Traducido del inglés al español - www.onlinedoctranslator.

com

Rincón de las estadísticas

Tipos de variables biológicas

Shreemathi S. Mayya, Ashma D Monteiro, Sachit Ganapathy

Departamento de Estadística, Universidad de Manipal, Manipal-576104, Karnataka, India

Correspondencia a:Dr. Shreemathi S. Mayya, Profesor Asociado (Escala Sr.). Departamento Karnataka, de Estadística. Universidad de Manipal, Manipal-576104,

India. Correo electrónico: shreemathi.mayya@manipal.edu.

Resumen:La identificación y descripción de las variables utilizadas en cualquier estudio es un componente necesario en
la investigación biomédica. Los análisis estadísticos dependen del tipo de variables que intervienen en el estudio. En
este breve artículo, presentamos los diferentes tipos de variables biológicas. Un investigador tiene que estar
familiarizado con el tipo de variable que está tratando en su investigación para decidir sobre gráficos/diagramas
apropiados, medidas de resumen y análisis estadístico.

Palabras clave:Variables biológicas; variables discretas; Variables continuas; variables categóricas

Recibido el 19 de abril de 2017. Aceptado para su publicación el 9 de mayo de 2017.

doi: 10.21037/jtd.2017.05.75

Ver este artículo en:http://dx.doi.org/10.21037/jtd.2017.05.75

Introducción infinitos valores en un rango dado. Esto significa que, siempre

La pregunta de investigación es el paso inicial e integral en cualquier
trabajo de investigación. Dependiendo de las preguntas de investigación
a responder y de los datos disponibles, los investigadores deciden sobre
los métodos estadísticos que se utilizarán para el análisis. Los
investigadores deben estar familiarizados con la variedad de variables
involucradas en su estudio para elegir diagramas/gráficos apropiados y
medidas de resumen para la presentación, y pruebas estadísticas válidas
para el análisis de datos.
La información recopilada sobre una muestra de sujetos (a
menudo pacientes) comprende características que varían entre los
sujetos. Cualquier característica que varía de un individuo a otro se
denomina variable (1). Las características como edad, sexo, altura,
peso, índice de masa corporal (IMC), grupo sanguíneo, temperatura
corporal, nivel de glucosa en sangre, presión arterial, frecuencia
cardíaca, número de dientes, gravedad de la enfermedad (leve,
moderada, grave), etc. son algunos de los ejemplos de variables
biológicas en la investigación. Una distinción básica en la naturaleza
entre estas variables es su medición cuantitativa o cualitativa
(categórica) (1,2).
podemos encontrar un valor intermedio entre dos valores
cualesquiera, por muy cerca que estén. Por ejemplo, en un
rango dado de 5 a 10 cm de longitud, se pueden escribir
infinitos valores como 5, 5,1, 5,12, 5,01, 5,003 cm, etc., según el
grado de precisión que decida el investigador. La altura de una
persona, el peso, la edad, la longitud del brazo, la presión
arterial, la temperatura, el nivel de glucosa son algunos de los
ejemplos de variable continua. Aquí las medidas obtenidas
pueden tomar cualquier valor en un rango dado.
La variable discreta (variable discontinua) puede tomar solo un
número específico de valores en un rango dado. Por ejemplo, el
número de hijos por familia en un rango dado de 0 a 5 puede ser 0,
1, 2, 3, 4 y 5. No se pueden escribir más valores en este rango.
Número de visitas al hospital en un año, número de niños en una
familia, número de pacientes ingresados en una sala de hospital,
número de dientes perdidos, etc. son algunos de los ejemplos de
variables discretas. Las variables discretas suelen ser recuentos.
Variables cualitativas

Las variables cualitativas (categóricas) son aquellas características

Variables cuantitativas
Las variables cuantitativas son aquellas características que se
pueden contar o medir numéricamente. Pueden ser continuos o
discretos. Teóricamente, la variable continua puede tomar
que no se pueden medir numéricamente. Estas variables son
nominales (sin ordenación natural) u ordinales (categorías
ordenadas). Por lo general, con el propósito de ingresar y analizar
datos usando software, las categorías se codifican asignando

