Upload
yerko-bravo
View
545
Download
0
Embed Size (px)
Citation preview
Tamaños de Muestra Yerko Bravo
¿Qué tamaño de muestra necesito?
Una de las primeras preguntas que debe realizarse antes de emprender cualquier encuesta o estudio es:
¿Qué tamaño de muestra necesito?
La respuesta dependerá del diseño del estudio; es decir, de los objetivos, naturaleza y alcance del mismo, y del resultado previsto del mismo. Todo esto deberá tenerse en cuenta en la fase de planiFicación del estudio.
¿Qué tamaño de muestra necesito?
• Por ejemplo, en un estudio sobre la eFicacia de un fármaco contra una enfermedad mortal como el sida, en el que sería importante un solo resultado positivo, puede considerarse intranscendente el tamaño de muestra. En cambio, para el ensayo de una nueva vacuna antipalúdica, el número de sujetos de la muestra tendrá que ser suFiciente para que se puedan comparar los efectos de la vacuna con los de las medidas preventivas existentes.
¿Qué tamaño de muestra necesito?
• De igual manera, deben tomarse en cuenta los resultados esperados.
Hay tres posibles tipos de resultados.
• El primer tipo son aquellos en los que existen dos alternativas (sí/no, vivo/muerto).
• El segundo tipo es en el que existen múltiples alternativas que se excluyen entre sí (grupos sanguíneos).
• En estos dos tipos de resultados, los datos se expresan generalmente en forma de tasas o porcentajes.
¿Qué tamaño de muestra necesito?
• El Tercer tipo abarca las variables de respuesta continua (peso, edad).
• El método estadístico adecuado para determinar el tamaño de muestra dependerá de la doble necesidad de saber cuál de estos tipos de resultados interesa al investigador, y evitar un gasto excesivo de tiempo y de recursos a través de una correcta planiFicación del estudio.
¿Por qué necesito una muestra tan grande?
• Con frecuencia los bioestadísticos que colaboran en investigación clínica escuchan, incluso con algo de escepticismo: "¿Por qué necesito una muestra tan grande?".
• Estamos de acuerdo en la importancia de reducir al máximo el número de casos incluidos en un estudio. No sólo por razones éticas; también los aspectos económicos y logísticos aconsejan evitar grandes tamaños de muestra.
• Pero todavía es peor que por reducir en exceso el número de casos el estudio no pueda aportar nueva información y no permita, por ejemplo, la toma de decisiones.
Principios
Principios
• Principio de comparabilidad
Los resultados observados podrán ser atribuidos a los tratamientos en estudio si no existe ninguna otra diferencia entre los grupos.
Para imputar causalidad se pretende suprimir la inFluencia de posibles causas restantes mediante una distribución idéntica de las mismas entre los grupos que se desea comparar.
Ello impone el uso de la asignación aleatoria o aleatorización de las unidades experimentales a los tratamientos en estudio.
Principios
• Principio de generalización
Recurre a la estadística para realizar el salto entre la muestra estudiada y la población sometida a estudio. Cuanto más se aproxime el tamaño de la muestra al de la población, menor será el riesgo de extrapolación.
La inferencia estadística estudia y cuantiFica el riesgo de este salto y la cantidad de información que proporciona la muestra.
Herramientas
• Por otro lado, existen una serie de herramientas estadísticas que el diseño de experimentos pone a nuestro alcance para reducir el tamaño muestral.
• El diseño de experimentos gira en torno a dos valores cruciales: la magnitud del efecto que se desea estimar y el error de estimación de dicho efecto.
• Para tener garantías de poder conseguir los objetivos de una investigación, es necesario que la información disponible tenga un volumen suFiciente para poder ser extrapolada, es decir, que el error de estimación sea pequeño respecto al efecto que se desea estimar
Herramientas
• Para alcanzar este volumen de información suFiciente, las mejores posibilidades del diseño de experimentos consisten en modiFicar alguno de los tres componentes de las variables de la fórmula.
Aumentar el valor del efecto
• El valor del efecto es el que es y ningún otro. No hay que engañarse aumentando artiFicialmente este valor, ya que sólo puede conducir a resultados negativos que no detectan nada.
• Existen dos posibilidades alternativas en el diseño experimental: la primera es concentrarse en los casos en los que el efecto observado puede ser mayor, pero se atenta contra el principio de generalización.
• Una posible estrategia consiste en conFirmar en las primeras fases la existencia de un efecto, y más adelante estudiar la generalización. La segunda consiste en escoger como criterio de evaluación aquella variable en la que cabe esperar un mayor efecto.
Aumentar el número de par7cipantes
• Esta es una posibilidad poco realista en muchos casos, pero que a veces puede repercutir en la calidad de la información, por lo que debe ser cuidadosamente estudiada.
Disminuir la dispersión
• La dispersión es el resultado de la suma de toda una serie de fuentes de variación. La variabilidad se puede dividir en intraindividual e interindividual.
• Para amortiguar el ruido producido por la variabilidad interindividual, el diseño de experimentos permite varias posibilidades: concentrar el estudio en un subgrupo homogéneo, estratiFicar, tomar el mismo sujeto como propio control aplicando diseños cruzados, etc.
• También el análisis estadístico permite reducir esta variabilidad con un amplio abanico de herramientas: mediante las comparaciones de la evolución respecto a un valor basal (estudiando la diferencia), o bien suprimiendo la inFluencia de factores conocidos sobre la variabilidad ajustando mediante métodos multivariantes.
Disminuir la dispersión
• La limitación de la variabilidad intraindividual resulta más diFícil. Si ésta viene dada por las condiciones del estudio (hora, temperatura, lugar, etc.), se debe procurar mantenerlas constantes.
• Si la variabilidad es inherente a la medición en sí, baja Fiabilidad, para mejorarla se puede aumentar el número de mediciones en el análisis posterior, tomando el promedio de dichas mediciones.
• A pesar de todo, el investigador tiene la obligación de considerar el grado de Fiabilidad de una variable, y si éste no es aceptable, seleccionar y estudiar otras alternativas
Bibliogra=a
1. Lwanga SK & Lemeshow S. Determinación del tamaño de las muestras en estudios sanitarios. Ginebra: OMS, 1991.
2. Fleiss JL. The design and analysis of clinical experiments. Nueva York: John Wiley & Sons, 1986.
3. Gómez C & Sanchez, R. Calculo del tamaño de la muestra en psiquiatría y salud mental (principios básicos para su estimación). Rev. Col. Psiquiatría, Vol. XXVII, No. 2, 1998.