16 / 52
C o n t e n i d o d i s p o n i b l e e n h t t p : / / www. n e umo l o g i a - p e d i a t r i c a . cl
1 2
Neumol Pediatr 2015; 10 (1): 10 - 14
El proceso de investigación y su aplicación en rehabilitación respiratoria. Segunda Parte.
al 5%, y es lo que habitualmente consideramos como valor “p”,
que dicho sea de paso, no es un indicador de fuerza de asociación
ni de su importancia, solo equivale al riesgo existente de que
nuestros resultados se deban a la influencia del azar (4-6).
Por otra parte, el error (riesgo de error tipo II) consiste en
aceptar la hipótesis nula cuando en realidad es falsa, es
decir, equivale a la probabilidad de considerar que nuestros
resultados no son significativos cuando en realidad si lo
son. Adicionalmente, el concepto de
potencia estadística
,
se refiere a la probabilidad de rechazar la hipótesis nula
cuando en realidad es falsa, es decir, el riesgo de que los
resultados en la muestra sean estadísticamente significativos,
al igual que en la población blanco. Equivale al complemento
del error , por lo tanto, de considerar un riesgo de error
de 0,2, la potencia estadística sería 0,8 (80%) (4-6).
PROCESO DE MEDICIÓN DE VARIABLES
Una vez realizado el reclutamiento de la muestra de estudio
se inicia el proceso de medición, el que debe describir el
fenómeno en estudio de manera que sea posible analizarlo
estadísticamente. En este contexto, el proceso de medición debe
asegurar altos estándares de validez y confiabilidad de manera
de minimizar el sesgo de medición que puede afectar la validez
interna de los resultados obtenidos. A continuación se explican
de manera sucinta los conceptos de validez y confiabilidad.
Validez:
O exactitud de una variable, es el grado en el que
esta mide lo que se pretende representar. Permite establecer
el grado en el cual los hallazgos observados conducen a una
conclusión correcta en relación al fenómeno que ocurre en la
muestra de estudio y en la población. Cuando se atenta contra
la validez en la medición, se incrementa el error sistemático
y por ende el sesgo en los resultados. La evaluación de
la validez posee tres aspectos principales dependiendo
del tipo de variable en estudio: validez de contenido,
validez de constructo y validez asociada a criterio (7).
Confiabilidad:
O precisión, se refiere a grado de reproducibilidad
que tenga el proceso de medición llevado a cabo. Este parámetro
es afectado por el error aleatorio (azar), es decir, a mayor error
aleatorio, menos precisas son las mediciones. Existen tres
fuentes de variación en la medición: variabilidad de observador,
variabilidad de sujeto y variabilidad de instrumento. La valoración
de la confiabilidad implica la evaluación de la consistencia de
mediciones repetidas intraobservador e interobservador (7).
PROCESO DE ANÁLISIS DE DATOS
El análisis estadístico de los datos exige el abordaje acabado de
las etapas previas del proceso de investigación. Por este motivo,
el proceso de análisis debe ser planificado antes de iniciar el
estudio, considerando la pregunta de investigación, diseño
empleado y las características de variables medidas a lo largo
del proceso de investigación. En este sentido, el proceso de
análisis debe ser considerado como una etapa más del proceso
de investigación y no como el fin último del estudio.
“Investigar
no es el mero análisis de una planilla de datos”.
Las etapas generales que contempla el análisis estadístico
pueden ser expresadas como sigue:
Análisis exploratorio de los datos:
Constituye la etapa inicial
del proceso, es cuando se revisa detalladamente las variables,
los sujetos y los datos insertos en la planilla, orientando
la mirada hacia valores perdidos, errores en la digitación
(ejemplo: cuando se digita la letra “o” por el numero “0”
[cero]), casillas en blanco, etc. Vale la pena mencionar
que el software más empleado para la construcción de
planillas
ad-hoc
, con el propósito de registrar datos durante
la medición de las variables es el programa
Exce
l, gracias a
su simplicidad de uso y lo intuitivo de sus comandos.
Adicionalmente, en esta etapa es cuando se debe evaluar
la distribución de frecuencias en cada una de las variables
cuantitativas. Una de las distribuciones teóricas mejor
estudiadas y más empleadas en investigación clínica es la
distribución normal o también llamada
distribución gaussiana,
cuyas principales propiedades son que la moda, media y mediana
recaen en un mismo punto, la curva normal es asintótica al
eje de las abscisas, el área total bajo la curva (campana de
Gauss) es igual a 1, es simétrica respecto a su media, el
segmento comprendido entre -1,96 y + 1,96 desviaciones
estándar de la media es igual a al 95%, entre otras. Para
determinar si los datos poseen una distribución normal se
debe realizar un contraste de normalidad para lo cual existen
diversos test estadísticos, los más empleados son el test de
Kolmogorov-Smirnov, cuando la muestra es mayor a 50 sujetos;
y el test de Shapiro Wilk, cuando la muestra es menor a 50
sujetos. Como resultado de estas pruebas se espera es que la
distribución de los datos medidos no difiera significativamente
de una distribución normal hipotética, por este motivo,
cuando la distribución de los datos es normal se acepta la
hipótesis nula, es decir, el valor de p es mayor a 0,05 (5,8).
Análisis descriptivo de los datos:
En esta etapa es cuando
se caracteriza la distribución de las variables medidas en
términos de su tendencia central y dispersión. Las
medidas
de tendencia central
equivalen al punto respecto al cual las
observaciones tienden a agruparse. Las más utilizadas son:
Promedio:
Equivale a la media aritmética, se calcula sumando
todas las observaciones y dividiéndolas por el número total
de observaciones. El promedio se utiliza como una medida de
resumen para variables discretas y continuas. No es apropiado
para datos nominales y ordinales. Se recomienda su uso cuando
la variable medida tiene una distribución normal y en la lista
de datos existen escasos valores atípicos o extremos.
Moda:
Representa a la categoría más repetida; en general no
existen restricciones para su uso, sin embargo, se recomienda
cuando las variables se encuentran en escala nominal. Ejemplo:
sexo, raza, etc.