Métodos cuantitativos avanzados William L. Holzemer, RN, Ph.D., FAAN Profesor, Escuela de Enfermería Universidad de California, San Francisco bill.holzemer@nursing.ucsf.edu Traducción al Español, Dr en C Nicolás Padilla Raygoza, Facultad de Enfermería y Obstetricia de Celaya, Universidad de Guanajuato, México padilla@celaya.podernet.com.mx o padillawarm@google.com

Objetivos Desarrollar la definición de ciencia de enfermería Uso del Modelo de Resultados para pensar acerca de su área de interés Revisar los métodos cuantitativos Pensar en cómo generar conocimiento para mejorar la salud y la práctica de la enfermería.

Asignaciones Estudiantes de doctorado en SP asignaciones individuales Estudiantes de Maestría – asignaciones grupales Mini-revisión de la literatura Modelo de resultados Substruction Tablas de síntesis Resumen

¿Enfermería = Ciencia de enfermería? Definición de enfermería Asociación Americana de Enfermería: “Enfermería es la evaluación, diagnóstico y tratamiento de las respuestas humanas”

Definición de enfermería Asociación Japonesa de Enfermería “Enfermería es definida como la asistencia al individuo y al grupo, sano o enfermo, para mantener, promover y restaurar la salud.”

Definición de Enfermería Consejo Internacional de Enfermería “Enfermería comprende atención autónoma y colaboradora de individuos de todas las edades, familias, grupos y comunidades, sanos o enfermos en todos los lugares. Enfermería incluye la promoción de la salud, prevención de enfermedad y la atención del enfermo, discapacitado y el moribundo. Consejo, promoción de un ambiente seguro, investigación, participación en modelación de políticas en salud y manejo de sistemas de salud y del paciente hospitalizado y educación, son también roles claves de enfermería.”

Elementos comunes: Definiciones de Enfermería Persona (individual, familia, comunidad) Salud (Bienestar y enfermedad) Ambiente Enfermería (atención, intervenciones, tratamientos)

Ciencia de Enfermería El cuerpo de conocimiento que apoya la práctica basada en evidencias

Ciencia de Enfermería usa varias metodologías de investigación Cualitativa Entendimiento Entrevista/observación Descubriendo esquemas Textual (palabras) Generación de teorías Calidad del informante más importante que el tamaño de muestra Rigor Subjetiva Intuitiva Conocimiento encajado Cuantitativa Predicción Encuesta/cuestionarios Esquemas existentes Numérica Prueba de teorías (ECA) Tamaño de muestra, esencial en el tema de confiabilidad de los datos Rigor Objetiva Pública

Tipos de métodos de investigación: (¡todos tienen reglas de evidencia Cualitativa Teoría aterrizada Etnografía Teoría feminista crítica Fenomenología Cuantitativa No experimental o descriptiva Experimental o estudios aleatorizados controlados Etnografía Análisis de contenido Modelos de análisis: Paramétrico vs no paramétrico Modelos de análisis: fidelidad al texto o palabras de entrevistas

Modelo de resultados para investigación en atención en salud (Holzemer, 1994) Ingresos 1970’s Procesos  1980’s Resultados 1990’s Cliente Proveedor Sitio

Modelo de resultados Heurístico Modelo de sistemas (ingresos son egresos, egresos se convierten en ingresos) Relacionado al trabajo de Donabedian sobre la calidad de la atención (estructura, proceso, y resultado estándar)

Modelo de resultados: proceso de enfermería Ingresos Procesos  Resultados Cliente Problema Resultado Proveedor Intervención Sitio

Modelo de resultados para investigación en atención en salud Ingresos  (Covariados, confusoras) Procesos  (Variable independiente) Resultados (Variable resultado) Cliente Edad, género. Nivel socioeconómico, etnicidad, severidad de enfermedad Auto cuidado Adherencia Atención familiar Calidad de vida, control de dolor, satisfacción del paciente, caídas del paciente Proveedor Edad, género, Nivel socioeconómico, educación, experiencia, certificación, autonomía percibida Intervenciones Atención Hablar, toque, tiempo Vigilancia, comunicación Calidad de vida de trabajo Errores Satisfacción Sitio Recursos Filosofía Niveles del personal Razones actuales de personal Mortalidad Morbilidad Costo

Modelo de resultados: Tu tarea (Piense acerca de un proyecto o un programa de investigación) Ingresos  Z Procesos  x Resultados y Cliente Proveedor Sitio

¿Dónde encontramos guías de la práctica basada en evidencias? Guías prácticas clínicas Estándares de enfermería/ Manuales de procedimientos Gran demanda, bajo nivel de entrega (Gran demanda, creciente nivel de entrega) Conocimiento base de revisión de literatura

Tipos de evidencia: ¿Cómo sabemos que sabemos? Experiencia clínica Intuición Historias Preferencias, valores, creencias y derechos Estudios descriptivos/ cuasiexperimentales Estudios aleatorizados clínicos (controlados)(ECA) – el estándar dorado

Resumen: introducción a la investigación Piense acerca de la investigación en enfermería – ciencia de enfermería Modelo de resultados diseñado para poner límites alrededor de tu área de estudio y experiencia (¡reto muy difícil en enfermería!) Identificación de variables Entendimiento del rigor – métodos correctos para cualquier tipo de diseño de investigación. Fomentar la diversión al leer artículos de investigación Entender el reto de que las palabras sean fácilmente usadas, “práctica basada en evidencias”.

