• Author / Uploaded
• Piero Heredia

Citation preview

ESTUDIO TRANSVERSAL Un estudio transversal, estudio de prevalencia o estudio vertical (en inglés cross-sectional study o cross sectional survey) es un estudio estadístico y demográfico, utilizado en ciencias sociales y ciencias de la salud —estudio epidemiológico—. Es un tipo de estudio observacional y descriptivo, que mide a la vez la prevalencia de la exposición y del efecto en una muestra poblacional en un solo momento temporal; es decir, permite estimar la magnitud y distribución de una enfermedad en un momento dado. Los estudios transversales, frente a los estudios longitudinales, confunden los efectos de edad y de cohorte, pueden no diferenciar si la causa de un cambio está en las diferencias de edad o en las diferencias en el momento del nacimiento. VENTAJAS DE UN ESTUDIO TRANSVERSAL 1. Permiten estudiar varias variables resultado como enfermedad y exposición. 2. Buen control de la selección de los sujetos de estudio. 3. Poco tiempo de ejecución del estudio puesto que no hay seguimiento de los individuos y generalmente poco costo económico. 4. Son un buen paso inicial en la elaboración de un estudio de cohorte. 5. Proporcionan estimadores de prevalencia. INCONVENIENTES DE UN ESTUDIO TRANSVERSAL 1. Imposibilidad de determinar si la exposición precede a la enfermedad, es decir, imposibilidad para establecer direccionalidad de asociaciones. 2. La información de la exposición es muy vulnerable a errores de medición, especialmente si es recogida retrospectivamente. Existe ambigüedad temporal si se recogen exposiciones actuales. 3. Imposibilidad de distinguir entre factores de riesgo y factores pronósticos porque los investigadores conocen cuántos individuos han pasado la enfermedad. 4. Posible sesgo de supervivencia: Los casos observados pueden tener una mayor supervivencia, puesto que los fallecidos no suelen entrar en el estudio. 5. No es eficaz para estudiar enfermedades raras, letales o de corta supervivencia. 6. Imposibilidad de identificar relaciones causales entre los factores estudiados, puesto que mide simultáneamente efecto (variable dependiente) y exposición (variable independiente). ESTUDIO TRANSVERSAL FRENTE A ESTUDIO LONGITUDINAL En los estudios longitudinales se repiten las medidas de las variables de un grupo en un período extendido de tiempo o en diferentes ocasiones. El factor es tiempo y la influencia de su evolución en los hechos.

Los estudios longitudinales, frente a los transversales, diferencian los efectos de edad y de cohorte.

ESTUDIO LONGITUDINAL Un estudio longitudinal es un tipo de estudio observacional que investiga al mismo grupo de gente de manera repetida a lo largo de un período de años, en ocasiones décadas o incluso siglos, en investigaciones científicas que requieren el manejo de datos estadísticos sobre varias generaciones consecutivas de progenitores y descendientes. ESTUDIO LONGITUDINAL FRENTE A ESTUDIO TRANSVERSAL El estudio longitudinal, a diferencia del estudio transversal, permiten el seguimiento de los mismos individuos a través del tiempo y de sus generaciones precedentes y siguientes eliminando los denominados efectos de cohorte. Por lo tanto las diferencias observadas en las personas tienen menos probabilidades de ser el resultado de las diferencias culturales entre las generaciones y mostrar por tanto diferencias cualitativas o cuantitativas realmente significativas. Debido a este gran beneficio frente a los estudios transversales, los estudios longitudinales ofrecen indicadores más precisos de los cambios en las sociedades estudiadas y además, su gran potencial permite que sus consecuencias puedan aplicarse en otros campos de las ciencias sociales. En las ciencias sociales los estudios longitudinales permiten distinguir fenómenos de corto, medio y largo plazo, su distribución y su continuidad específica. Así, por ejemplo permite saber cómo afecta a una sociedad la pobreza. Si la tasa de pobreza es del 10% en un punto en el tiempo, esto puede significar que el 10% de la población son siempre pobres —siempre los mismos—, o que de toda la población un 10% experimenta la pobreza — alternándose los individuos—. Los estudios longitudinales nos permiten diferenciar esas situaciones y determinar con claridad cuál es la situación. Con los estudios transversales, ésta y otras muchas situaciones no pueden conocerse. Por tanto los estudios longitudinales sacan consecuencias más claras que influirán en otros campos y posibilitarán, en su caso, tomar mejores decisiones. 

Un cohorte estadístico, un grupo de sujetos que comparten una característica concreta (normalmente edad).

ELECCIÓN DEL NIVEL DE SIGNIFICACIÓN ¿Qué nivel de significación debe emplearse? En contra de cierta práctica estadística, desgraciadamente bastante extendida, en realidad no puede responderse a esta pregunta dando simplemente un valor al nivel de significación. Si se consultan publicaciones científicas aplicadas para conocer qué α emplear, en la mayoría de estudios se obtendrá que el más utilizado es α = 0,05 (5 % de error), siendo el segundo puesto ex aequo α = 0,01 (1 %) y α = 0,1 (10 %). Estos son los niveles aconsejados en muchos textos elementales de estadística. Veamos por qué se han venido aconsejando estos valores. Antes de la universalización del empleo del ordenador, los cálculos estadísticos se completaban mediante diferentes tablas para hallar las fronteras de la región crítica y decidir qué hipótesis aceptar. Los valores 5 %, 1 % y 10 % fueron inicialmente elegidos como los más representativos en las colecciones de tablas, ya que no resultaba práctico publicar tablas para cualquier α. Así, estos valores se fueron convirtiendo, con el paso del tiempo, en una convención más. Se ha llegado a producir el efecto perverso, en algunos campos del conocimiento, de que algunos editores mal informados sólo acepten trabajos con un 5 % de significación. Sin embargo, no hay ninguna razón científica que indique que estos valores son forzosamente los más adecuados. Ya hemos visto que la potencia tiene también una importancia capital a la hora de calificar la bondad del test, sin olvidar la influencia que tiene a su vez el tamaño de la muestra sobre 1 − β. La metodología más razonable es obtener el p-valor y, si es posible, definir antes de la obtención de la muestra una diferencia mínima significativa que garantice la potencia deseada (definiremos a continuación estos dos conceptos). Sólo con estas tres cantidades el contraste queda satisfactoriamente planteado. Desde nuestro punto de vista, hoy en día, exponer las conclusiones de cualquier estudio sólo a partir de un nivel de significación fijo para todos los contrastes es un procedimiento estadístico muy rudimentario.

El p-valor

La elección del nivel de significación, tal y como se ha comentado anteriormente, es en cierta forma arbitraria. Sin embargo, una vez obtenida la muestra, se puede calcular una cantidad que sí que permite resumir el resultado del experimento de manera objetiva. Esta cantidad es el p-valor que corresponde al nivel de significación más pequeño posible que puede escogerse, para el cual todavía se aceptaría la hipótesis alternativa con las observaciones actuales. Cualquier nivel de significación escogido inferior al pvalor (simbólicamente pv) comporta aceptar H0. Obviamente, al ser una probabilidad, se cumple que: 0 ≤ pv ≤ 1 El p-valor es una medida directa de lo verosímil que resulta obtener una muestra como la actual si es cierta H0. Los valores pequeños indican que es muy infrecuente obtener una muestra como la actual, en cambio, los valores altos que es frecuente. El pvalor se emplea para indicar cuánto (o cuán poco) contradice la muestra actual la hipótesis alternativa. Informar sobre cual es el p-valor tiene la ventaja de permitir que cualquiera decida qué hipótesis acepta basándose en su propio nivel de riesgo α. Esto no es posible cuando se informa, como ha sido tradicional, indicando sólo el resultado de la decisión, es decir, si se acepta o se rechaza H0 con un α fijo. Al proporcionar el p-valor obtenido con la muestra actual, la decisión se hará de acuerdo a la regla siguiente: si pv ≤ α, aceptar H1 si pv > α, aceptar H0 Entrando en el terreno práctico, algunos paquetes estadísticos proporcionan en sus listados el significance level, cuya traducción literal es nivel de significación, cuando muchas veces se refieren en realidad al p-valor (p-value).