El valor p se puede percibir como un oráculo que juzga nuestros resultados. Si el valor p es 0.05 o más bajo, el resultado se anuncia como significativo, pero si es superior a 0.05, el resultado no es significativo y tiende a pasar por alto en silencio. Entonces, ¿cuál es realmente el valor p y por qué es tan importante 0.05?
Pocas estimaciones estadísticas han proporcionado tanta alegría y tanta decepción como el valor p. Su tamaño puede tener un gran impacto en temas como la práctica clínica, las condiciones financieras para los fabricantes de medicamentos y el éxito de la carrera y la publicación de los investigadores individuales. Dado que juega un papel importante cuando se discuten los resultados, su uso e interpretación generalizados sigue siendo controvertido.
¿Deberíamos estar agradecidos de que el valor p pueda proporcionarnos una respuesta simple sobre si nuestros resultados son significativos, o deberíamos abandonar todo el concepto de pruebas de significancia y prohibir los valores p?
El valor p se basa en dos hipótesis. Una de ellas es la hipótesis nula, en la que normalmente se supone que no hay diferencia o ningún efecto de un tratamiento o una exposición. Esto significa que aunque los resultados pueden mostrar una diferencia o efecto en términos de números, suponemos que esto es causado por variaciones aleatorias y que esta diferencia no es, por lo tanto, estadística real.
La segunda y la hipótesis alternativa es a menudo una suposición de que la hipótesis nula es falsa. Luego, se aplica un conjunto de métodos matemáticos-estadísticos para estimar la probabilidad de lo que estamos observando, dado que la hipótesis nula es realmente correcta. La probabilidad de lo que estamos observando o una mayor desviación de la hipótesis nula, suponiendo que la hipótesis nula es correcta, es nuestro valor p. Si el valor p es más bajo que un número predefinido, la hipótesis nula se rechaza y afirmamos que el resultado es estadísticamente significativo y que la hipótesis alternativa es cierta. Por otro lado, si el resultado no es estadísticamente significativo, no rechazamos la hipótesis nula.
¿Qué significa que el p valor sea significativo?
La significación estadística es una determinación sobre la hipótesis nula, lo que sugiere que los resultados se deben al azar solos. Un conjunto de datos proporciona significación estadística cuando el valor p es suficientemente pequeño.
Cuando el valor p es grande, los resultados en los datos son explicables solo por casualidad, y los datos se consideran consistentes con (sin probar) la hipótesis nula.
Cuando el valor p es suficientemente pequeño (típicamente 5% o menos), los resultados no se explican fácilmente solo por casualidad, y los datos se consideran inconsistentes con la hipótesis nula. En este caso, la hipótesis nula del azar sola como una explicación de los datos se rechaza a favor de una explicación más sistemática.
La significación estadística a menudo se usa para nuevos ensayos farmacéuticos de medicamentos, para probar las vacunas y en el estudio de la patología para las pruebas de efectividad e informar a los inversores sobre cuán exitosa es la compañía en liberar nuevos productos.
Supongamos que Alex, un analista financiero, tiene curiosidad sobre si algunos inversores tenían un conocimiento anticipado del repentino fracaso de una empresa. Alex decide comparar el promedio de los rendimientos del mercado diario antes de la falla de la compañía con los posteriores para ver si hay una diferencia estadísticamente significativa entre los dos promedios.
El valor p del estudio fue del 28% (> 5%), lo que indica que una diferencia tan grande como la observada (-0.0033 a +0.0007) no es inusual bajo la explicación de solo posibilidad. Por lo tanto, los datos no proporcionaron evidencia convincente de conocimiento anticipado de la falla. Por otro lado, si el valor p fuera 0.01% (mucho menos del 5%), entonces la diferencia observada sería muy inusual bajo la explicación de solo posibilidad. En este caso, Alex puede decidir rechazar la hipótesis nula e investigar aún más si algunos comerciantes tenían conocimiento anticipado.
¿Qué es el p valor y como interpretarlo?
PACO2 es la presión parcial del dióxido de carbono. Se mide en MMHG y el valor óptimo es entre 35 y 45 mmHg. Si el Paco2 es:
- <35, se habla de alcalosis respiratoria
- > 45, hablamos de acidosis respiratoria
Con HCO3, se indican bicarbonatos, cuyo valor óptimo es de 22–26 mmol/L (milimoli por litro). Si HCO3:
- <35, se habla de alcalosis respiratoria
- > 45, hablamos de acidosis respiratoria
Los be son un parámetro que evalúa el exceso de bases. El valor de referencia es entre -2 y +2 mmol/L. Cuando este valor se vuelve negativo, significa que existe una deficiencia de bases y que el paciente está en una condición de acidosis metabólica.
Es un valor que se utiliza para elegir un tratamiento adecuado para el paciente en acidosis.
