Las estimaciones de potencia y tamaño de muestra son medidas de cuántos pacientes se necesitan en un estudio. Casi todos los estudios clínicos implican estudiar una muestra de pacientes con una característica particular en lugar de toda la población. Luego usamos esta muestra para dibujar inferencias sobre toda la población.
En artículos anteriores de la serie sobre estadísticas publicadas en esta revista, se ha utilizado la inferencia estadística para determinar si los resultados encontrados son verdaderos o posiblemente debido al azar solo. Claramente, podemos reducir la posibilidad de que nuestros resultados provengan del azar al eliminar el sesgo en el diseño del estudio utilizando técnicas como la aleatorización, el cegamiento, etc. Sin embargo, otro factor influye en la posibilidad de que nuestros resultados puedan ser incorrectos, el número de pacientes estudiados. Intuitivamente suponemos que cuanto mayor sea la proporción de toda la población estudiada, más cerca llegaremos a la verdadera respuesta para esa población. Pero, ¿cuántos necesitamos estudiar para acercarnos lo más que necesitamos la respuesta correcta?
Los investigadores utilizan estimaciones de tamaño de potencia y muestra para determinar cuántos sujetos se necesitan para responder a la pregunta de investigación (o hipótesis nula).
Un ejemplo es el caso de la trombólisis en el infarto agudo de miocardio (AMI). Durante muchos años, los médicos sintieron que este tratamiento sería beneficioso dada la etiología propuesta de AMI, sin embargo, los estudios sucesivos no pudieron probar el caso. No fue sino hasta la finalización de los «mega-juicio» adecuadamente impulsados que se demostró el pequeño pero importante beneficio de la trombólisis.
En general, estos ensayos compararon la trombólisis con placebo y, a menudo, tenían una medida de resultado primaria de mortalidad en un cierto número de días. La hipótesis básica para los estudios puede haber comparado, por ejemplo, la mortalidad del día 21 de la trombólisis en comparación con el placebo. Hay dos hipótesis que debemos considerar:
La hipótesis nula es que no hay diferencia entre los tratamientos en términos de mortalidad.
¿Qué es estimación del tamaño de la muestra?
Introducción: En general, muestra
El cálculo del tamaño se realiza a través de un análisis de potencia previo al estudio. Su
El propósito es seleccionar un tamaño de muestra apropiado para lograr una potencia deseada
Para la detección correcta de una diferencia clínica significativa clínica previa en un
Nivel de significancia dado. Este estudio/herramienta proporcionará estadística
Procedimientos para la determinación del tamaño de la muestra requeridos no solo para probar la igualdad, sino también para probar la no inferioridad/superioridad, la equivalencia (similitud), algunos diseños de ensayos clínicos de supervivencia y fase II que
se emplean comúnmente en varias fases del desarrollo clínico. Como un puñado
herramienta, es muy útil para científicos clínicos y bioestadísticos en el
Industria farmacéutica, agencias reguladoras, academia y otros investigadores.
Este programa ayuda a los usuarios a determinar
Tamaños de muestra e intervalos de confianza para una amplia gama de técnicas estadísticas que incluyen medias, proporciones, análisis de supervivencia, ensayos clínicos de fase II, estudios epidemiológicos y
algunos casos generales).
- Elija una de las técnicas
de la siguiente tabla - De la mesa elegida, por favor
Seleccione uno de los casos especificados que le interesa - Aparecerá una nueva ventana y lea las instrucciones
Sobre cómo usar las herramientas de calaulación.
Un diseño paralelo es un
diseño aleatorizado completo en el que cada sujeto recibe uno y solo uno
tratamiento de manera aleatoria. No proporciona estimaciones independientes para
La variabilidad intra-sujeto para cada tratamiento. Como resultado, la evaluación
del efecto del tratamiento se realiza en función de la variabilidad total, que incluye el
Variabilidad entre sujetos y la variabilidad intra-sujeto.
¿Qué efecto tiene el tamaño de la muestra en la precisión de la estimación?
En la publicación anterior, aprendimos que una estadística de muestra (por ejemplo, una media de muestra) se usa para estimar un parámetro de población (por ejemplo, la media de la población), y el error estándar de la estadística de muestra indica la cantidad de precisión alrededor de la estimación de la estimación de la estimación de la estimación de la estimación de la estimación Parámetro de población. Un pequeño error estándar indica que un estadístico de muestra estima un parámetro de población con alta precisión. ¿Por qué es esto y qué determina si un error estándar es grande o pequeño?
Un error estándar indica cuán variable es una estadística de muestra si se repite un experimento muchas veces. Un pequeño error estándar indica que la estadística de muestra solo varía en una pequeña cantidad con muchas repeticiones del experimento, por lo que es deseable un pequeño error estándar. Un error estándar de una estadística media se calcula a partir de la desviación estándar de esta manera:
Desde la fórmula, el error estándar depende de la variabilidad de los datos en la muestra (es decir, desviación estándar) y el número de muestras en el experimento (es decir, tamaño de muestra) de tal manera que para una desviación estándar dada, el error estándar disminuye como muestra El tamaño aumenta. Esto significa que una estimación precisa de un parámetro de población solo se obtiene cuando el tamaño de la muestra es grande, o cuando la variabilidad en la muestra es pequeña.