Algunos retos: Pensar en desarrollar su definición de ciencia de enfermería. Uso del Modelo de Resultados para ayudar a pensar en su programa de investigación. Fomentar tu entendimiento de rigor en todos los diseños de investigación. Aumento de diversión al leer artículos de investigación. Entender las complejidades de “la práctica basada en evidencias”.

Cuando piense en su problema de investigación: ¿Es significante? ¿Estás realmente interesado? ¿Es novedoso? ¿Es un área importante? ¿Alto costo, alto riesgo? ¿Puede estudiarse? ¿Es relevante para la práctica clínica?

¿De dónde vienen las ideas? Revisiones de literatura Historias en periódicos Siendo un asistente de investigador Mentor/profesor Estudiantes compañeros Pacientes Experiencia clínica Expertos en el campo Construya su área de experiencia de múltiples fuentes.

Usos de Substruction Critique un estudio publicado Planee un estudio nuevo

Substruction Una estrategia para ayudar a entender la teoría y métodos (sistema operacional) en un estudio de investigación Aplica a estudios de investigación cuantitativos, empíricos. No hay la palabra, Substruction, en el diccionario. Tiene un significado inductivo y un significado deductivo, deconstruyendo Huerístico

Escalas/ análisis de datos Substruction Teoría (sistema teorético) Constructo  Concepto Deductiva (cualitativa)  Métodos (sistema operacional) Mediciones Escalas/ análisis de datos (cuantitativa) Inductiva

Substruction: Construyendo bloques o señalamientos de relaciones Constructo Dolor  axioma Calidad de vida Concepto Intensidad proposición Status funcional Medición Escala de 10 cm hipótesis Escala de movilidad

Señalamientos de relaciones Constructo: Postulado: Señalamiento de relación entre un constructo y conceptos Dolor consiste en tres conceptos Conceptos: Intensidad Localización Duración

Substruction: Perspectiva de diseño de investigación Enfoque del estudio (¿ECCA?) Co-variables Z Severidad de enfermedad para ajuste de riesgos (análisis de covarianza) Tratamiento de la variable independiente ¿Cómo medirla? Variable dependiente Y

Substruction: sistema teórico, un ejemplo Estudio intervencional sobre dolor Paciente post quirúrgico Severidad de enfermedad Enfermedad Edad Género Intervención de manejo del dolor Comunicación con el paciente Standing PRN orders No tratamiento farmacológico Control del dolor Longitud de la estancia Satisfacción del paciente

Substruction: sistema operacional Intensidad del dolor Instrumento: Escala VAS 10 cm (dolor bajo a alto) Status funcional: Instrumento: escala de Likert 1-5, 1=baja y 5=alta función Escala: ¿continua o discreta? Escala: ¿continua o discreta?

Escalas Discreta: no-paramétrica (X2) Nominal género Ordinal ingreso bajo, medio, alto Continua: paramétrica (Pruebas t o F) Intervalo Escala de Likert, 1-5 funcionalidad Razón dinero, edad, tensión arterial

Temas ¿Cuáles son las bases conceptuales del estudio? ¿Cuáles son los principales conceptos y sus relaciones? ¿Las relaciones propuestas entre los constructos y los conceptos lógicos y defendibles? ¿Cómo se miden los conceptos? ¿Válidas? ¿Confiables? ¿Cuáles son los niveles de escalas y se relacionan al plan estadístico apropiado o de análisis de datos? ¿Hay consistencia lógica entre el sistema teórico y el sistema operativo?

¿Hay una relación entre el toque y control del dolor , contando el dolor inicial post-operatorio? rx,y.z Ingreso Z Proceso  X Resultado Y Cliente Dolor post-operatorio Control de dolor Proveedor Toque terapeútico vs atención NL Lugar

Revisión de la literatura Revisamos la literatura para entender los sistemas teóricos y operativos relevantes a nuestra área de interés. ¿Qué se sabe acerca de los constructos y conceptos en nuestra área de interés? ¿Qué teorías son propuestas que liguen a nuestras variables de interés?

Revisión de la literatura ¿Qué se conoce? ¿Qué no se conoce? Recursos La biblioteca Cochran Biblioteca de bases de datos PubMed CINYL

Revisión de la literatura: ¿Cómo combinar, sintetizar y demostrar la dirección? Tópico Estudio 1 Estudio 2 Estudio 3

Revisión de la literatura Tópico Estudio 1 Estudio 2 Estudio 3

Tabla 1. Borrador de variables de estudio relacionados a tu tema Estudios Covariables Z Intervenciones Variable independiente X Resultados Variable dependiente Y Smith (1999) Jones (2003) Etc.