El EGA también evalúa los electrolitos. Estos también son medibles con un muestreo de sangre venosa normal, pero el EGA ciertamente tiene la ventaja de ser más inmediato y más rápido. En particular, mida:
- <35, se habla de alcalosis respiratoria
- > 45, hablamos de acidosis respiratoria
El control de los electrolitos con la EGA es particularmente importante en el paciente dializado. De hecho, el tratamiento dialítico implica una variación importante de los electrolitos en la sangre; Por esta razón, es importante realizar cheques durante el tratamiento para resaltar rápidamente las anomalías.
¿Qué significa P 0.05 en el análisis estadístico?
En 2011, la Corte Suprema de los Estados Unidos dictaminó por unanimidad en Matrixx Initiatives Inc. v. Siracusano que los inversores podían demandar a una compañía farmacéutica por no informar efectos adversos de drogas, a pesar de que no fueron estadísticamente significativos.
Al describir el caso en la edición del 2 de abril de 2011 del Wall Street Journal, Carl Bialik escribió: “Un grupo de matemáticos ha intentado durante años tener un concepto estadístico central desacreditado. Ahora la Corte Suprema podría haberlo hecho por ellos ”. Esa conclusión puede haber sido demasiado optimista, ya que el uso equivocado del valor P continuó sin cesar. Sin embargo, en 2014, las preocupaciones sobre la mala interpretación y el mal uso de los valores de P llevaron a la Junta de la Asociación Estadística Americana (ASA) a convocar a un panel de estadísticos y expertos de una variedad de disciplinas para redactar una declaración de política sobre el uso de valores P y pruebas de hipótesis. Después de un año de discusión, ASA publicó una declaración de consenso en estadística estadounidense (doi: 10.1080/00031305.2016.1154108).
La declaración consta de seis principios en lenguaje no técnico sobre la interpretación adecuada de los valores de P, las pruebas de hipótesis, la toma de decisiones de ciencia y política, y la necesidad de informes completos y transparencia de los estudios de investigación. Sin embargo, reunir una declaración corta y clara de un grupo tan diverso tardó más y era más polémico de lo esperado. Los participantes escribieron comentarios complementarios, disponibles en línea con la declaración publicada.
El panel discutió muchos conceptos erróneos sobre los valores de P. Pon a prueba tu conocimiento: ¿Cuál de los siguientes es cierto?
Si respondió «ninguno de los anteriores», puede comprender este concepto resbaladizo mejor que muchos investigadores. El panel ASA definió el valor P como «la probabilidad bajo un modelo estadístico especificado de que un resumen estadístico de los datos (por ejemplo, la diferencia de medias de muestra entre dos grupos comparados) sería igual o más extremo que su valor observado».
¿Cómo interpretar la P en estadística?
Al final de un análisis estadístico, se genera un informe con una serie de parámetros. Entre estos está el valor p. Mucha confusión se hace comúnmente en el valor p. No todos saben su significado y, a menudo, se reduce a observar si su valor es inferior o superior a 0.05. Esta confusión a menudo genera interpretaciones incorrectas. En este breve artículo explicamos qué es el valor p y qué indicación útil puede dar el final de un análisis estadístico.
El valor p es un parámetro utilizado para discriminar una prueba de hipótesis. Pero, ¿qué se entiende por pruebas de hipótesis? Imaginemos que tenemos dos muestras de N medidas cada una. Nos preguntamos si las dos muestras pertenecen a la misma población y si los dos promedios asociados con las dos distribuciones de las muestras son comparables o no. Para responder a esta pregunta, se utiliza la prueba de la hipótesis. Consiste en la hipótesis de una declaración (nada de hipótesis o H0) y a través de las pruebas estadísticas verifique si confirmar la hipótesis o si lo tiene a favor de una hipótesis alternativa.
En el caso descrito anteriormente, la declaración se asocia con la hipótesis o H0 la declaración «Las dos muestras pertenecen a la misma población y la diferencia entre los promedios de la muestra se debe a variaciones aleatorias» (la prueba estadística que se utiliza puede ser la de Estudiante t de). Como resultado, la hipótesis alternativa será: «Las dos muestras pertenecen a dos poblaciones diferentes».
La salida de la prueba de la hipótesis es el valor p. Pero, ¿cuál es su significado? Expresa la probabilidad de que el objeto característico de la hipótesis H0 tenga un valor igual o más extremo que el observado. Intentamos explicarlo mejor con el ejemplo anterior. Si las dos muestras pertenecen a la misma población, la diferencia entre los dos promedios se debe a variaciones aleatorias. La distribución de posibles diferencias entre la escuela secundaria será una distribución promedio normal 0.
¿Cuando el valor de p es significativo?
