Sesión 2:

 Pruebas estadísticas de asociación.

1
 Presentación

Objetivo

Capacitar al participante para la elección correcta de pruebas

estadísticas cuyo fin es el análisis de datos en el software STATA.

Duración de la sesión:

Cinco horas.

Organización metodológica:

La primera etapa de la sesión consiste en una exposición breve sobre

los aspectos teóricos de las pruebas estadísticas. Posteriormente, se plantean
casos de análisis en los que hay que generar una conclusión con base en la
realización de la prueba estadística correspondiente en STATA.

2
 Preámbulo

Constantemente se presume que la estadística debe ser la compañera inseparable

del razonamiento científico. En este sentido, la selección de la prueba estadística adecuada
en el abanico de opciones se realiza durante el diseño del estudio y depende del tipo de
pregunta de investigación que se pretende responder. Otro aspecto que hay que considerar
para la selección de la prueba es el tipo de datos (cualitativos o cuantitativos) que serán
analizados y el número de grupos o conjuntos de datos involucrados en el estudio.

Para tal efecto se recomienda considerar las siguientes preguntas:

 ¿Existe asociación entre dos variables?
 ¿Existe diferencia entre grupos que son independientes o no relacionados (unpaired
groups)?
 ¿Existe diferencia entre grupos que son dependientes o relacionados? (paired groups)
 ¿Existe concordancia o acuerdo entre las mediciones?
 ¿Hay alguna diferencia entre las tendencias de tiempo hasta el evento?

Partiendo de los señalamientos anteriores, en el presente documento se expone

la forma de realizar pruebas de asociación y la siguiente sesión se comenzará con pruebas
de comparación en STATA.

3
Pruebas de Asociación.
En la práctica clínica, así como en Salud Pública, con cierta frecuencia surge la
pregunta acerca de si variables que han sido medidas en forma numérica se encuentran
relacionadas entre si. Como la circunferencia de cintura y los niveles de glucemia en un
individuo o la cantidad de recursos para la salud y la magnitud de tasas de cierta
enfermedad.
La búsqueda de asociación entre variables sigue distintos caminos, según el tipo de
datos a analizar. Cabe mencionar que en materia de asociación existes tres formas de
verificarla: a) Correlación de Pearson, b) Correlación de Spearman y c) Asociación Phi.
Como apoyo para la decisión del tipo de prueba en los dos primeros casos se tiene
el siguiente diagrama:

Diseño con un grupo

Naturaleza de las variables.

Cuantitativas

Continuas Discretas

Distribución
normal

Correlación de
Sí No Spearman

Correlación de
Pearson
4
Nota: ante la realidad de que pocas variables realmente son normales el criterio que se
sigue para verificar asociación es: “Son variables continuas---Pearson”, “Son variables
discretas, o responden a la combinación: (discreta-ordinal), (ordinal-discreta), (continua-
ordinal) ó (ordinal-continua)---Spearman.

1. Correlación de Pearson.

Este coeficiente permite probar la existencia de asociación entre dos muestras

intervalares o de razón constante. Su utilidad radica en que permite conocer la
dependencia entre las variables en cuestión.

La fórmula para calcularlo es:

𝑆𝐶𝑥𝑦
𝑟=
√(𝑆𝐶𝑥)(𝑆𝐶𝑦)

Donde:
r=Coeficiente de correlación de Pearson.
n=número de pares de datos.
X=primer variable objeto de asociación.
Y=segunda variable objeto de asociación.

El valor de r puede oscilar entre -1 y 1 de modo que:

−1 ≤ 𝑟 ≤ 1

Asociación perfecta Asociación perfecta

negativa. positiva.

5
Una interpretación, aunque arbitraria.

Ejemplo: ¿existe asociación entre el peso(x) y talla de los mexicanos (y)?

𝐻𝑜 : 𝑟𝑥𝑦 = 0

𝐻𝑎 : 𝑟𝑥𝑦 ≠ 0
En STATA:

Conclusión:

6
2. Correlación de Spearman.

Contempla dos casos de asociación, el primero cuando se prueba la asociación entre

dos variables, una tiene escala intervalar y otra ordinal. El segundo caso cuando se prueba
asociación entre dos variables con escala ordinal.

La fórmula para el cálculo es:

6 ∑ 𝑑2
𝑟𝑆 = 1 −
𝑛(𝑛 − 1)(𝑛 + 1)

Donde:
rs=Coeficiente de correlación de Spearman.
n=número de pares de datos.
d=diferencia entre pares de datos.

El valor de r de Spearman puede oscilar entre -1 y 1 de modo que:

−1 ≤ 𝑟 ≤ 1

Asociación perfecta Asociación perfecta

negativa. positiva.

Para formular un problema se formulan las siguientes hipótesis:

𝐻𝑜 : 𝑟𝑠 = 0 no asociación entre variables

𝐻𝑎 : 𝑟𝑠 ≠ 0 asociación entre variables

7
 Ejemplo: ¿existe asociación entre la talla (x) y la clasificación de índice de masa
corporal(y)?

𝐻𝑜 : 𝑟𝑠 = 0

𝐻𝑎 : 𝑟𝑠 ≠ 0
En STATA:

Conclusión:

En caso de contrastar la asociación a través de p-value.

spearman talla cimc, matrix stats(rho p)

Como p-value es menor a 0.05 se concluye que el coeficiente de Spearman

calculado es significativo al 5%.

Nota: cuando se estiman coeficientes de correlación sean de Pearson o Spearman pueden

incluirse condicionales, ejemplo: por sexo, entidad, situación de marginalidad entre otras.

8
3. Correlación Phi.

El coeficiente phi permite probar la existencia de asociación entre dos variables

cuya escala es nominal de tipo dicotómico.

La obtención del coeficiente es a través de la siguiente fórmula:

𝑥2
𝑟𝜙 = √
𝑛

Donde:
r =Coeficiente de correlación de Spearman.

Ejemplo: ¿existe asociación entre el sexo de los mexicanos (x) y la pérdida de

peso(y)?; ambas dicotómicas.

En STATA:

Conclusión: