarizada – evidencia como sigue:
    • Desarrollada sistemáticamente
    • Evidencia para validez del instrumento
    • Evidencia de confiabilidad del instrumento
    • Evidencia de utilidad del instrumento – tiempo, puntaje, costos, sensible a cambios en el tiempo
  • No estandarizada
tipos de error de medici n
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
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
teor a relacionada a la validez
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
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?

Recuerde:
confiabilidad del instrumento
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 instrumento1
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
Alfa de Cronbach

alfa =

SD =

estimaciones de confiabilidad del alfa de cronbach
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?
slide110
Consistencia interna: alfa de CronbachPersona A: Internamente consistentePersona B: Internamente inconsistente
error en estimaciones de confiabilidad
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
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
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
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
Pregunta:
  • ¿Puede una escala ser válida y no confiable?
  • ¿Puede ser una escala confiable y no válida?
desarrollo de escalas
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
traducci n
Traducción
  • Traducción prospectiva (A a B)
  • Traducción retrospectiva (B a A)
  • Equivalencias conceptuales a través de culturas
  • Usando jerigonza, modismos, etc.
an lisis de datos por qu
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
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
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
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

variable dicot micas
Variable dicotómicas

No haga esto:

1 = Masculino

2= Femenino

¡Haga esto!

1 = masculino

0 = femenino

¿Por qué? Función aditiva

codoficando falso
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
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 desaparecidos1
Datos desaparecidos

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

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

mediciones
Mediciones:
  • Tendencia central
  • Relaciones
  • Efectos
medidas de tendencia central
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 años

SD= 4.2

Rango: 22-45)

medidas de tendencia central1
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 media mediana modo
Curva Normal(Media=Mediana=Modo)

Frecuencia

Media Mediana Modo

escalas1
Discreta

(cualitativa)

Nominal

Ordinal

Continua (cuantitativa)

Intervalo

razón

No paramétrica

(no requiere suposiciones; Chi cuadrada)

Paramétrica

(asume la curva Normal, por ejemplo prueba F)

Escalas
grados de libertad
Grados de libertad
  • Corrección estadística para no sobreestimar
grados de libertad1
Grados de libertad
  • Tamaño de muestra (n-1)
  • Número de grupos (k-1)
  • Número de puntos en el tiempo (l-1)
medidas de asociaci n correlaciones
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
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
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
varianza
Varianza

Área bajo la curva = DS2

Varianza

varianza compartida r 2
Varianza compartida r2

Si r = 0.80, r2 = 0.64

varianza compartida r 21
Varianza compartida r2

Si r= 1,

Si r= 0,

tipos de an lisis de datos
Tipos de análisis de datos

Descriptivo X? Y? Z?

Medidas de tendencia central

Correlacionalrx,y?

¿Hay una relación entre x y y? Mediciones de relaciones (correlaciones)

CausalΔX ΔY?

  • ¿El cambio en x causa un cambio en y?

Probando diferencias en grupos (pruebas t o F)

probando diferencias en grupos
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
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
dise o experimental cl sico2
Diseño experimental clásico

O1exp X O2exp

R

O1con O2con

(pretest) (posttest)

Grupo: entre factor

Tiempo: dentro de factor

probando diferencias entre grupos
Probando diferencias entre grupos

Entre varianzas

F (o t) =

Dentro de varianzas

examinando varianzas
Examinando varianzas

Entre

varianzas

Dentro de varianzas

tipos de dise os4
Tipos de diseños

O1 O2 O3

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

tipos de dise os5
Tipos de diseños

O1e X O2e

O1c O2c

cambio dentro del grupo de O1e a O2e

cambio entre grupos O2e y O2c

c mo analizar este dise o
¿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.
dise o s lo post prueba
Diseño sólo post-prueba
  • X O2e

O2c

Prueba de t no pareada

Hipótesis nula:

H0: O2e =O2c

Hipótesis alternativa direccional:

H1: O2e > O2c

slide164
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
conceptual
Conceptual:

MediaE – MediaC

t =

error estándar de la media

suposiciones de anova
Suposiciones de ANOVA
  • Distribución Normal
  • Independencia de mediciones
  • Escala continua
  • Relación lineal entre variables
anova 3 x 2
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 mnibus
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
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?)

alfa galopante
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
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.
an lisis de regresi n m ltiple
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
an lisis de regresi n m ltiple1
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

preguntas de regresi n m ltiple
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?
an lisis de regresi n m ltiple2
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.
regresi n m ltiple varianza compartida
Regresión múltiple: varianza compartida

Tabaquismo 40%

Edad 25%

Género 4%

regresi n m ltiple
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.
regresi n m ltiple1
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.
regresi n m ltiple2
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
an lisis de regresi n
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 regresi n multivariable
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).
modelando ecuaci n estructural

Fatiga mes 0

Dolor muscular mes 0

Inter- sección

Inter -sección

Fatiga mes 1

Dolor muscular mes 1

Fatiga mes 3

Dolor muscular mes 3

Pendiente

Pendiente

Fatiga mes 6

Dolor muscular mes 6

Modelando ecuación estructural
factor de an lisis
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 an lisis
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 an lisis1
Factor de análisis
  • Componentes principales –

(factor principal

o

ejes principales)

factor de an lisis2
Factor de análisis:

Un proceso interactivo

Factor de extracción

definiciones
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 rotaci n
Factor de rotación

Factores 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 an lisis de datos
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.
gu as ticas para investigaci n en enfermer a
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 ticos que gu an la investigaci n
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 ticos que gu an la investigaci n1
Principios éticos que guían la investigación

Confidencial

  • Nombres conservados en lugar seguro

vs.

Anónimo

  • Sin identificadores