¿Cómo saber si un valor es estadisticamente significativo?
Calcular la significación estadística es bastante extensa si lo calcula a mano y es por eso que se calcula típicamente usando una calculadora. Sin embargo, cuando lo calcula a mano, lo ayudará a comprender más completamente el concepto. Estos son los pasos para calcular la significación estadística:
Realice un análisis de potencia para averiguar el tamaño de su muestra.
El primer paso para calcular la significación estadística es determinar su hipótesis nula. Su hipótesis nula debe indicar que no hay diferencias significativas entre los conjuntos de datos que está utilizando. Tenga en cuenta que no necesita creer la hipótesis nula.
A continuación, cree una hipótesis alternativa. Por lo general, su hipótesis alternativa es lo opuesto a su hipótesis nula, ya que establecerá que existe, de hecho, una relación estadísticamente significativa entre sus conjuntos de datos.
Su siguiente paso implica determinar el nivel de significancia o más bien, el alfa. Esto se refiere a la probabilidad de rechazar la hipótesis nula incluso cuando es cierto. Un alfa común es 0.05 o cinco por ciento.
A continuación, deberá determinar si usará una prueba de una cola o una prueba de dos colas. Mientras que el área crítica de distribución es unilateral en una prueba unilateral, es de dos lados en una prueba de dos colas. En otras palabras, las pruebas de una cola analizan la relación entre dos variables en una dirección y las pruebas de dos colas analizan la relación entre dos variables en dos direcciones. Si la muestra que está utilizando tierras dentro del área crítica unilateral, la hipótesis alternativa se considera cierta.
¿Cuando un valor es estadísticamente significativo?
Cuando el valor p es bajo (es decir, cerca de 0) se dice que el resultado es estadísticamente significativo. Una probabilidad muy cercana a 0 indica que es muy poco probable que observe los datos de su muestra cuando la hipótesis no lo es. El valor del valor p le dice exactamente lo improbable que es.
Si las estadísticas t son mayores que el valor crítico, se puede decir que la diferencia es significativa. Si las estadísticas t son más bajas, entonces los dos valores son, estadísticamente hablando, indistinguibles.
Este es el nivel de importancia… calcula la desviación estándar de la muestra.
- Restar el promedio μ de todas sus medidas.
- Eleva los valores resultantes al cuadrado.
- Resume los valores.
- Divide por N-1.
- Calcule la raíz cuadrada del resultado.
Si el valor p ≥0.05 aumentó, se dice que la prueba no es estadísticamente significativa (es decir, puede ser un efecto de muestreo aleatorio) y se acepta H0; Si el valor p
- Restar el promedio μ de todas sus medidas.
- Eleva los valores resultantes al cuadrado.
- Resume los valores.
- Divide por N-1.
- Calcule la raíz cuadrada del resultado.
Una «diferencia estadísticamente significativa», es decir, una diferencia en los tratamientos que es muy poco probable que depende del caso, puede tener una importancia práctica reducida o cero.
¿Cómo saber si un dato es estadísticamente significativo?
Después
Recopilando datos, el siguiente paso es ejecutar las pruebas estadísticas. Hay muchos
Diferentes pruebas pueden realizar investigadores, dependiendo del tipo de datos que
tener. En el caso de nuestro ejemplo, Risen y Gilovich realizaron dos simples dos
Grupos T-Test. Otros análisis comunes
Incluya regresión lineal, pruebas de chi-cuadrado, ANOVA y pruebas U de Mann-Whitney.
Todas las pruebas estadísticas siguen una fórmula. La fórmula de prueba t a continuación convierte la diferencia entre dos grupos en una relación:
Una vez que los investigadores tienen la relación, la comparan con una distribución de probabilidad como la siguiente. Si la estadística T cae más allá del umbral de importancia, los investigadores rechazan la hipótesis nula y concluyen que su efecto es estadísticamente significativo.
En
El estudio de Risen y Gilovich, por ejemplo, los investigadores rechazaron el nulo
hipótesis y concluyó que la diferencia entre los dos grupos fue
estadísticamente significativa porque la probabilidad de obtener un valor t igual a 3.01 o más fue del 1%
(t (60) = 3.01, p = .01, d = 0.78).
Aunque las pruebas estadísticas a menudo se pueden calcular a mano, la mayoría de los investigadores usan un programa de análisis. Los paquetes de software como Tableau, SPSS y Stata están disponibles comercialmente y hacen que tales cálculos sean simples. Sin embargo, incluso en ausencia de dicho software, los investigadores a menudo pueden usar programas como Microsoft Excel para simplificar la ejecución de análisis estadísticos.
Una vez
Los análisis están completos y tiene un hallazgo estadísticamente significativo,
¿y que? ¿Cómo debe interpretar los datos?
Artículos Relacionados:
