Está en la página 1de 30

Apuntes Profesor Fco.

Pablo Holgado
Tello (UNED) pfholgado@psi.uned.es
(Gratuito)PSPP= SPSS (de pago) ///// Psychometryc toolbox = excell

Dimensionalidad: buscar dimensiones latentes (ha de ser fiable y ahí entra la discriminación
del modelo de Spearman, Teoría Clásica de los Tests, etc.)

AFE: Análisis factorial exploratorio

AFC: Análisis factorial confirmatorio

Programa LISREL -> IMPORTANTE PARA EXAMEN

Modelos de mediación

La simetría nos orienta o nos da pistas sobre el método de estimación a utilizar

EL PROCESO DE CONSTRUCCIÓN DE UN TEST

1º Vamos a medir un test en psicometría

- A quién y a quién NO

2º Características del examen o su contenido en función de los temas vistos en clase

- Tipo de ítem (ítems muy difíciles)


- Cuántos ítems
- Dificultad= características psicométricas

3º Ítem de elección (los que resolvemos siempre)- ítem de construcción (dime las
características de la construcción de constructos)

5º Confección prueba piloto

6º Aplicación de la prueba

7º Corrección de la prueba y asignación de puntuaciones ( en los ítems de opción múltiple las


respuestas incorrectas descuentan)

COMENZAMOS CON EL PROGRAMA SPSS (DATOS.SAV.)

Para ver cómo se comportan los datos hacemos unos descriptivos (Importante la Frecuencia
mayor (el más repetido) y la simetría)
Analizar Estadísticos descriptivos Frecuencias

En el Análisis factorial exploratorio (AFE) lo que se hace es lo siguiente:

¿Los conceptos utilizados para diseñar nuestro cuestionario realmente lo entienden así
nuestros sujetos?

Validez de constructo: ¿en qué medida el test mide realmente la variable que queríamos
medir?

Validez de criterio: que lo nuestro esté relacionado con variables relevantes

Las puntuaciones de nuestros sujetos no son el constructo, ya que se manifiesta de muchas


más formas (SON LAS MANIFESTACIONES DE DICHO CONSTRUCTO, PERO NO EL CONSTRUCTO
EN SÍ)

Diapositiva 15

Relación entre violencia verbal y física (validez del rasgo)

Relación entre violencia verbal y física con otras variables (validez nomológica)

Diapositiva 17

ANÁLISIS FACTORIAL
AFE AFC

EXPLORATORIO CONFIRMATORIO

Nosotros no conocemos a priori el nº de Tenemos nuestra hipótesis previa sobre cuál


dimensiones o factores es nuestra estructura interna del test

LOS ERRORES DE LOS ÍTEMS ES LO QUE NO (REPRESENTA LA SOLUCIÓN DEL ANÁLISIS


EXPLICA EL FACTOR FACTORIAL EXPLORATORIO O AFE)
SATURACIÓN FACTORIAL CUANDO
ESTÁ POR ENCIMA DE 0,3
En Spss se llega al ANÁLISIS FACTORIAL haciendo lo siguiente:

Analizar Reducción de dimensionesFactor - O BIEN - Analizar Clasificar Clúster de K-


medias

El análisis de componentes principales en realidad no es análisis factorial porque nos da


tantas variables latentes como observadas

El método de mínimos cuadrados NO ponderados es robusto

La rotación ortogonal dice que los factores NO están correlacionados entre sí, mientras que la
rotación oblicua dice que sí están correlacionados entre sí
La varianza total explicada (tabla que nos dice los valores que hay) SI SUMAMOS LA
COLUMNA DEL TOTAL (Autovalores iniciales), entonces nos da el nº de ítems. En el gráfico de
sedimentación nos dicen que hay 2 variables latentes (1 y 2) que explican el 53%

La matriz de configuración sería la adecuada para interpretar nuestros datos, la matriz de


estructura NO DIAPOSITIVA 27

Diapositiva 29 ¿En qué medida el instrumento es fiable?

Para averiguarlo utilizamos la DISCRIMINACIÓN (que la medida sea precisa)

Diapositiva 32 En la medida que sea 1 (λ) será fiable  Y= λη + ε; y si es


fiable entonces ε=0

PERO SI Y= 0 η + ε, ENTONCES Y= ε, por lo que ENTONCES AHÍ NO


HABRÍA NADA QUE QUERAMOS MEDIR
La correlación total de elementos corregida= AFE (ESTA ES LA CORRELACIÓN ENTRE EL
ELEMENTO Y LA PUNTUACIÓN TOTAL DE LA ESCALA)

¿Cómo se ve afectada la fiabilidad de la escala si eliminamos el factor? Esto es lo que nos dicen
en la columna ALFA DE CRONBACH si el elemento se ha suprimido

0,686 es la discriminación del ítem posq2 (el cual tiene una buena capacidad de
discriminación)

En la escala de aptitudes a partir de 0,2 discrimina bien, así que en este caso
discrimina un montón (A PARTIR DE 0,60 EL ALFA DE CRONBACH EN LA TABLA
ESTADÍSTICAS DE FIABILIDAD ES BUENA)

Con este AFE nos ha dado un índice de fiabilidad que nos puede servir como un
índice de la validez de constructo (Recientemente al igual que el Alfa de
Cronbach, tenemos el Omega de Mcdonald)

MODELO LINEAL DE SPEARMAN PARA ESTUDIAR FIABILIDAD

Diapositiva 32 Diagrama causal (SI SE ENTIENDE ESTO, SE ENTIENDE TODA LA PSICOMETRÍA)

Fiabilidad coeficiente Omega

e= 1 - Saturación factorial2  e= 1- λ2

e: el error de un ítem, es decir, LA PARTE NO EXPLICADA POR EL FACTOR O VARIABLE LATENTE

- Cuanto más error haya, peor será su fiabilidad

PROGRAMA DE ANÁLISIS FACTORIAL LLAMADO FACTOR (GRATUITO)


PROGRAMA PSYCHOMETRYC TOOLBOX (CLASSICAL ITEM ANALYSIS)

Diapositiva 46-48 Fichero Classical Item Analysis

Corrected ítem total correlation= Square multiple correlation (aunque en Square las
puntuaciones son al cuadrado, pero son iguales; p.ej., 0,396 = 0,4602)

En la discriminación negativa LOS SUJETOS


FALLAN A POSTA ESE ÍTEM, ¿POR QUÉ LO
HACEN?

Validez de criterio: ejemplo TEST P.I.R.

4% de la variabilidad es compartida porque de 0,04 la diapositiva 52 ¿0,2332=0,4?

 LOS DATOS DEL EJEMPLO ESTÁN EN EL ARCHIVO SPSS ejemplo 1, y NO en DATO.SAV.

Significa la estimación de lo
que variará la puntuación
observada de la puntuación
empírica
Diapositiva 58 El error cuanto más cerca de 0, más fiable será

EJERCICIO----------------------------------------------------------------------------------------------------------------

Gráfico de sedimentación entre 2 y 3 (ESTO DE ABAJO ES ESO LIOSO DE OMEGA)

Continuación ejercicio

A1= 5, 20, 3, 1, 16, 8, 7, 4 Se mete esto para analizar fiabilidad

A2= 19, 12, 11,15, 18, 13, 10 Se mete esto para analizar fiabilidad de A2

A3=7, 13, 11 1º hice 3, 2º hice 1 y 3º hice 2, y 4º hice los 15 elementos (o sea todos los
elementos de ansiedad) EN EL ARCHIVO de la clase SPSS

ESTO ES LO QUE SE HACE PARA SABER SI DISCRIMINA MAL

DS1= 2,32+0,10 A1+ 0,19 A2

DS2=2,32+0,10* 9+ 0,19* 9= 4,93

Diapositiva 68 Test de normalidad bivariada

Cuando las variables son ordinales, el tipo de correlación a trabajar será Pearson, ya que
trabajaremos con la matriz de correlaciones Policóricas (Polychoric) porque la muestra es
asimétrica.

Correlation (Test de modalidad bivariada)

(PC) Tipo de correlación que estamos trabajando

RMSEA= Medida de error (si es menor de 0,1 aunque se haya rechazado la


hipótesis nula en la prueba de chi cuadrado, sería pertinente trabajar con esta
hipótesis nula)

Diapositiva 80 Esta matriz con datos continuos en lugar de ordinales


Cuando la asimetría y curtosis están por encima de +- 2, es que no es una distribución normal
(Z-score es donde debe mirarse esto)

El modelo de ULS es igual que el de WLS, pero no contempla la matriz de varianza-covarianza


asintótica

Scientific software international DESCARGAR LISREL GRATIS

HAY QUE HACER LA ROTACIÓN VARIMAX SI NO TIENEN NADA QUE VER

Diapositiva 87 (MUY IMPORTANTE) AFC

Los modelos estructurados se dividen en 2 partes

MODELO DE MEDIDA que predice o define las relaciones entre las variables observadas y
latentes

V. endógena= V. latente que no se ve y esta puede actuar de VI o VD

Las VI y observadas se llaman variables observadas exógenas/ VI y latente= variable


latente endógena

DS= 9

e= 9-4,93= 4,07

------------------------------------------------------------------------------------------------------------------------------

Diapo 60 Dimensionalidad (LISREL)

Solución de análisis factorial exploratorio (aclaratorio del otro día ) MATRIZ DE


CONFIGURACIÓN
Carpeta azul si el fichero está en otro programa (LISREL)

Diapositiva 66 (viene explicada)

Pairwise quita a los sujetos con valores perdidos para calcular correlaciones

Diapositiva 67 Tabla UNIVARIANTE MARGINAL PARAMETER (media 0 y desviación típica 1)

Variable observada endógena: VD observada

Variable latente endógena: VD latente


La variable independiente actúa como predictora y la variable dependiente como predicha

Concepto grados de libertad x+y=64+2=6

n es el número de variables

X1 X2 X3
X1 211
X2 221 222
X3 231 232 233
¿Bondad de ajuste?

Especificación del modelo forma de las matrices, cuáles son las variables endógenas
y exógenas, etc.

Diapositiva 101

nº de variables latentes= nº dimensiones

La forma de las matrices que contiene los parámetros que vimos antes

MATRIZ DE LOS ERRORES


MATRIZ DIAGONAL

MATRIZ DIAGONAL CUANDO CONTIENE ERRORES (Además de los elementos de la diagonal,


entonces si nos interesa algún elemento fuera de la diagonal es una matriz simétrica)

MATRIZ COMPLETA (en la matriz completa nos interesa cualquier miembro de la matriz)
Si fuera todo 0, entonces sería FU, FI

Diapositiva 106

Datos nº de variables=4 nºobservada= 300 matriz= correlación de Pearson

Etiquetas ítem 1….ítem4

Correlación de Pearson

nº variables exógenas= 1

La variable que contiene el parámetro LAMBDA es full-completa


Diapositiva 106 PD= Path Diagram

Diapositiva 107

n (n+1)

4 errores+ 3 parámetros lambda+ 1 parámetro FI

Varianza estimada

(PARA QUE HAGA LO DE LA DIAPOSITIVA) Diapositiva 109 Darle a muñeco (RUN LISREL)

Los parámetros LAMBDA están entre +1 y -1

-0.03, 0.44, 0.12, 0.20

Para calcular la covarianza estimada en nuestro modelo de la Diapositiva 109


COV (X2*X3)= 0,75*1*0,94=0,70

Valores + que nos dice en función de qué medida ese valor es distinto de cero
(lo pone en rojo el programa)

Los índices de modificación: nos dicen como mejoraría nuestro modelo si incorporamos algún
parámetro que ….

Los efectos directos coincide con LAMBDA 21, 31 y 41, mientras que los efectos indirectos
son:…

Aplicación análisis factorial confirmación de 1º orden (esa b rara es gamma)

Diapositiva 115 Matriz varianza-covarianza

Diapositiva 117 Matriz FULL completa


Matriz simétrica y FREE

NI= nº de variables observadas

NO= nº de observaciones
PM= Policórica

NK= Número de factores

NX=

F1 FR LX(2,1) LX(3,1) LX (4,1)

F2FR LX(6,2) LX(7,2)

F3FR LX(9,3) LX(10,3) LX(11,3) LX(12,3)

Diapositiva 123 (IMPORTANTE)

Diapositiva 125 Bondad de ajuste

Como GFI y AGFI están por encima de 0,90, aunque RMR supere 0,05 no importa tanto debido
a que representa bien nuestros datos

Diapositiva 126

En la diapositiva 126, cuanto más pequeña chi cuadrado, mejor respecto al coeficiente 43,80
en rojo por ejemplo

Diapositiva 131

Al estimar un parámetro más, los grados de libertad se reducen en 1

Diapositiva 132 Ejercicio

Grupo (variable ordinal) 4 valores

Género (variable nominal) 2 valores

Edad (variable cuantitativa, razón)…

Matriz simétrica y de diagonal porque no hay ningún error


Definir las 7 variables (línea … )

Matriz correlaciones policórica = (AFC * pm)= PM

AC= afc*SC

gl= 28-15=13 grados de libertad en el ejercicio de la diapositiva 132

RESPUESTA DE LA PREGUNTA

(índices de modificación)

Este modelo presenta un buen ajuste porque RMR no difiere mucho y es 0,07, además GFI y
AGFI están sobre 0,90 y algo

Diapositiva 125 Es lo que había que conseguir en la pregunta nº3

Pregunta nº 4
Diapositiva 126 y 127 Pregunta nº5

Pregunta nº6

Diapositiva 133 Modelos completos

Diapositiva 169 (ES IMPORTANTE)

Hay que dar la solución estandarizada y si hemos hecho un incremento en un valor (habrá
aumento del valor de chi cuadrado)  Libro Bollen 1989 (importante examen) y el libro de
Byrne es bueno para manejar el programa

Apuntes Profesor Julio Sánchez Meca


(Universidad de Murcia)
METAANÁLISIS
Índice cuantitativo para comparar los estudios= el tamaño de efecto nos permite
homogeneizar y hacer análisis estadísticos de ello.

(Mañana Martes utilizamos programa RevMan5.3 gratuito)

1 Psicología basada en la evidencia A

2 Fases de un metaanálisis B

3 Índices del tamaño de efecto en metaanálisis C

4Interpretación de resultados

5 El programa RevMan 5.3

6 Metaanálisis: ventajas y limitaciones

Botella J… (2015) para profundizar en el metaanálisis

¿Doc 5-9 para el examen?

1. PBE, metaanálisis y RRSS


PBE( Psicología basada en la evidencia): el psicólogo en el día a día debe utilizar aquellas
herramientas y métodos de tratamiento que son más efectivas (NO hemos de basarnos
en preguntar a otro compañero más experimentado la mejor herramienta a utilizar)

2. Toma de decisiones: se ha de saber buscar y elegir los artículos importantes para


encontrar el mejor modo de tratar ese caso en concreto (ejemplo que él puso)

Las mejores evidencias científicas se establecen en la diapositiva 13

En función de esto hay una calidad metodológica u otra:

1ºa ECA(ensayo clínico aleatorizado): diseño experimental (estudios experimentales


homogéneos

b Un ECA con un intervalo de confianza estrecho (que seamos precisos a la hora de


estimar el parámetro (eso se logra con un tamaño de la muestra grande)

2º a Estudios de cohortes

3º a Aparecen estudios más débiles que se basan en estudios de casos y controles

5º Es recomendable NO utilizarlo como la única información para tomar una


decisión, más bien de forma complementaria

3. Revisión sistemática (NO es lo mismo la revisión sistemática que la revisión narrativa


que se hacía antes): extraemos la información de esos estudios pero aplicando el
rigor científico. La revisión sistemática se utiliza para dotar al proceso científico de
revisión del rigor científico.
4. Un metaanálisis es un tipo de revisión sistemática: revisión sistemática en la que se
aplican métodos estadísticos para integrar los resultados de un conjunto de estudios
empíricos (cuando no se hacen métodos estadísticos se llama revisión sistemática
cualitativa)sobre un determinado problema

Ya sea una revisión sistemática o un metaanálisis han de cumplirse unas condiciones:


objetividad, sistematización y replicabilidad. Esto mismo se le exige a un estudio
empírico o científico.

Algunos estudios consideran que el metaanálisis es una parte complementaria de la


revisión sistemática, pero cuando falta el metaanálisis (QUE SÓLO CONSIDERAN QUE
ES LA PARTE ESTADÍSTICA) no se llama revisión sistemática cualitativa, sino sólo
revisión sistemática.
La definición de Chalmers es contradictoria, pero por ejemplo, aunque muchos
estudios investiguen o quieran responder a la misma pregunta, al ser realizados de
forma diferente vamos a encontrar resultados heterogéneos (esto mismo lo explica
el metaanálisis; como se llega a diferentes respuestas de una misma pregunta de
estudio).

1. ECA El objetivo es averiguar la eficacia de un tratamiento de


intervención (una técnica sobre el tratamiento de pánico por ejemplo)
2. Metaanálisis de estudios observacionales (también denominado estudio
correlacional)Estudio sobre habilidades de conducir en demencia leve
3. Ambos estudios (la técnica sobre el tratamiento de pánico y el estudio
sobre las habilidades de conducir en demencia leve) son del SM, es decir
del profesor.

Diapositiva 17 Ejemplos de metaanálisis (no los trajo, así que no serán


importantes para el examen)

B Fases de un metaanálisis

1 Formulación del problema

2 Búsqueda de la literatura

3 Codificación de estudios

4 Medida del resultado de los estudios

5 Análisis e interpretación

1. En un estudio empírico o en un metaanálisis se ha de definir de forma conceptual y


operativa los constructos (P.ej., definir TDAH según los criterios DSM-5), también
hay que definir las conductas (por lo tanto plantear preguntas, objetivos e hipótesis;
aunque las hipótesis no son tan necesarias. P.ej., esperamos que los TDAH sean más
cariñosos, por lo que es una aventura de lo que va a pasar y no es tan importante)

1.2 Objetivos of study (Diapositiva 22) 1º parte del método  Primer párrafo

El objetivo de nuestro estudio…. Obtenidos en nuestro estudio

2. Búsqueda de los estudios o la literatura (selección de los estudios en los estudios


empíricos). Esta fase equivale a lo que hacemos en un estudio empírico tras
plantearnos la pregunta
2.1 ¿Qué es lo que quiero buscar o qué estudios quiero localizar? (qué criterios tengo
para que se incluyan en nuestro estudio)

Los criterios de selección dependen de lo que quiera responder el metaanálisis, no


obstante, hay criterios generales.
Rango temporal de búsqueda (Fijar año de inicio y final de búsqueda)

Estudios empíricos (¿Qué tipo de estudios aceptamos?) En función de la pregunta


mínimo de manipulación experimental:

EXPERIMENTAL: Tiene mejor validez interna (si es total aleatoria la


manipulación)

CUASIEXPERIMENTAL: Si no es experimental la manipulación

Es mejor que sea inclusivo que exclusivo según el profesor (utilizando ambas
manipulaciones), ya que es preferible comprobar la eficacia de ambos
estudios (experimentales y cuasiexperimentales ) en el metaanálisis.

