15-07-2021 Elección de una prueba estadística - FAQ 1790 - GraphPad

CASA  APOYO

BASE DE CONOCIMIENTOS - ARTÍCULO # 1790

Elegir una prueba estadística

Última modificación el 23 de marzo de 2012

Este es el capítulo 37 de la primera edición de Bioestadística intuitiva de

Harvey Motulsky. Copyright © 1995 de Oxford University Press Inc. El capítulo
45 de la segunda edición de Intuitive Biostatistics es una versión ampliada de
este material.

REVISIÓN DE PRUEBAS ESTADÍSTICAS DISPONIBLES

Este libro ha analizado muchas pruebas estadísticas diferentes. Para

seleccionar la prueba correcta, hágase dos preguntas: ¿Qué tipo de datos ha
recopilado? ¿Cuál es tu objetivo? Luego, consulte la Tabla 37.1.

Tipo de datos

Objetivo Medición (de Rango, Binomial Tiempo de

la población puntaje o (dos supervivencia
gaussiana) medición (de posibles
población no resultados)
gaussiana)

Describe un Media, DE Mediana, Proporción Curva de

grupo rango supervivencia
intercuartílico de Kaplan
Meier

Compare un Prueba t de Prueba de Prueba de

grupo con un una muestra Wilcoxon Chi-
valor cuadrado
hipotético o
Binomial **

https://www.graphpad.com/support/faqid/1790/ 1/9
15-07-2021 Elección de una prueba estadística - FAQ 1790 - GraphPad

Compara dos No apareado Prueba de Prueba de Prueba de

grupos no t prueba Mann- Fisher rango
emparejados Whitney (chi- logarítmico o
cuadrado Mantel-
para Haenszel *
muestras
grandes)

Compara dos Prueba t Prueba de Prueba de Regresión de

grupos pareada Wilcoxon McNemar riesgos
emparejados proporcionales
condicionales
*

Compare ANOVA Prueba de prueba de Regresión de

tres o más unidireccional Kruskal- chi- riesgo
grupos no Wallis cuadrado proporcional
coincidentes de Cox **

Compare ANOVA de Prueba de Cochrane Q Regresión de

tres o más medidas Friedman ** riesgos
grupos repetidas proporcionales
emparejados condicionales
**

Cuantificar Correlación Correlación Coeficientes

la asociación de Pearson de Spearman de
entre dos contingencia
variables **

Predecir el Regresión Regresión no Regresión Regresión de

valor de otra lineal simple paramétrica logística riesgo
variable o ** simple * proporcional
medida regresión no de Cox *
lineal

Predecir el Regresión Regresión Regresión de

valor de lineal múltiple logística riesgo
varias * múltiple * proporcional
variables o de Cox *
medidas o regresión no
binomiales lineal múltiple
**

https://www.graphpad.com/support/faqid/1790/ 2/9
15-07-2021 Elección de una prueba estadística - FAQ 1790 - GraphPad

REVISIÓN DE PRUEBAS NO PARAMÉTRICAS

Elegir la prueba correcta para comparar medidas es un poco complicado, ya

que debe elegir entre dos familias de pruebas: paramétricas y no
paramétricas. Las pruebas estadísticas múltiples se basan en el supuesto de
que los datos se muestrean a partir de una distribución gaussiana. Estas
pruebas se denominan pruebas paramétricas. Las pruebas paramétricas más
utilizadas se enumeran en la primera columna de la tabla e incluyen la prueba t
y el análisis de varianza.

Las pruebas que no hacen suposiciones sobre la distribución de la población

se denominan pruebas no paramétricas. Ya aprendió un poco sobre las
pruebas no paramétricas en capítulos anteriores. Todas las pruebas no
paramétricas de uso común clasifican la variable de resultado de menor a
mayor y luego analizan los rangos. Estas pruebas se enumeran en la segunda
columna de la tabla e incluyen las pruebas de Wilcoxon, Mann-Whitney y
Kruskal-Wallis. Estas pruebas también se denominan pruebas sin
distribución.

ELEGIR ENTRE PRUEBAS PARAMÉTRICAS Y NO PARAMÉTRICAS: LOS CASOS

FÁCILES

A veces es fácil elegir entre pruebas paramétricas y no paramétricas.

Definitivamente debe elegir una prueba paramétrica si está seguro de que sus
datos provienen de una población que sigue una distribución gaussiana (al
menos aproximadamente). Definitivamente debe seleccionar una prueba no
paramétrica en tres situaciones:

El resultado es un rango o una puntuación y la población claramente no

es gaussiana. Los ejemplos incluyen la clasificación de clase de los
estudiantes, el puntaje de Apgar para la salud de los bebés recién
nacidos (medido en una escala de 0 a IO y donde todos los puntajes son
números enteros), el puntaje visual analógico para el dolor (medido en
una escala continua donde 0 es sin dolor y 10 es un dolor insoportable),
y la escala de estrellas comúnmente utilizada por los críticos de cine y
restaurantes (* está bien, ***** es fantástico).

Algunos valores están "fuera de escala", es decir, demasiado altos o

demasiado bajos para medirlos. Incluso si la población es gaussiana,
es imposible analizar esos datos con una prueba paramétrica ya que no
conoce todos los valores. Usar una prueba no paramétrica con estos
https://www.graphpad.com/support/faqid/1790/ 3/9
15-07-2021 Elección de una prueba estadística - FAQ 1790 - GraphPad

datos es simple. Asigne valores demasiado bajos para medir un valor

arbitrario muy bajo y asigne valores demasiado altos para medir un
valor arbitrario muy alto. Luego, realice una prueba no paramétrica.
Dado que la prueba no paramétrica solo conoce los rangos relativos de
los valores, no importará que no conozca todos los valores
exactamente.

Los datos son mediciones y está seguro de que la población no está

distribuida de manera gaussiana. Si los datos no se muestrean a partir
de una distribución gaussiana, considere si puede transformar los
valores para hacer que la distribución se vuelva gaussiana. Por
ejemplo, puede tomar el logaritmo o el recíproco de todos los valores.
A menudo existen razones biológicas o químicas (así como
estadísticas) para realizar una transformación en particular.

ELEGIR ENTRE PRUEBAS PARAMÉTRICAS Y NO PARAMÉTRICAS: LOS CASOS

DIFÍCILES

No siempre es fácil decidir si una muestra proviene de una población

gaussiana. Considere estos puntos:

Si recopila muchos puntos de datos (más de un centenar), puede

observar la distribución de los datos y será bastante obvio si la
distribución tiene aproximadamente forma de campana. Se puede
utilizar una prueba estadística formal (prueba de Kolmogorov-Smirnoff,
no explicada en este libro) para probar si la distribución de los datos
difiere significativamente de una distribución gaussiana. Con pocos
puntos de datos, es difícil saber si los datos son gaussianos por
inspección, y la prueba formal tiene poco poder para discriminar entre
distribuciones gaussianas y no gaussianas.

También debe mirar los datos anteriores. Recuerde, lo que importa es

la distribución de la población general, no la distribución de su
muestra. Para decidir si una población es gaussiana, observe todos los
datos disponibles, no solo los del experimento actual.

Considere la fuente de dispersión. Cuando la dispersión proviene de la

suma de numerosas fuentes (sin una fuente que contribuya con la
mayor parte de la dispersión), se espera encontrar una distribución
aproximadamente gaussiana.

En caso de duda, algunas personas eligen una prueba paramétrica

(porque no están seguras de que se viole la suposición gaussiana), y
https://www.graphpad.com/support/faqid/1790/ 4/9
15-07-2021 Elección de una prueba estadística - FAQ 1790 - GraphPad

otras eligen una prueba no paramétrica (porque no están seguras de

que se cumpla la suposición gaussiana).

ELEGIR ENTRE PRUEBAS PARAMÉTRICAS Y NO PARAMÉTRICAS: ¿IMPORTA?

¿Importa si elige una prueba paramétrica o no paramétrica? La respuesta

depende del tamaño de la muestra. Hay cuatro casos en los que pensar:

Muestra grande. ¿Qué sucede cuando usa una prueba paramétrica con
datos de una población no gaussiana? El teorema del límite central
(discutido en el capítulo 5) asegura que las pruebas paramétricas
funcionen bien con muestras grandes incluso si la población no es
gaussiana. En otras palabras, las pruebas paramétricas son robustas a
las desviaciones de las distribuciones gaussianas, siempre que las
muestras sean grandes. El inconveniente es que es imposible decir
qué tan grande es lo suficientemente grande, ya que depende de la
naturaleza de la distribución no gaussiana particular. A menos que la
distribución de la población sea realmente extraña, probablemente
esté seguro al elegir una prueba paramétrica cuando haya al menos
dos docenas de puntos de datos en cada grupo.

Muestra grande. ¿Qué sucede cuando usa una prueba no paramétrica

con datos de una población gaussiana? Las pruebas no paramétricas
funcionan bien con muestras grandes de poblaciones gaussianas. Los
valores de P tienden a ser demasiado grandes, pero la discrepancia es
pequeña. En otras palabras, las pruebas no paramétricas son solo un
poco menos poderosas que las pruebas paramétricas con muestras
grandes.