Tabla 2. Amenazas a la validez de estudios de investigación relacionados al tópico Autor (año) Tipo de diseño Diagrama Conclusión estadística Validez Constructo Validez de causa y efecto Validez interna Validez externa Smith (1999) RCT O X1 O O X2 O O O n/a Jones (2003)

Tabla 3. Instrumentos Estudios # items Validez Confiabili- dad Utilidad Smith (1999) Cuestionario McGill de dolor Jones (2003)

32 -expuestos 40 – controles Tabla 4. Poder del análisis para revisión de la literatura sobre un tema. Estudios Tamaño de muestra Alfa Poder Tamaño de efecto Smith (1999) 32 -expuestos 40 – controles 0.05 0.60 Est. al medio Jones (2003)

Síntesis de la literatura Síntesis - ¿qué sabemos y que no sabemos? Fortalezas – ¿rigor, tipos de diseño, instrumento? Debilidades – ¿ausencia de rigor, no ECA, pobre desarrollo de instrumentos? Necesidades futuras – ¿cuál es el siguiente paso?

Diseños de investigación

Diseño de investigación: cualitativa Etnografía Fenomenología Hermenéutica Teoría aterrizada Histórico Estudio de caso Narrativa

Rigor en investigación cualitativa Dependiente Creíble Transferible Confirmable

Tipos de diseños de investigación cuantitativa Nos enfocaremos en RIGOR: Experimental No experimental

Notación X,Y, Z Z = covariable Severidad de enfermedad X = variable independiente (intervenciones) Manejo propio de síntomas Y = variable dependiente (resultado) Calidad de vida

Tipos de diseños de investigación cuantitativa Descriptiva X? Y? Z? ¿Qué es X, Y, y Z? Correlacional rxy.z ¿Hay una relación entre X y Y? Causal ΔX  ΔY? ¿Un cambio en X causa un cambio en Y?

Rigor en investigación cuantitativa Teoría aterrizada: Axiomas y postulados – substruction-validez de relaciones hipotéticas Validez de diseño (interna y externa) del diseño de investigación; validez y confiabilidad del instrumento Suposiciones estadísticas satisfechas (escala, curva Normal, relación lineal, etc.) (Nota: Polit y Beck: confiabilidad, validez, generalización, objetividad)

Revisión de la literatura Enfoque del estudio Enfoque del estudio Pregunta de estudio Pregunta de estudio Hipótesis de estudio

Enfoque, pregunta e hipótesis Enfoque del estudio: explorar si es posible reducir las caídas de los pacientes ancianos en casas de cuidado. Pregunta del estudio: ¿colocando un “sitter” en el cuarto de un paciente reduce la incidencia de caídas? Hipótesis del estudio: Nula: H0: no hay diferencia entre pacientes que tienen un “sitter” y aquellos que no lo tienen, en la incidencia de caídas.

Diseños experimentales

Definición: diseño experimental Hay una intervención que es controlada Hay un grupo experimental y uno control Hay un asignación aleatoria a los grupos

Diseño experimental clásico O1exp X O2exp  R  O1con O2con (pretest) (posttest) O=observación 1 = pretest o tiempo uno; 2 = posttest o tiempo dos X = intervención R = asignación aleatoria a los grupos

Diseño experimental clásico O1exp X O2exp  R  O1con O2con (pretest) (posttest) El ECA es el estándar dorado para la práctica basada en evidencias

Aleatorización Asignación aleatoria a grupos (validez interna) – iguales variables Z en ambos grupos Selección aleatoria de una muestra de la población (validez interna) – variables Z iguales en la muestra que en la población

Señalar si hay una relación causal Meta: Señalar si hay una relación causal

Condiciones requeridas para hacer un señalamiento de causalidad: X causa Y X precede Y X y Y están correlacionadas Todo está controlado o eliminado. Las variables Z no impactan al resultado Nunca probamos algo, reunimos evidencia que apoye nuestra conclusión

Controlando variables Z: Minimiza amenazas la validez interna Limita la muestra (e.g. sólo menores de 35 años) o control de variación Manipulación estadística (ANCOVA) Asignación a grupo aleatoria

Dimensiones del diseño de investigación: Grupos y tiempo O1exp X O2exp  Grupos (n=2 experimental y control)  O1con O2con -----------------------------------------------  Tiempo (n=2)  (mediciones repetidas)

Dimensiones de diseño de investigación: grupos y tiempo Grupos = entre factores Tiempo = dentro de factores

Tipos de diseños O - descriptivo, un tiempo O1 O2 O3 - descriptivo, cohorte, mediciones repetidas) O1 X O2 (¡diseño no experimental!) - pre-post-test

Tipos de diseños O1 X O2 O1 O2 ECA estudios controlados aleatorizados

Tipos de diseños O1 O2 O3 X O4 O5 O6 O1 O2 O3 O4 O5 O6 O1 X O2 Xno O3 X O4 Xno O5 (mediciones repetidas vs diseño de series de tiempo)

Tipos de diseño O1 X1 O2 R O1 X2 O2 O1 O2 # de grupos? ___ # puntos en el tiempo? ___

Tipos de diseños Diseño de post-test sólo: X O2 O2 ¿Cuál es la mayor amenaza a este diseño de sólo post-test?