TABO= Treatment As usual Ejemplo de niños abuso sexual

Datos estadísticos: si no nos dan el tamaño del efecto, han de darnos los
datos para calcular el tamaño del efecto, o bien te dan un tamaño del efecto
que no te interesa.

- Caracerísticas de los participantes, sólo trabajamos en adolescentes, sólo


con niños, que tengan demencia o un tipo concreto de alzheimer..etc)

- Idioma en que está escrito el trabajo (la importancia del inglés)

Acrónimo PICOS = Participantes, Intervención, Comparaciones, Outcomes, Study


design

Participantes

Intervención: tratamientos o programas

Comparaciones: por ejemplo grupo control y grupo NO control (la C de


comparaciones sobre porque no siempre metemos grupos de
comparaciones). En el caso de que queramos meter grupo de control es
necesario; 1. Que haya grupo de control y 2 que sea grupo de control activo o
inactivo

Outcomes : resultados o variables dependientes. Por ejemplo, si queremos


mejorar a los ancianos con Alzheimer (esto se ha de concretar, por ejemplo
queremos mejorar funciones ejecutivas, ¿y cuáles?, pues atención y
retención (habrá que definirlo).

Study design: aceptamos estudios con asignación aleatoria o NO, es decir,


esto es grupos experimentales o CUASIEXPERIMENTALES

2.2 SEARCH PROCEDURES= Procedimiento de localización de los estudios

Fuentes formales publicadas (localizamos trabajos de información): bases


electrónicas (p.ej., Psycinfo), búsqueda manual (p.ej., revistas), ancestry aproach o
enfoque ancestral.
Fuentes informales: estudios no publicados (p.ej., entras en internet y buscas cosas
al azar y encuentras informes NO publicados como tal, o bien, informes de congresos
o informes técnicos NO publicados; se le escribe un correo electrónico a grandes
autores sobre los criterios de selección que vas a incluir en tu metaanálisis para que
te preste documentos o investigaciones NO publicadas).

No se utiliza en este caso el google académico

Los colegios invisibles: círculos de poder en la ciencia donde un grupo de


investigadores que son los Poppers, entre ellos se conoces y si tu no les
conoces tu investigación no te la van a publicar

El sesgo de publicación: es más difícil de publicar en las revistas con trabajos con una
p menor de 0,5 que cuando es mayor de 0,5 (por lo que es más fácil publicar trabajos
significativos que trabajos NO SIGNIFICATIVOS).

Si sólo haces metaanálisis, en información publicada va a haber una


sobreestimación del estudio (sobreestimación del efecto sobre la población)
de ese efecto o fenómeno, mientras que incluyendo los no publicados
conseguimos compararlos.

Un buen metaanálisis debe intentar incluir estudios NO publicados porque favorece su


validez

Se utiliza un diagrama de flujo (flow chart), y cada vez se utiliza más por obligación

Ejemplo diagrama de flujo (PRISMA)

1º fase (IDENTIFICACIÓN)

2º fase (SCREENING= CRIBADO)

3º fase (ELEGIBILIDAD; coges el PDF y te lees el artículo completo)

4º fase (INCLUIDOS)

Ejemplo estudio Alzheimer

3. Codificación de estudios (o extracción de datos)

En esta fase ya tendríamos los estudios seleccionados, nos leemos la información


relevante de estos artículos y extraemos la información relevante codificación de
las variables moderadoras porque son potencialmente moderadoras de los
resultados

Características metodológicas (cómo se ha hecho la investigación, esto es, el método


de investigación)

Tipo de diseño, calidad del estudio, tamaño muestral, mortalidad


experimental, control de variables extrañas, enmascaramiento del evaluador,
etc.
La persona que aplica el programa lo mejor es que desconozca el
grupo control del que no lo es, por lo que el enmascaramiento del
evaluador es bueno

Características sustantivas

De tratamiento: orientación tipo teórica, 1 mes de duración O 4 meses de


aplicación del tratamiento, intensidad (dificultad del tratamiento), grupal VS
individual

De sujeto (muestras de participantes en los estudios): género, edad,


gravedad del problema, antigüedad del problema, tipo de problema (p.ej.,
trastornos de pánico con agorafobia o SIN agorafobia), nivel socioeconómico,
distribución étnica, etc.

De contexto: el lugar donde se aplica la intervención puede diferir, por


ejemplo cuando se interviene con niños en su propia casa (donde se siente
más seguro), o en un hospital, etc.

Características extrínsecas (puesto que no tendrían que aceptar los resultados de una
investigación del método científico, pero las personas incurrimos en sesgos por el
sexo del examinador (especialmente al investigar diferencias de género), etc. Si un
estudio no está publicado ejerce un efecto por lo de artículos publicados y no
publicados que hemos estado hablando)

-Análisis de fiabilidad del proceso de codificación: hay que codificar las


características de los estudios (algunas muy fáciles como el año de
publicación del estudio, pero la mortalidad experimental puede ser fácil o
difícil de ser determinada, o la duración del tratamiento en función de lo que
vaya a establecer el autor)

Esto nos lleva a querer demostrar que en un metaanálisis podemos


demostrar que la investigación es fiable

a Kappa de Cohen para variables cualitativas

b Correlación intra-clase para variables continuas

4. Medida del resultado de los estudios (a diferencia de la 3º)

Necesitamos un índice cuantitativo que refleje el resultado obtenido de la


investigación, además de ser homogéneo (todo en metros o todo en centímetros), lo
cual nos permite hacer un promedio y trabajar estadísticamente

Los niveles de p, podrán ser valores de probabilidad en todos los estudios y así tengo
el índice de medida de los estudios; no obstante, esto es erróneo porque está en
función del tamaño de efecto y del tamaño del estudio (estos 2 factores). Solamente
podría considerarse lo de antes si el tamaño muestral fuera el mismo en todos los
estudios (pero esto es algo imposible)
A medida que aumentamos el tamaño muestral, la p se va volviendo significativa
(Diapositiva 40)

p columna n1=n2 10 ( p 0.191) LA COLUMNA IMPORTANTE ES LA DEL


TAMAÑO DEL EFECTO 0,4

En definitiva, se basa esta 4º etapa en calcular el tamaño del efecto

Su principal ventaja es que sea homogéneo, es decir, en la misma escala


métrica para todos los instrumentos

Lo ideal es que podamos anotar el tamaño del efecto porque venga en el estudio,
pero generalmente los índices que aportan los estudios empíricos NO te sirven para
calcular el tamaño del efecto y hay que hacer el cálculo para cada estudio del
metaanálisis

Analizar la fiabilidad de los cálculos del tamaño del efecto con el coeficiente de
correlación intra-clase

La diferencia de medias= d utilizado en el estudio del profesor, también es


muy utilizado en los estudios de intervención

Obtuvieron cada tamaño del efecto para obtener outcome por separado (estudio del
profesor)

5. Análisis e interpretación (Diapositiva 44 IMPORTANTE)= realización de análisis


estadísticos e interpretación de ellos.

Las filas son las unidades de análisis y las columnas las características del tratamiento
(lo normal es un nº extenso de columnas)

Habrá que definir las columnas para cada tamaño del efecto que hemos calculado

Magnitud media: tamaño del efecto medio y un intervalo de confianza en


torno a ese efecto medio, también habría que hacerlo para las de ansiedad
agorafóbica, actitud negativa, etc.

Significativa

Homogéneos

Demos una explicación a porque los tamaños de efecto son


Heterogéneos (los estudios no son réplicas exactas los unos del otro,
lo que refleja que el tamaño de efecto difiere entre ellos) EXISTE
HETEROGNEIDAD ( es lo que se va a decir)

Modelo explicativo (medias variables cuantitativas, entonces hacemos eje de


regresión): el modelo de regresión múltiple que da cuenta de la
heterogeneidad del tamaño de efecto (o de los resultados encontrados en el
metaanálisis), pero es raro verlo.
Hay que explicar técnicas estadísticas de ponderación porque a mayor
tamaño muestral, mayor peso específico (Diapositiva 45)

6. Publicación

Introducción (a,b,c,d,e)

método (a,b,c,d análisis estadístico)

resultados (a,b,c,d,e,f) (se utilizan gráficos forest plot)

discusión (a,b,c,d autocrítica,e)  el metaanálisis no difiere de un estudio


empírico

LA GUÍA PRISMA RSs = Revisiones sistemáticas

1. Conceptos y tipos de tamaño de efecto

Definición Kelley y Preacher, 2017 mejor definición del tamaño del efecto

3. Factores que condicionan el índice del tamaño del efecto

Objetivos de la investigación

Diseño del estudio

Naturaleza de las variables (dicotómicas, cuantitativas, continuas, etc.)

Dependiendo de la naturaleza de la pregunta y del tamaño del efecto difiere:

En un ECA con un grupo experimental y otro control  un índice del tamaño de


efecto podría ser la diferencia media tipificada

En un estudio diagnóstico no se requiere comprobar la eficacia del


tratamiento, sino la especificidad del diagnóstico (al cambiar la medida
cambia la forma de medirlo)

En un estudio retrospectivo

Principales familias de índices del tamaño del efecto

Familia d: se basa en la diferencia entre dos medias, por eso la VI ha de ser


cuantitativa y continua

Familia r

Familia de índices de riesgo: grupo tratado con grupo control que mide únicamente
el índice de frecuencia  NO ES FRECUENTE USARLO EN PSICOLOGÍA, POR ESO NO
SE EXPLICA
Cambio medio tipificado: diferencia de medias, pero mismo grupo medido antes y
después

La diferencia de medias NO tipificadas o NO estandarizada = D

Problema: para medir un mismo constructo psicológico usamos índices


diferentes

Así que sólo podemos utilizar este índice cuando todos los estudios
hayan utilizado la misma escala

Diapositiva 10 (PPX metaanálisis 2)

D= índice del tamaño de efecto, como las dos medias y las resto

[-∞, +∞ ]

No hay limitación en el rango, porque es una función de la limitación de la


escala

Construimos un IC en torno a esa diferencia de medias

1,96= error típico de esa diferencia

Diapositiva 13 Estudio Bolton (CY-BOCS)

Trampilla, pues la media del grupo control pa restarla antes del grupo
experimental y me da positivo, como que mejora

Diapositiva 40 El estudio de CY-BOCS nos dice que el estudio NO es significativa la


diferencia entre las dos medias de esa escala

(HABRA QUE COMPLEMENTAR LA INTERPRETACIÓN CLÍNICA A LA INTERPRETACIÓN


ESTADÍSTICA)Ante una muestra pregunta el IC se ensancha y es fácil que se nos cuele
el efecto nulo, por lo que aunque haya una significación clínica, no hay significación
estadística

Otro tipo de incoherencia puede ocurrir que haya significación estadística y no haya
significación clínica esto se da cuando el tamaño muestral es bestial y hay mucha
potencia estadística. No obstante, en psicología somos pobres y las muestras son
pequeñas

Diapositiva 15 (archivo 2) Este índice del tamaño del efecto sólo se puede utilizar
cuando se han utilizado la misma escala de medida

Se representa con una d minúscula y a veces con una g minúscula

Diferencia media tipificada= d=g

d de Cohen y g de Larry Hedges

¿Motivo por el que se refiere a la g minúscula?

En teoría el rango de variación es infinito, no obstante, la diferencia


de medias tipificadas lo normal es que se obtengan valores de [-3,+3],
aunque podamos encontrar valores mayores o menores

En valores absolutos:

Efecto nulo= 0

Efecto pequeño= +0,2/-0,2

Efecto medio= +0,5/ -0,5

Efecto grande= +0,8/ -0,8

Diferencias de las medias de tratamiento y control, entre la desviación típica


𝑿𝒓 −𝒀𝒄
d= c (m) 𝑺
 ESTO NOS PERMITE CONSTRUIR UN ÍNDICE DEL
TAMAÑO DEL EFECTO HOMOGÉNEO Y/O COMPARABLE
c(m)= siempre está su valor entre 0 y 1. Explicó diapositiva 18 y 19 sobre el trabajo de Bollen

Índice de cambio medio tipificado= d MR -->se parece mucho a la diferencia de medias


tipificada

Medimos pretest y postest obtenida en ese único grupo, tenemos las desviaciones
típicas del postest y pretest

El diseño de un grupo pretest y postest es un diseño débil

Aunque a veces por razones éticas no se puede hacer de otra forma

Preferible las desviaciones típicas del pretest que la de la desviación típica de


las puntuaciones de cambio, para que no sobreestime………………………….

Lo habitual es que su rango de variación esté entre [-3, +3]

Índices del tamaño de Cohen también aplicable, pero no es tan sólido como
en el caso anterior
En ningún programa de metaanálisis viene la fórmula siguiente, por lo que
hay que calcularlo:

𝑺𝒅𝑴𝑹=√[𝒄 (𝒏−𝟏)……………….𝒅𝒆 𝒍𝒐𝒔 𝒆𝒓𝒓𝒐𝒓𝒆𝒔

Diapositiva 23 Tiene estudio de control el de Bolton, pero en el cálculo lo ha quitado


haciendo como que no había grupo de control

Diapositiva 25 Índice de la diferencia entre los cambios medios tipificados

COMPARAMOS LA DIFERENCIA PRETEST POSTEST del grupo experimental con la


diferencia pretest postest del grupo control

CUIDAO!! La p de Pearson ( utilizar 0,5 aunque también se puede


utilizar 0,7 según ROTHENTAL) NO es la p de significación

dc = Diferencia entre los cambios medios tipificados

Mejor índice para metaanálisis porque controla los efectos de la terapia, el que
mejor lo calcula

Sdc (TAMPOCO ESTÁ PROGRAMADA ESTA FÓRMULA EN LOS PROGRAMAS)

Diapositiva 28

Diapositiva 29 Con un tamaño de efecto muestral muy bajo, lo normal es mostrar ausencia
de significación estadística, pero como el efecto mostrado es tan tan fuerte, se salva y
consigue obtener significación estadística

LA FAMILIA r DE COEFICIENTES de correlación o estudios de naturaleza correlacional o


predictiva

Lo más habitual en los estudios de análisis de naturaleza correlacional es que te da el


índice ya calculado

La correlación de Pearson es la más común [-1, +1]

La correlación de Spearman

Correlación biserial

Diapositiva 37
Diapositiva 32 Z de Fisher

La ventaja es su ecuación de los errores típicos es fácil

e27 = valor que hay que retransformar en los valores Z de Fisher (pero dice que no nos
asustemos, que no se usan en la vida real)

Diapositiva 36 Correlación positiva; a mayor orientación espacial, mayor habilidad para


conducir

Diapositiva 39 Antes de utilizar el criterio de Cohen intentarlo TODO y Cohen como última
opción

3º PPX ( saltó al metaanálisis, porque antes hemos visto trabajos individuales)

4. MODELOS ESTADÍSTICOS EN METAANÁLISIS

a modelo de efecto fijo  cuando en un metaanálisis asumimos este modelo, lo que


asumimos es una serie de estudios (1,2,k..)

k=25 25 estudios

T= tamaño del efecto= metaanálisis con d= metaanálisis con r o cualquier


metaanálisis

θ= letra Z griega para el tamaño de efecto paramétrico en la población (lo cual


es imposible calcular en la vida real, más bien se estima como mucho). Por lo
tanto, T1 es una estimación del parámetro θ o Z griega. Asimismo, el estudio
2,3 y 4 y 5 y k…TODOS o el tamaño de efecto de todos los estudios están
estimando un mismo tamaño de efecto común general a todos los estudios

¿Qué condiciones tienen que darse para que todos estos estudios estimen a
un parámetro al mismo tiempo? Séase que esta estimación sea realista

En el contexto médico o farmaceútico si puede ser realista el modelo


del efecto fijo

b modelo de efectos aleatorios (es el que más se utiliza)

Asumismo que T1 (tamaño de efecto del estudio 1) está estimando a un


parámetro θ1, mientras que T2 está estimando a un parámetro propio, por lo
tanto cada estudio estimaría un parámetro diferente y esto sería más
plausible. En base a esto, estos efectos paramétricos representan una
subpoblación de efectos paramétricos que representan a la población de
efectos paramétricos potenciales

Cuando hacemos un metaanálisis, utilizamos un modelo fijo o aleatorio en


función de..(DIAPOSITIVA 9)

La generabilidad es mayor sus resultados en efectos aleatorios


(mientras que en este se puede generalizar también a otros
parecidos) que fijos (este último solo puede generalizarse a una
población de estudios idénticos)

Anchura del tamaño de confianza (IC) es mayor en el modelo de


efectos aleatorios que en el modelo fijo

Diapositiva 10 Resultados de un metaanálisis

Calcular efecto medio con el tamaño del efecto de los estudios


individuales

Significación estadística y práctica

¿Son homogéneos los efectos encontrados en torno a ese efecto


medio? (si son heterogéneos, lo cual suele ocurrir)

¿Qué características provocan la heterogeneidad?

Proponer un modelo explicativo

Diapositiva 11

Construir forest plot y determinar el efecto medio

A mayor tamaño muestral, mayor tamaño específico tiene ese factor


de ponderación

Diapositiva 13 k=nº d estudios

Contrastes de homogeneidad= prueba de homogeneidad= prueba q= Q= X2(


chi cuadrado)

La hipótesis nula dice que los tamaño de efecto son homogéneos, mientras
que la hipótesis alternativa dice que son heterogéneos esos tamaños de efecto

Por problema de potencia estadística la prueba Q que es un contraste de


hipótesis, el cual se suele contrastar con índice I2

HETEROGENEIDAD:

B 25% (este ya es suficiente


según el profesor para que
haya heterogeneidad
relevante)

M 50% (otros autores dicen


que con esto es suficiente)

A 75%

Diapositiva 16 Forest plot

Imagen rombo pequeño este pequeño sería el del modelo


fijo, el cual es más acortado porque se le escapan los errores,
mientras que el Random o de efectos aleatorios (el rombo) es
más ancho porque asume y comprende mejor los errores.

Diapositiva 17 57% de los resultados son heterogéneos

A veces hay discrepancia entre lo que nos dice la Q y lo que


nos dice la I2 (en ese caso hacer caso a la I2)  EL FOREST
PLOT nos venía avisando que había resultados heterogéneos,
pero en el análisis lo podemos saber de forma más fiable

Diapositiva 18

Diapositiva 22 Se realiza contraste de hipótesis en el estadístico QB

Significación