© Revista de enfermedades torácicas. Reservados todos los derechos. jtd.amegroups.com Enfermedad torácica J2017;9(6):1730-1733
Journal of Thoracic Disease, Vol 9, No 6 Junio 2017
valores numéricos.
Las variables nominales solo permiten la clasificación o
categorización en función de alguna característica distintivamente
diferente, pero no podemos ordenar esas categorías. Los ejemplos
típicos de variables nominales son el sexo, la religión, el grupo
sanguíneo, los síntomas de la enfermedad, la causa de la muerte,
etc. Los valores numéricos asignados a las diferentes categorías son
útiles únicamente con fines de identificación (p. ej., 1= masculino, 2=
femenino). Cuando una variable cualitativa tiene solo dos categorías
(vivo/muerto, hombre/mujer, diabético/no diabético), se denomina
variable binaria o dicotómica. Las variables nominales se resumen
contando (frecuencia) y expresando la proporción de cada categoría
(porcentaje).
Las variables ordinales nos permiten clasificar las categorías
en términos de qué categoría tiene menos y qué categoría tiene
más de la calidad representada por la variable, pero no se
conocen las distancias entre las categorías. Un ejemplo típico de
una variable ordinal en medicina son las etapas de una
enfermedad (etapa I a etapa IV). Por ejemplo, sabemos que la
"etapa I" es menos grave que la "etapa II" de una enfermedad,
pero no podemos decir la diferencia exacta entre las dos etapas.
El estado socioeconómico de las familias (estado
socioeconómico bajo, medio y alto), la categoría de IMC (bajo
peso, normal, sobrepeso, obeso), la condición de la enfermedad
(deteriorada, igual, mejorada), la puntuación del dolor, etc. son
algunos ejemplos de variables ordinales. Los valores numéricos
asignados para varias categorías son útiles para la
identificación, así como para ordenar por rango (p. ej., 1= bajo,
2= grupo de ingresos medios y 3= altos). Las variables
ordinales se resumen contando (frecuencia) y expresando la
proporción de cada categoría (porcentaje).
Categorizar una variable continua
Las variables cuantitativas a menudo se convierten en categóricas
utilizando "puntos de corte". En lugar de presentar el nivel medio de
glucosa en ayunas de sujetos masculinos y femeninos, se puede
preferir presentar la proporción de diabéticos en la población
masculina y femenina utilizando un nivel de glucosa en ayunas de
110 mg/dl como punto de corte para categorizar a los sujetos como
diabéticos/ no diabética. Sin embargo, categorizar una variable
continua conduce a la pérdida de información (3). Por ejemplo,
durante la categorización, los sujetos con un nivel de glucosa en
ayunas de 85 y 109 mg/dl se tratan como iguales y se clasifican
como no diabéticos. Del mismo modo, los sujetos con un nivel de
glucosa de 111 y 150 mg/dL se clasifican como diabéticos. La
diferencia en los valores no se notará al presentar solo el número de
casos diabéticos y no diabéticos.
© Revista de enfermedades torácicas. Reservados todos los derechos.
1731
Manejo de datos tipo Likert
La escala de Likert se desarrolla con el principio de medir las actitudes
pidiendo a las personas que respondan a una serie de afirmaciones sobre
un tema, en términos de la medida en que están de acuerdo con ellas (4).
Una declaración (elemento de Likert) como: "Es importante que todos los
biólogos aprendan estadística" se puede pedir que se califique como 1 =
totalmente en desacuerdo, 2 = en desacuerdo, 3 = ni de acuerdo ni en
desacuerdo, 4 = de acuerdo o 5 = totalmente de acuerdo o, a veces, en
siete valores en lugar de cinco, incluidos "muy en desacuerdo" y "muy de
acuerdo". Las variables medidas en el ítem de Likert son un tipo de
variables ordinales. La escala de Likert es el resultado de sumar las
puntuaciones de varios ítems de Likert. La escala de Likert puede tratarse
como una variable continua. Las estadísticas descriptivas e inferenciales
dependen de la distribución de puntajes, simétrica o sesgada.
presentación de datos
Variables cualitativas
Los datos cualitativos (variable nominal u ordinal) pueden
presentarse en forma de tablas de frecuencia. Contamos el número
de sujetos/unidades en cada categoría de la variable junto con el
porcentaje y presentamos los números y porcentajes en una tabla.
Por ejemplo, resumimos la distribución del grupo sanguíneo de 100
sujetos en forma de una tabla que muestra el grupo sanguíneo y la
frecuencia correspondiente junto con los porcentajes. Si tenemos los
datos de dos variables categóricas, los datos se pueden presentar en
forma de una tabla de contingencia que muestre la frecuencia y los
porcentajes.
Como las variables ordinales también son variables categóricas
con un orden predeterminado, las medidas descriptivas como la
frecuencia y el porcentaje deben informarse cuando el número de
categorías es bajo. Además, la mediana, el rango intercuartílico
junto con el valor máximo y mínimo se consideran apropiados para
resumir las variables ordinales.
Los datos nominales y los datos ordinales con un número limitado de
categorías también se pueden presentar en forma de diagrama, como un
gráfico de barras y un gráfico circular. En un gráfico de barras, la longitud
de las barras representa la frecuencia o frecuencia relativa de cada
categoría de la variable. Por lo general, las barras tienen el mismo ancho
y hay un espacio entre ellas. Un gráfico circular es esencialmente un
círculo dividido en segmentos con el área de cada uno proporcional a la
frecuencia observada en cada categoría de la variable. El área total
representa la frecuencia total.
Variables cuantitativas
La media y la desviación estándar son un resumen apropiado
jtd.amegroups.com Enfermedad torácica J2017;9(6):1730-1733
1732
medidas para variables continuas con distribuciones simétricas.
Se calcularán la mediana y el rango intercuartílico para resumir
las variables cuantitativas con distribuciones sesgadas. El rango
es informativo si se usa como complemento de la desviación
estándar o el rango intercuartílico. Las variables discretas
pueden resumirse y analizarse como una variable continua o
como una variable ordinal dependiendo del número de valores
distintos.
Los datos cuantitativos se pueden representar gráficamente mediante
un histograma. El histograma es útil para decidir sobre la forma de la
distribución, simétrica o sesgada. Pero, con muestras pequeñas, el
histograma puede no ser útil para identificar la forma. Como regla
general, si la media es menor que el doble de la desviación estándar, es
probable que los datos estén sesgados para la variable con valores
positivos (5). Los datos cuantitativos también se pueden mostrar como
diagramas de tallo y hojas, diagramas de puntos, diagramas de caja y
bigotes y diagramas de dispersión, según la situación (6).
Análisis de los datos
El tipo de las variables decide el tipo de análisis estadístico a realizar,
paramétrico o no paramétrico. Métodos paramétricos, comotLas
pruebas, ANOVA, la correlación de Pearson y la regresión requieren
la suposición de que los datos siguen una distribución normal y que
las varianzas de las distribuciones son iguales. Los métodos no
paramétricos utilizados con frecuencia son la prueba de suma de
rangos de Mann-Whitney o Wilcoxon, la prueba de rangos con
signos de Wilcoxon y la correlación de rangos. Métodos no
paramétricos, no hacen suposiciones sobre la distribución de los
datos; utilizan el orden de rango de las observaciones en lugar de las
medidas reales (7). La prueba de chi-cuadrado (o la prueba exacta de
Fisher si los números son muy pequeños) es el método más utilizado
para comparar datos categóricos. No prestar atención a las
suposiciones y sus implicaciones puede conducir a un aumento de
los errores de tipo I o tipo II.
Analizamos datos de estudios similares, de manera
completamente diferente según el tipo de variable involucrada. Por
ejemplo, digamos que nuestra población objetivo es un grupo de