Tipos de diseño de investigación Experimental (verdad) Cuasi-Experimental (caso) Asignación no aleatoria a grupos

Validez de diseño Conclusión estadística válida Validez de constructo de causa y efecto (X y Y) Validez interna Externa

Validez del diseño Validez de la conclusión estadística rxy? Error tipo I (alfa 0.05) Error tipo II (beta) Poder = 1- beta, inadecuado poder, i.e. pequeño tamaño de muestra Confiabilidad de mediciones ¿Puedes creer en los hallazgos estadísticos?

Validez del diseño Validez de contructo de causa supuesta y efecto (X  Y?) Bases teóricas uniendo constructos y conceptos (substruction) Resultados sensibles a atención de enfermería Intervención ligada a resultado, teoricamente ¿Hay una razonamiento teórico de por qué X y Y deberían estar relacionadas?

Validez de diseño Validez interna Amenaza de historia (evento que interviene) Amenaza de maduración (cambio por el desarrollo) Amenaza de la prueba (instrumento causa un efecto) Amenaza de instrumentación (confiabilidad de medición) Amenaza de mortalidad (sujetos eliminados) Amenaza de sesgo de selección (pobre selección de sujetos) ¿Cualquiera de las variables Z están causando los cambios en las variables Y?

Validez de diseño Validez externa Amenaza de baja generalización para personas, lugares y tiempo ¿Puede generalizarse a otros?

Construyendo el conocimiento La meta es tener confianza en nuestros datos descriptivos, correlacionales y causales. Rigor significa seguir las técnicas requeridas y estrategias para incrementar nuestra confianza en los hallazgos de la investigación.

[Selección de la muestra, no asignación] Muestreo [Selección de la muestra, no asignación]

Términos Población Muestra Elemento - Todos los sujetos posibles - Un subgrupo de sujetos - Un sujeto

¿Qué muestreamos? Personas (e.g. sujetos) Sitios (e.g. hospitales, unidades, ciudades) Tiempo (e.g. temporada, cambio am vs pm)

Muestreo: ¿Qué hacemos? Asignación aleatoria - Es diseñada para equilibrar las variables “Z” en los grupos experimental y control Selección aleatoria - Es diseñada para equilibrar la distribución de las variables “Z” que existen en la población, en una muestra

Tipos de muestreo de probabilidad Muestreo simple aleatorio – usa una tabla de números aleatorios Muestreo aleatorio estratificado – divide o estratifica por género y muestrea dentro del grupo Muestreo aleatorio sistemático – toma cada 10° nombre Muestreo agrupado – selecciona unidades (grupos) para acceder a pacientes o enfermeras

Tipos de muestreo no probabilístico Conveniencia – primeros pacientes que crucen la puerta Intención – pacientes viviendo con una enfermedad Cuota – igual número de hombres y mujeres (voluntarios) (conveniencia)

Tipos de muestras Homogéneas: sujetos son similares, todos femeninos, todos entre edad de 21-35 Heterogéneas: sujetos son diferentes, amplio rango de edad, pacientes con todo tipo de cáncer

Error de muestreo

¿Cómo controlar el error de muestreo? Use selección aleatoria de los participantes Use asignación aleatoria de sujetos a los grupos Estime el tamaño de muestra requerido usando análisis de poder para asegurar adecuado poder Sobreestime el tamaño de muestra requerido para muestra de mortalidad

Tamaño de muestra y error de muestreo

Cálculo de tamaño de muestra Tipo de diseño Accesibilidad de participantes Planeación de pruebas estadísticas Revisión de la literatura Costo (tiempo y dinero)

Estrategias para estimar tamaño de muestra Razón de sujetos a variables en análisis correlacional. 3:1 hasta 30:1 sujetos por variables. Cuestionarios de 30 items requieren 90 a 900 sujetos. Chi cuadrada – no puede trabajar si hay menos de 5 sujetos por celda

Poder Poder – comúnmente situado en 0.80 Alfa – comúnmente situado en 0.05 ó 0.01 Tamaño de efecto – basado en estudios piloto o revisión de literatura; pequeño, medio, grande Tamaño de muestra - # sujetos requeridos para asegurar poder adecuado Poder es una función de alfa, tamaño de efecto y tamaño de muestra.

Programas de análisis de poder Paquete SPSS nQuery Adviser Release 4.0 (¿más reciente?) http://www.statsolusa.com

Poder Poder es la capacidad de detectar una diferencia entre las medias de los puntajes o la magnitud de una correlación. Si no hay suficiente poder en el estudio, no importa el tamaño del efecto detectado, i.e. sin importar lo exitoso de la intervención no se puede detectar estadísticamente el efecto. Muchos estudios tienen bajo poder.

Tamaño del efecto El tamaño del efecto, se piensa como qué tan grande diferencia hizo la intervención. Significancia estadística y significancia clínica, con frecuencia no significan lo mismo.

Tamaño del efecto Pequeño (correlaciones alrededor de 0.20) Requiere gran tamaño de muestra Medio (correlaciones alrededor de 0.40) Requiere tamaño de muestra medio Grande (correlaciones alrededor de 0.6) Requiere tamaño de muestra pequeño

Tamaño de efecto Mediaexp – Mediacon DS e y c

Eta cuadrada (ŋ2) En ANOVA, es la proporción de la variable dependiente (Y) explicada. Estima el tamaño del efecto Similar a R2 en análisis de regresión múltiple.

alfa Alfa relaciona para probar hipótesis y qué tan frecuente tenemos un error al extraer una conclusión Alfa es equivalente a error tipo 1 – o decir que la intervención fue efectiva, cuando en efecto, el tamaño del efecto observado es por el azar Alfa de 0.01 es más conservador que 0.05 y por lo tano, más difícil detectar diferencias

Prueba de hipótesis: ¿Es verdad o falso? Hipótesis nula: H0 Media (experimental) = Media (control) Hipótesis alterna: H1 Media (experimental) ≠ Media (control)

Prueba de hipótesis y poder Meta: Rechazar H0 REALIDAD Nula H0 Verdad H0: Mc=Me Nula H0 Falsa H0: Mc=/=Me DECISIÓN Error tipo I Poder (1-Beta) Aceptar H0 Decisión correcta Error tipo II (Beta)

Quiz: Si el tamaño de muestra crece, ¿qué sucede al poder? Si alfa va de 0.05 a 0.01, ¿qué sucede al tamaño de muestra requerido? Si el poder cae de 0.80 a 0.60, ¿qué tipo de error es más probable que ocurra? Si el tamaño de efecto es estimado basado en la literatura, es grande, ¿qué efecto tendrá en el tamaño de muestra requerido?

Perdida de muestra en ECA 6 meses 1 mes Aleatorización

“Si existe, puede ser medido” Medición “Si existe, puede ser medido” R. Cronbach

Qué medimos: Conocimiento, actitudes, conductas (CAC) Variables fisiológicas Síntomas Aptitudes Costos

Teoría de medición clásica:

Tipos de mediciones Estandarizada – evidencia como sigue: Desarrollada sistemáticamente Evidencia para validez del instrumento Evidencia de confiabilidad del instrumento Evidencia de utilidad del instrumento – tiempo, puntaje, costos, sensible a cambios en el tiempo No estandarizada

Tipos de error de medición Sistemático - se puede trabajar para minimizar el error sistemático debido a pobres instrucciones, confiabilidad pobre de mediciones, etc. Aleatorio – no podemos hacer nada, siempre presente, nunca medimos nada en forma perfecta, siempre hay algo de error.

Validez Pregunta: ¿el cuestionario mide los que se supone debe medir? Validez relacionada a la teoría Validez de presencia Validez de contenido Validez de constructo Validez relacionada a criterios Validez concurrente Validez predictiva

Teoría relacionada a la validez Validez de presencia – credibilidad del participante Validez de contenido (observable) Blue print Lista de herramientas Validez de constructo (no observable) Diferencias de grupo Cambios de tiempos Análisis de correlaciones/factor

Criterios relacionados a validez Concurrente Mide dos variables y las correlaciona para demostrar que la medida 1 está midiendo lo mismo que la medida 2 – en el mimso punto del tiempo. Predictivo Medición de dos variables, una ahora y la otra en el futuro, las correlaciona para demostrar que la medida 1 es predictiva de la medida 2, en el futuro.

Recuerde: Validez de diseño ¿El diseño de la investigación permite al investigador probar su hipótesis? (amenazas de validez interna y externa) Validez del instrumento ¿El instrumento mide lo que se supone debe medir?

Confiabilidad del instrumento Pregunta: ¿Puede confiar en los datos? Estabilidad – cambio en el tiempo Consistencia – concordancia dentro de preguntas Calificación de confiabilidad – calificación de concordancia

Confiabilidad del instrumento Confiabilidad prueba – re-prueba (estabilidad) Correlaciones de Pearson Alfa de Cronbach (consistencia) – un punto en el tiempo, mediciones de correlaciones entre-ítems o concordancias. Calificación de confiabilidad (corregir para cambio de concordancia) Confiabilidad inter-observador Kapa de Cohen Confiabilidad intra-observador Pi de Scott

Alfa de Cronbach alfa = SD =

Estimaciones de confiabilidad del alfa de Cronbach: > 0.90 Excelente confiabilidad, requerido para toma de decisiones al nivel individual. 0.80 Buena confiabilidad, requerido para toma de decisiones al nivel grupal. 0.70 Adecuada confiabilidad, cercana a no aceptable por demasiados errores en los datos ¿Por qué?

Consistencia interna: alfa de Cronbach Persona A: Internamente consistente Persona B: Internamente inconsistente Ítem Todas las veces La mayoría de las veces Unas pocas veces Rara vez 1 4 A 3 2 B

Error en estimaciones de confiabilidad “Error = 1 – (estimado de confiabilidad)2” si alfa = 0.90, 1-(0.90)2 1-0.89 = .11 error si alfa = 0.70, 1 – (0.70)2 1-.49 = .51 error si alfa = 0.70, es el punto 50:50 de error vs. verdadero valor

Valores de confiabilidad Rango: 0 a 1 No signos negativos Kappa de Cohen y π de Scott son siempre más bajos, i.e. 0.50, 0.60

Utilidad Cosas que debes saber acerca de tu instrumento. Tiempo para completar (¿fatiga del sujeto?) ¿Es molesto para los participantes? Número de ítems (¿análisis de poder?) ¿Apropiado para rasgos culturales, de género, étnicos? ¿Instrucciones para puntaje? ¿Datos normativos disponibles?

