INTERVALOS DE CONFIANZA

avatar

Muchas veces nos enfrentamos a un artículo científico y no sabemos la interpretación de los intervalos de confianza, hoy les traigo una explicación sencilla sobre el tema.

Para entender lo que es un intervalo de confianza, se necesita definir varios conceptos que se utilizaran durante la explicación.

Población: es el total de personas que tienen al menos una característica en común.

Muestra: es un subconjunto de ese universo.

Con las mediciones efectuadas en la muestra se obtiene el valor de la variable de interés, que puede ser una media o una proporción, esto se conoce como estimación puntual.

Sin embargo, a partir del valor observado en una única muestra no puede conocerse con exactitud el verdadero valor en la población de
origen, es tan sólo una aproximación, pero puede calcularse un intervalo de valores en el cual es muy probable que se encuentre la estimación puntual real de la población, a esto se le llama intervalo de confianza.

Para calcular el tamaño de muestra se toman en cuenta la amplitud y el nivel de confianza de este intervalo. Ambos valores se fijan en función de los intereses del investigador, respetando ciertas normas. La amplitud del intervalo se establece de acuerdo con la magnitud de la precisión que desea obtenerse en la estimación, a medida que el investigador requiera mayor precisión tendrá que establecer un intervalo más estrecho y, por lo tanto, aumentará el tamaño de muestra.

El nivel de confianza es la probabilidad de que el valor real de la población se encuentre dentro del intervalo de confianza. Por consenso se ha aceptado como ideal un intervalo de confianza del 95% (IC95%), lo cual quiere decir que hay 95% de probabilidad de que la media o proporción real de la población se encuentre dentro de los límites del intervalo calculado. El investigador puede aumentar la confianza, pero el resultado será un mayor tamaño de muestra. Al 5% complemento de la confianza se le denomina alfa y es el riesgo que existe que la prevalencia real de la población se encuentre fuera del intervalo determinado por la muestra, este 5% se traduce en una distribución zeta de dos colas como 1.96.

Interpretación IC Ejemplo:

Por ejemplo, se desea conocer la asociación entre el hábito de fumar e Infarto Agudo al Miocardio (IAM). Se conoce que la incidencia acumulada en el grupo expuesto al factor de riesgo es 6 y en el grupo no expuesto es 3, por lo tanto el riesgo relativo (RR) = 2. Esto significa que el grupo expuesto tiene el doble de riesgo de presentar la enfermedad que los no expuestos. Si el valor del IC va entre 2 y 8 podemos decir con un 95% de confianza que el verdadero valor de este parámetro en el universo está contenido en este intervalo.

Además, podemos concluir que la asociación es significativa, dado que el intervalo no incluye el valor 1 que es el valor de no asociación. Si el intervalo comprendiera el valor 1 (IC 95%: 0.7- 7.8), no podríamos concluir que la exposición al factor es un riesgo para desarrollar la enfermedad dado que el verdadero valor de este parámetro en el universo podría ser un factor protector (<1) y o bien un factor de riesgo (>1).

Interpretación de la “significación estadística”

Albert Einstein afirmó: “No todo lo que puede contarse cuenta, y no todo lo que cuenta puede contarse”.

Un resultado estadísticamente significativo simplemente significa que probablemente es causado por algo distinto al azar. Significativo no significa importante. Para permitir una interpretación adecuada, deberán proporcionarse valores P exactos, y también la prueba estadística usada. Se denominan valores P “huérfanos” a los presentados sin una indicación de la prueba estadística empleada.

Las pruebas estadísticas deben mantenerse dentro de una perspectiva correcta. La magnitud del valor P no deberá tomarse como una indicación de la importancia del resultado, esta depende del propio resultado y de su implicación. Los resultados pueden ser estadísticamente significativos pero su importancia puede ser escasa o nula. Si a unas observaciones triviales se les asigna un valor P elaborado, se hace poco para mejorar su importancia. Una diferencia estadísticamente significativa o incluso una muy significativa no necesariamente significa un resultado clínicamente importante. Una diferencia lo es realmente solo si logra un cambio.

Puede que las diferencias no sean estadísticamente significativas, aun así, pueden ser importantes. Las diferencias pueden ser reales, sin embargo, debido al pequeño tamaño de la muestra, no son estadísticamente significativas. Un valor de P dentro del intervalo no significativo dice que no hay ninguna diferencia o que el número de sujetos no es lo suficientemente grande como para demostrar la diferencia.

Hasta aquí el tema de hoy espero les sea útil, un saludo para todos.

🙋🌻🙋🌻🙋🌻🙋🌻🙋🌻

🌺. 🏵️🏵️. 🌼🌼
🌺🌺. 🏵️🏵️. 🌼🌼
🌺🌺🌺. 🏵️🏵️. 🌼🌼
🌺🌺🌺🌺. 🏵️🏵️. 🌼🌼
🌺🌺🌺🌺🌺🌺🌺🌺🌺🌺.
🌺🌺🌺🌺. 🏵️🏵️. 🌼🌼
🌺🌺🌺. 🏵️🏵️. 🌼🌼
🌺🌺. 🏵️🏵️. 🌼🌼
🌺. 🏵️🏵️. 🌼🌼



0
0
0.000
0 comments