edad de más de 50 años en una determinada población y hemos
medido la variable presión arterial sistólica en una muestra de 40
sujetos masculinos y 40 femeninos, y nuestra hipótesis nula es "La
población masculina y femenina tiene la misma presión arterial
sistólica”. Compararíamos la presión arterial media en hombres y
mujeres con dos muestrast-test (prueba paramétrica). Si la variable
se convierte a estado de hipertensión (hipertenso/normal), es una
variable nominal, y compararíamos las frecuencias de hipertensión
en hombres y mujeres con una prueba de Chi-cuadrado (prueba no
paramétrica). Encontramos P más pequeño
© Revista de enfermedades torácicas. Reservados todos los derechos.
Mayya et al. Tipos de variables
valor port-prueba en comparación con la prueba de chi-cuadrado. Un
mensaje importante que tratamos de transmitir aquí es que las pruebas
estadísticas tendrán más poder para una variable continua que las
correspondientes variables nominales u ordinales (2). En otras palabras,
para lograr el mismo poder que el de una prueba paramétrica, las
pruebas no paramétricas requieren un tamaño de muestra mayor que
una prueba paramétrica. Por lo tanto, se pueden categorizar los datos
con fines de presentación (p. ej., hipertensos/normales), pero no para el
análisis estadístico (3).
La discusión detallada de varias pruebas está fuera del alcance de
este artículo. Campbell & Swinscow (2) han resumido las pruebas
adecuadas para varios tipos de variables en una sola tabla. Para el
procedimiento de cálculo y más detalles sobre varias pruebas
paramétricas, los investigadores pueden consultar algunos libros de
texto estándar (1,3,8). Para una buena discusión de una serie de
pruebas no paramétricas, los lectores pueden consultar a Siegel y
Castellan (9) y Conover (10).
Conclusiones
El tipo de medidas descriptivas y analíticas que se utilizarán en el
resumen y análisis de datos, todo depende del tipo de variables. Por
lo tanto, para obtener las medidas relevantes para el conjunto de
datos en cuestión, recomendamos que los investigadores estudien
las características de los datos (categóricos, cuantitativos) y la forma
de la distribución de frecuencias (simétrica en forma de campana,
sesgada) antes de decidir sobre las medidas descriptivas, gráficos y
diagramas. y pruebas estadísticas adecuadas para la presentación y
análisis de datos.
Agradecimientos
Ninguna.
Nota
Conflictos de interés:Los autores no tienen ningún conflicto de intereses que
declarar.
Referencias
1. Daniel WW. editor. Bioestadística: una base para el análisis en las
ciencias de la salud. 6ª ed. Nueva York: John Wiley &
Hijos, 1995.
2. Campbell MJ, Swinscow TD. editores Estadísticas en Square
One. 11ª ed. Oxford: Wiley-Blackwell, 2009.
3. Altman DG, Bland JM. El costo de dicotomizar
variables continuas. BMJ 2006;332:1080.
jtd.amegroups.com Enfermedad torácica J2017;9(6):1730-1733
Journal of Thoracic Disease, Vol 9, No 6 Junio 2017
4. McDonald JH. editor. Manual de estadísticas biológicas.
Baltimore, MD: Sparky House Publishing, 2009.
5. Altman DG, Bland JM. Detección de asimetría a partir de
información resumida. BMJ 1996;313:1200.
6. Freeman JV, Walters SJ, Campbell MJ. editores Cómo
mostrar datos. Oxford: Blackwell, 2008.
7. Altman DG, Bland JM. Métodos paramétricos vs no paramétricos
para el análisis de datos. BMJ 2009;338:a3167.
Citar este artículo como:Mayya SS, Monteiro AD, Ganapathy S.
Tipos de variables biológicas. J Thorac Dis 2017;9(6):1730- 1733.
doi: 10.21037/jtd.2017.05.75
© Revista de enfermedades torácicas. Reservados todos los derechos.
1733
8. Bland M. editor. Introducción a la estadística médica. 3ra ed. Prensa de
la Universidad de Oxford; 2000.
9. Siegel S, Castellano NJ. editores Estadísticas no paramétricas
para las ciencias de la conducta. 2ª ed. Nueva York: McGraw-
Hill, 1988.
10. Conover WJ. editor. Estadística práctica no paramétrica. 3ra ed.
Nueva York: John Wiley, 1998.
jtd.amegroups.com Enfermedad torácica J2017;9(6):1730-1733