Reporte de instrumentos Concepto (s) siendo medidos Longitud del instrumento o número de ítems Formato de respuestas (escala de Likert, etc.) Evidencia de validez Evidencia de confiabilidad Evidencia de utilidad

Pregunta: ¿Puede una escala ser válida y no confiable? ¿Puede ser una escala confiable y no válida?

Desarrollo de escalas Generación de ítems de entrevistas/grupo de enfoque Escala de decisiones variación de captura Validez – chequeo con expertos y participantes Estandarizar la escala (evidencia para validez, confiabilidad y utilidad) Correlaciones estimadas de concepto Explora sensibilidad para cambiar sobre el tiempo

Traducción Traducción prospectiva (A a B) Traducción retrospectiva (B a A) Equivalencias conceptuales a través de culturas Usando jerigonza, modismos, etc.

Análisis de datos

Análisis de datos: ¿Por qué? Captura variabilidad (varianza) – como los puntajes varían entre las personas Parsimonia – técnica de reducción de datos, como describir muchos puntos de datos en números simples Descubrir significados y relaciones Explorar sesgos potenciales en datos (muestreo) Probar hipótesis

Donde iniciar: Después de la colección de datos, iniciamos un largo proceso de entrada de datos y clarificación. La entrada de datos requiere una lista de códigos desarrollado para el programa de estadística que planeamos usar, como SPSS. Lista de códigos nos permite dar a las variables nombres, valores y etiquetas.

Entrada y limpieza de datos La entrada de datos es una GRAN fuente de error en los datos. La doble entrada de datos es una estrategia Limpieza de datos, buscando valores fuera de los rangos, e.g. edad de 154 es probablemente un error al escribir. Examinamos frecuencias, puntaje alto, puntaje abajo. Extremos, etc.

Codificando variables Capture datos en su forma más continua posible. Edad: 35 años – tenga el valor actual vs. Señale uno: _<25 _ 25-35 _ 36-45 _ >45

Variable dicotómicas No haga esto: 1 = Masculino 2= Femenino ¿Por qué? Función aditiva

Codoficando falso Etnicidad 1 = Negro; 2 = Blanco; 3 = Hispánico N-1 o 3-1 = 2 variables Negro: 1 = Negro; 0 = Blanco e hispánico Blanco: 1 = Blanco; 0 = Negro e hispánico

Datos desaparecidos SPSS asigna un punto “.” a datos desaparecidos SPSS con frecuencia te da a elegir borrar pares o lista para datos desaparecidos. Substitución de media: da el promedio de la variable del grupo, por ejemplo, edad, no da variación en el grupo de datos.

Datos desaparecidos Pares: una correlación en particular es removida, mejor elección para conservar poder Lista: variables removidas, requerida en diseños de mediciones repetidas.

Mediciones: Tendencia central Relaciones Efectos

Medidas de tendencia central Media – promedio aritmético Desviación estándar (SD) – como las medidas están agrupadas en la media Rango – medición alta y baja. (Ejemplo: M = 36.4 años SD= 4.2 Rango: 22-45)

Fórmulas Media = SD =

Medidas de tendencia central Media – promedio aritmético Mediana – punto que divide la distribución a la mitad (50% por arriba y 50% por debajo) Modo – el valor que ocurre con mayor frecuencia ¿Cuando la media=mediana=modo?

Curva Normal: ¡muy robusta!

Curvas Normales

Curva Normal (Media=Mediana=Modo) Frecuencia Media Mediana Modo

Curvas no Normales

Escalas Discreta (cualitativa) Continua (cuantitativa) No paramétrica Nominal Ordinal Continua (cuantitativa) Intervalo razón No paramétrica (no requiere suposiciones; Chi cuadrada) Paramétrica (asume la curva Normal, por ejemplo prueba F)

Grados de libertad Corrección estadística para no sobreestimar

¿Grados de libertad para balón 1?

¿Grados de libertad para balón 2?

Grados de libertad para balón 3

Grados de libertad Tamaño de muestra (n-1) Número de grupos (k-1) Número de puntos en el tiempo (l-1)

Relaciones o asociaciones

Medidas de asociación: Correlaciones Rango: -1 a 1 Dimensiones: Fuerza (0-1) Dirección (+ o -) Definición: un cambio en X resulta en un cambio predecible en Y; variación o varianza compartida.

Correlaciones Específica a la muestra (cada muestra es un subgrupo de la población) Inestable Depende del tamaño de muestra Todo es estadísticamente significativo con un tamaño de muestra los suficientemente grande; puede no ser clínicamente significantivo. Expresa relación no causalidad

Tipos de correlaciones Producto del momento r de Pearson Variable continua por continua Correlación Phi Variable discreta por discreta (Chi cuadrada) Correlación de orden de ranking Rho Ranking por ranking discretos Punto biserial Variable discreta por continua Eta cuadrada

Estimado del valor de correlación

Varianza Área bajo la curva = DS2 Varianza

Varianza compartida r2 Si r = 0.80, r2 = 0.64

Varianza compartida r2 Si r= 1, Si r= 0,

Tipos de análisis de datos Descriptivo X? Y? Z? Medidas de tendencia central Correlacional rx,y? ¿Hay una relación entre x y y? Mediciones de relaciones (correlaciones) Causal ΔX  ΔY? ¿El cambio en x causa un cambio en y? Probando diferencias en grupos (pruebas t o F)

Probando efectos de intervenciones

Probando diferencias en grupos Pruebas t Pruebas F (Análisis de varianza o ANOVA) (Pruebas t y F con dos grupos)

Tipos de pruebas de diferencias de grupos Entre grupos (no pareados) En grupos (pareados o mediciones repetidas; si son dos grupos son también test-re-test) Requiere sujetos identificados

Diseño experimental clásico O1exp X O2exp  R  O1con O2con (pretest) (posttest) Grupo: entre factor Tiempo: dentro de factor

Pruebas de significancia 3 4 1 O1 X O2 2

Probando diferencias entre grupos Entre varianzas F (o t) = Dentro de varianzas

Examinando varianzas Entre varianzas Dentro de varianzas

Examinando varianzas: No diferencia entre medias

Examinando la varianza: Grandes diferencias entre medias

Examinando varianzas: tres grupos

Tipos de diseños O1 O2 O3 Cambio dentro del grupo en el tiempo, diseño de mediciones repetidas.

Tipos de diseños O1e X O2e O1c O2c cambio dentro del grupo de O1e a O2e cambio entre grupos O2e y O2c

¿Cómo analizar este diseño? O1e O2e O3e X O4e O5e O6e O1c O2c O3c O4c O5c O6c Análisis de varianza de mediciones repetidas en dos grupos. Uno entre factor (grupo) y uno dentro factor (tiempo) con seis niveles.

Diseño sólo post-prueba X O2e O2c Prueba de t no pareada Hipótesis nula: H0: O2e = O2c Hipótesis alternativa direccional: H1: O2e > O2c

Error estándar de la media Desviación estándar Cómo las mediciones varían alrededor de la media Error estándar de la media Cómo las mediciones de las medias varían alrededor de la media de la población

Error estándar de la media: Promedio de DS de la muestra

Conceptual: MediaE – MediaC t = error estándar de la media

Suposiciones de ANOVA Distribución Normal Independencia de mediciones Escala continua Relación lineal entre variables

ANOVA 3 X 2 O1exp X1 O2exp  R O1exp X2 O2exp  O1con O2con Uno entre factor: grupo (3 niveles) Uno dentro factor: tiempo (2 niveles)

Prueba de F Ómnibus O1exp X1 O2exp  R O1exp X2 O2exp  O1con O2con Prueba F de grupo: ¿hay una diferencia entre los tres grupos? Prueba F de tiempo: ¿hay una diferencia entre tiempo 1 y 2? Si es sí, ¿dónde está la diferencia? Interacción: Grupo por tiempo

Comparaciones post-hoc O1exp1 X1 O2exp1  R O1exp2 X2 O2exp2  O1con O2con Tipos: Scheffé, Tukey – control para grados de libertad en diferentes formas; compara todas las comparaciones posibles en dos formas H0: O2exp1 = O2exp2 = O2con Si rechazas la nula. La prueba F es significativa, puedes buscar diferencias de dos formas. (O2exp1= O2exp2?) o (O2exp2= O2con?) o (O2exp1 = O2con?)

Pruebas de significancia No-paramétricas Paramétricas Dos grupos Pareados No pareados Wilcoxon Rank Mann-Whitney U Prueba t pareada Prueba t no pareada Más de dos grupos Mediciones repetidas Grupos independientes Prueba Friedman Kruskal –Wallis ANOVA ANOVA de mediciones repetidas

Alfa galopante Peligro en conducir múltiples pruebas t o haciendo análisis al nivel de ítem en encuestas alfa = probabilidad de rechazar la hipótesis nula Alfa 0.05 dividido entre el número de pruebas t, distribuye el alfa entre las pruebas Si se conducen 10 pruebas t, alfa a 0.005 por prueba (0.05/10=0.005)

ANOVA ANOVA – análisis de varianza ANCOVA – análisis de co-varianza, incluye variable (s) Z MANOVA – análisis multivariado de varianza (más de una variable dependiente) MANCOVA – análisis multivariado de co-varianza, incluye variable (s) Z.

Análisis de regresión múltiple Técnica de correlación Valores inestables Muestra específica Confiabilidad de mediciones muy importante Requiere gran tamaño de muestra Fácil para obtener significancia con gran tamaño de muestra

Análisis de regresión múltiple Intentos para hacer señalamientos de relaciones causales Y = X1+X2+X3 Y = variable dependiente (status de salud) X1-3 = predictores o variables independientes Status de salud = Edad + Género + Tabaquismo

Preguntas de regresión múltiple: ¿Cual es la contribución de edad, género y tabaquismo al status de salud? ¿Qué tanto de la variación en status de salud es debido a variaciones en edad, género, tabaquismo?

Análisis de regresión múltiple Crea una matriz de correlación. Selecciona la variable independiente más altamente correlacionada con la variable dependiente primero. Extrae la varianza en Y contada por la variable X. Repite el proceso (iterativo) hasta no más de la varianza en Y es estadísticamente explicada por la suma de otra variable X.

Status de salud= edad + género + tabaquismo Y Edad X1 r2 Género X2 R2 Tabaquismo X3 1 0.25 6% 0.04 0% 0.40 16% 0.11 1% .05 .20 4%

Regresión múltiple: varianza compartida Tabaquismo 40% Edad 25% Género 4%

Regresión múltiple Correlación resulta en una r Regresión múltiple resulta en una r2 R al cuadrado es la cantidad total de la varianza en Y que es explicada por los predictores, removiendo la superposición entre los predictores.

Regresión múltiple Tipos Escalonada = basada en la correlación más alta, que variable entra primero (la computadora hace la decisión), construcción de teoría Jerárquica = elije el orden de entrada, entrada forzada, prueba de teoría.

Regresión múltiple Nos permite agrupar variables en bloques. Bloque 1: variables demográficas (edad, género, nivel socioeconómico) Bloque 2: bienestar psicológico (depresión, apoyo social) Bloque 3: severidad de enfermedad (cuenta de CD4, diagnóstico SIDA, carga viral, OI) Bloque 4: tratamiento o control 1= tratamiento y 0 = control

Análisis de regresión Regresión múltiple: una Y, múltiples X. Regresión logística: Y es dicotómica, popular en epidemiología, Y=enfermedad o no enfermedad; razón de momios – razón de riesgos (varianza no explicada) Análisis variado canónico: múltiples Y y múltiples variables X: Y1+Y2+Y3=X1+X2+X3 -ligando variables fisiológicas con variables psicológicas.

Modelos de regresión multivariable: Ruta de análisis y ahora Ecuación estructural de modelaje Programa de software: AMOS Modelo de medición está combinado con modelo predictivo Conserve la multicolinearidad de variables (¡están correlacionadas!) Permita variables moderadoras (efectos directos e indirectos).

Ruta de análisis de modelaje múltiple independiente y dependiente

Modelando ecuación estructural Inter -sección Pendiente Dolor muscular mes 0 Dolor muscular mes 1 Dolor muscular mes 3 Dolor muscular mes 6 Inter- sección Fatiga mes 0 Fatiga mes 1 Fatiga mes 3 Fatiga mes 6

Factor de análisis Exploración de la validez de constructo de un instrumento Técnica correlacional Requiere sólo una administración de un instrumento Técnica de reducción de datos Un procedimiento estadístico que requiere aptitudes artísticas

Tipos conceptuales de factor de análisis Exploratorio – ver que está en el grupo de datos Confirmatorio – ver si tu puedes replicar la estructura reportada.

Factor de análisis Componentes principales – (factor principal o ejes principales)

Matriz de correlación de la escala de ítems: ¿Cuáles ítems están relacionados? Item 1 Item 2 Item 3 Item 4 1 0.80 0.30 0.25 0.40 0.70

Un proceso interactivo Factor de análisis: Un proceso interactivo Factor de extracción

Factor de análisis Factor I Factor II Factor III Comunalidad Item 1 0.80 0.20 -0.30 0.77 Item 2 0.75 0.30 0.01 0.65 Item 3 0.05 0.63 Item 4 0.25 0.67 Eigenvalue 2.10 2.05 0.56 % var 34% 30% 10%

Definiciones: Comunalidad: ítem al cuadrado cargado sobre cada factor y suma sobre cada ÍTEM Eigenvalue: ítems al cuadrado descargado para cada factor y suma sobre cada FACTOR Etiqueta de factores: producto de la imaginación del autor. Ítems 1 y 2 = factor I; ítems 3 y 4 = factor II.

Factor de rotación Factores son matemáticamente rotados dependiendo de la perspectiva del autor. Ortogonal – ángulos rectos, bajas correlaciones interfactores, crea mayores factores de independencia, bueno para análisis de regresión múltiple, puede no reflejar los datos actuales (varimax) Oblicuo – diferentes tipos, deja que los factores se correlacionen entre ellos al grado de que actualmente se correlacionan y se cree que reflejan mejor los datos actuales difícil de usar en múltiple regresión debido a la multicolinearidad (oblimax)

Resumen: Análisis de datos Medidas de tendencia central Medidas de relación Probando diferencias de grupos Correlación Técnica de regresión múltiple como predicción (causal). Factor de análisis como una escala de desarrollo, técnica de validez de constructo.

Guías éticas para investigación en enfermería Vulnerabilidad – una relación de poder entre el proveedor de atención en salud y paciente, familia, cliente. Participantes vulnerables en investigación, requieren más protección de daños.

Principios éticos que guían la investigación Beneficiencia – hacer el bien No maleficiencia – no hacer mal Fidelidad – creando confianza Justicia – siendo justo Veracidad – diciendo la verdad Confidencialidad – protegiendo o salvaguardando la información que identifique a los participantes

Principios éticos que guían la investigación Confidencial Nombres conservados en lugar seguro vs. Anónimo Sin identificadores

Mejores deseos