Análisis de los diseños de evaluación PDF

S3: Análisis de los diseños de evaluación 1-Tipología y clasificación de variables : Las variables cuantitativas o numéricas son medidas de tendencia central (media, mediana, moda, desviación típica) y las variables cualitativas o categóricas son medidas de frecuencia (frecuencia relativa, frecuen...

S3: Análisis de los diseños de evaluación 1-Tipología y clasificación de variables : Las variables cuantitativas o numéricas son medidas de tendencia central (media, mediana, moda, desviación típica) y las variables cualitativas o categóricas son medidas de frecuencia (frecuencia relativa, frecuencia absoluta) 2- Medición de las variables: a)Variables cuantitativas >Como se calculan las medidas de tendencia central: b)Variables cualitativas >Como se calculan medidas de frecuencia: Las medidas de tendencia central pueden estar distribuidas de formas muy diferentes. Por eso tenemos las medidas de dispersión : >Variancia: es una medida estadística que indica cuánto varían los datos de una variable en relación a su valor promedio. En otras palabras, nos dice qué tan dispersos están los valores de los datos con respecto a la media. > Desviación Estándar (o Típica): es otra medida de la dispersión o variabilidad de los datos, pero tiene una interpretación más intuitiva que la variancia. De hecho, es simplemente la raíz cuadrada de la variancia. Se presenta en las mismas unidades que los datos originales, por lo que es más fácil de entender. Ejemplo para entender los 2 tipos de variables: 3- Hipótesis en un diseño de evaluación: Siempre que queremos llevar a cabo una intervención, formulamos una hipótesis. La hipótesis es una suposición o una afirmación que se plantea al inicio de una investigación, y que busca ser probada o refutada a través de la recolección y análisis de datos. Tipos de Hipótesis: >Hipótesis Nula (H₀): Es una afirmación que sugiere que no hay efecto o diferencia. Es lo que se intenta refutar o rechazar en una investigación. Por ejemplo, si estás evaluando una nueva técnica de fisioterapia, la hipótesis nula podría ser: "La nueva técnica NO tiene ningún efecto en la reducción del dolor". >Hipótesis Alternativa (H₁ o Ha): Es la afirmación opuesta a la hipótesis nula. Sugiere que sí existe un efecto o una diferencia. Siguiendo el mismo ejemplo, la hipótesis alternativa sería: "La nueva técnica de fisioterapia SI reduce el dolor". Para poder aceptar o rechazar una hipótesis, debemos basarnos en el p-valor. 4-Análisis en los diseños de evaluación con UN único grupo: 4.1 Análisis de los diseños de evaluación: En los diseños que sólo tenemos 1 grupo y recogemos datos antes y después de la intervención para conocer los cambios atribuibles a esta, necesitamos tener muy claramente definido cuáles son las características del grupo al inicio del estudio. Las características de cada uno de los grupos las podemos saber a partir de la recogida de datos de diferentes variables. Entonces, descrito el grupo, lo que nos preguntaremos es si la intervención ha sido efectiva. Resulta lógico pensar que si estaba midiendo una variable continua, esperaré que la media o la mediana de esta variable haya disminuido o aumentado en función de lo que indica la variable. Ejemplo: Queremos evaluar si una nueva intervención de fisioterapia (VI) es efectiva para reducir el dolor lumbar (VD), medido con la Escala Visual Análoga (EVA). Para ello, seleccionamos a 30 pacientes de una clínica con dolor lumbar y recogemos datos sobre su grado de dolor antes de empezar a aplicar la intervención, y 3 meses después. Si mi intervención es efectiva, el resultado esperado (mi hipótesis) es que la media de dolor se haya REDUCIDO (dolor pre>dolor post) Teniendo en cuenta estos resultados, podría pensar que la intervención SI es efectiva para reducir el dolor. 4.2. Significación estadística: p-valor Ejemplo : Queremos evaluar si una nueva intervención de fisioterapia (VI) es efectiva para reducir el dolor lumbar (VD), medido con la Escala Visual Análoga (EVA). Para ello, seleccionamos a 30 pacientes de una clínica con dolor lumbar y recogemos datos sobre su grado de dolor antes de empezar a aplicar la intervención, y 3 meses después. Si mi intervención es efectiva, el resultado esperado (mi hipótesis) es que la media de dolor se haya REDUCIDO (dolor pre>dolor post). Para poder creer los resultados de un estudio, no basta con comparar los datos recogidos antes y después de la intervención, o entre grupos, puesto que los valores pueden no ser representativos de la realidad a nivel estadístico. Dependerán de la desviación de las puntuaciones de todos los participantes, del tamaño de la muestra y del error aleatorio. Error aleatorio: es un error que no se puede predecir en ninguna medida. Es causado por factores que no podemos controlar. En los estudios se suele utilizar el nivel de significación del 95%. El p-valor es una medida estadística que permite interpretar los resultados de una investigación e indica si los efectos observados o los resultados son probablemente reales (probablemente debidos a la intervención) o si podrían haber ocurrido por azar. El p-valor nos indica si hay o no diferencias estadísticamente significativas en los resultados obtenidos. Comúnmente, , se utiliza un valor de p0,05 → no hay diferencias estadísticamente significativas. Esto quiere decir que los resultados pre-post intervención, o bien entre grupos, no varían, son similares. Por lo tanto, la intervención no ha generado cambios. Un valor superior a 0,05 quiere decir que, si repito el estudio 100 veces, no obtendré más de 5 veces estos resultados, por lo tanto, los resultados pueden haber sido debidos al azar. ▪ P-valor