Para ilustrar cómo el tamaño de la muestra afecta el cálculo de los errores estándar, la Figura 1 muestra la distribución de los puntos de datos muestreados de una población (panel superior) y la distribución de muestreo asociada del estadístico medio (panel inferior) a medida que aumenta el tamaño de la muestra (columnas 1 a 3) . Todas las muestras tienen una media de 0 y desviación estándar de 1, y todas las gráficas comparten la misma escala de eje X.
¿Cuál es el efecto del tamaño de la muestra en su confiabilidad para estimar las características de una población?
Al realizar investigaciones sobre sus clientes, pacientes o productos, generalmente es imposible, o al menos poco práctico, recopilar datos de todas las personas o artículos que le interesan. En cambio, tomamos una muestra (o subconjunto) de la población de interés y aprenda lo que podamos de esa muestra sobre la población.
Hay muchas cosas que pueden afectar qué tan bien nuestra muestra refleja la población y, por lo tanto, cuán válidas y confiables serán nuestras conclusiones. En este blog, presentamos algunos de los conceptos clave que deben considerarse al realizar una encuesta, incluidos los niveles de confianza y los márgenes de error, el poder y los tamaños de efectos. (Vea el glosario a continuación para obtener algunas definiciones prácticas de estos términos). Crucialmente, veremos que todos estos se ven afectados por la gran muestra que toma, es decir, el tamaño de la muestra.
Comencemos considerando un ejemplo en el que simplemente queremos estimar una característica de nuestra población y veamos el efecto que tiene el tamaño de nuestro tamaño de muestra sobre cuán precisa es nuestra estimación.
El tamaño de nuestra muestra dicta la cantidad de información que tenemos y, por lo tanto, en parte, determina nuestra precisión o nivel de confianza que tenemos en nuestras estimaciones de muestra. Una estimación siempre tiene un nivel de incertidumbre asociado, que depende de la variabilidad subyacente de los datos, así como del tamaño de la muestra. Cuanto más variable sea la población, mayor será la incertidumbre en nuestra estimación. Del mismo modo, cuanto mayor sea el tamaño de la muestra, más información tendremos y, por lo tanto, nuestra incertidumbre se reduce.
¿Qué es la precisión de la estimación?
La precisión de estimación es el grado en que un cálculo de un elemento varía a su valor real. Como estimadores, queremos minimizar la brecha entre el costo estimado y el real. Por supuesto, hay muchos factores involucrados aquí. Tenemos que tener en cuenta cosas como el alcance del proyecto, la información disponible, su fase en el ciclo de vida del proyecto y las condiciones de mercado turbulentas. Sin embargo, este artículo le proporciona tres consejos generales para aumentar la precisión de sus estimaciones:
Cuando se trata de la precisión de sus estimaciones, la información que utiliza como entrada es muy importante. Pero, ¿dónde encuentras la información correcta? En la ingeniería de costos, hemos creado una amplia base de datos de costos (base de conocimiento estándar de ingeniería de costos), basado en estándares de la industria, datos históricos de proyectos completos y citas solicitadas. Pero el mercado está constantemente en movimiento, por lo tanto, es importante mantener sus datos actualizados. Una forma de hacer esto es indexando regularmente su equipo o costo de material.
Los proyectos individuales deben tener sus rangos de precisión determinados por un estudio de análisis de riesgo de costos. A partir de la producción resultante del análisis de riesgos, el presupuesto del proyecto debe derivarse, en función del nivel de confianza (o riesgo) aceptable para la gestión. A partir de ahí podemos definir las contingencias. La contingencia de estimación es la cantidad agregada a la estimación para proporcionar el nivel de confianza deseado (por ejemplo, P50 o P90).
Como se mencionó anteriormente, el uso de una base de datos de costos bien desarrollada aumentará la precisión de sus estimaciones. Pero, ¿cómo se gestiona una cantidad tan grande de datos? El uso de una herramienta de software de ingeniería de costos dedicada en este caso es indispensable. Nuestro software, Cleopatra Enterprise, logra esto utilizando una única base de datos central en la que se administran todas las facetas involucradas en el costo.
Artículos Relacionados:
- Determinación del tamaño de la muestra: cómo obtener la cantidad correcta de datos para tomar decisiones precisas
- ¿Cuál es el tamaño de la muestra ideal para una encuesta?
- El tamaño de la muestra es importante para garantizar la precisión de los resultados
- Cálculo del tamaño de la muestra: la guía completa
- Determinación del tamaño de la muestra con grado de confianza y estimación de u
- 2.5 Determinación del tamaño de muestra: Cómo asegurarse de obtener una muestra representativa