Pequeñas muestras. ¿Qué sucede cuando usa una prueba paramétrica

con datos de poblaciones no gaussianas? No puede confiar en el
teorema del límite central, por lo que el valor P puede ser inexacto.

Pequeñas muestras. Cuando utiliza una prueba no paramétrica con

datos de una población gaussiana, los valores de P tienden a ser
demasiado altos. Las pruebas no paramétricas carecen de poder
estadístico con muestras pequeñas.

Por tanto, los grandes conjuntos de datos no presentan problemas. Por lo

general, es fácil saber si los datos provienen de una población gaussiana, pero
en realidad no importa porque las pruebas no paramétricas son muy
poderosas y las pruebas paramétricas son muy sólidas. Los pequeños
conjuntos de datos presentan un dilema. Es difícil saber si los datos provienen
https://www.graphpad.com/support/faqid/1790/ 5/9
15-07-2021 Elección de una prueba estadística - FAQ 1790 - GraphPad

de una población gaussiana, pero es muy importante. Las pruebas no

paramétricas no son potentes y las pruebas paramétricas no son sólidas.

¿VALOR P DE UNO O DOS LADOS?

Con muchas pruebas, debe elegir si desea calcular un valor de P de una o dos
colas (igual que el valor de P de una o dos colas). La diferencia entre los
valores P de uno y dos lados se discutió en el Capítulo 10. Repasemos la
diferencia en el contexto de la prueba t. El valor P se calcula para la hipótesis
nula de que las dos medias poblacionales son iguales y cualquier discrepancia
entre las dos medias muestrales se debe al azar. Si esta hipótesis nula es
cierta, el valor P unilateral es la probabilidad de que dos medias muestrales
difieran tanto como se observó (o más) en la dirección especificada por la
hipótesis solo por casualidad, aunque las medias de las poblaciones totales
son realmente iguales. El valor P bilateral también incluye la probabilidad de
que las medias de la muestra difieran tanto en la dirección opuesta (es decir,
el otro grupo tiene la media más grande). El valor de P de dos caras es el doble
del valor de P de una cara.

Un valor de P unilateral es apropiado cuando puede afirmar con certeza (y

antes de recopilar cualquier dato) que no habrá diferencia entre las medias o
que la diferencia irá en una dirección que pueda especificar de antemano (es
decir, ha especificado qué grupo tendrá la media más grande). Si no puede
especificar la dirección de ninguna diferencia antes de recopilar datos,
entonces un valor de P bilateral es más apropiado. En caso de duda,
seleccione un valor P de dos caras.

Si selecciona una prueba unilateral, debe hacerlo antes de recopilar cualquier

dato y debe indicar la dirección de su hipótesis experimental. Si los datos van
al revés, debe estar dispuesto a atribuir esa diferencia (o asociación o
correlación) al azar, sin importar cuán llamativos sean los datos. Si le intrigan,
aunque sea un poco, los datos que van en la dirección "incorrecta", entonces
debería utilizar un valor P de dos caras. Por las razones discutidas en el
Capítulo 10, le recomiendo que siempre calcule un valor P de dos lados.

PRUEBA EMPAREJADA O NO EMPAREJADA?

Al comparar dos grupos, debe decidir si utilizar una prueba emparejada.

Cuando se comparan tres o más grupos, el término emparejado no es
adecuado y en su lugar se utiliza el término medidas repetidas.

Utilice una prueba no emparejada para comparar grupos cuando los valores
individuales no estén emparejados o emparejados entre sí. Seleccione una
https://www.graphpad.com/support/faqid/1790/ 6/9
15-07-2021 Elección de una prueba estadística - FAQ 1790 - GraphPad

prueba emparejada o de medidas repetidas cuando los valores representen

medidas repetidas en un sujeto (antes y después de una intervención) o
medidas en sujetos emparejados. Las pruebas pareadas o de medidas
repetidas también son apropiadas para experimentos de laboratorio
repetidos realizados en diferentes momentos, cada uno con su propio control.

Debe seleccionar una prueba emparejada cuando los valores de un grupo

estén más estrechamente correlacionados con un valor específico en el otro
grupo que con valores aleatorios en el otro grupo. Solo es apropiado
seleccionar una prueba emparejada cuando los sujetos se emparejaron o
emparejaron antes de que se recopilaran los datos. No puede basar el
emparejamiento en los datos que está analizando.

¿PRUEBA DE FISHER O PRUEBA DE CHI-CUADRADO?

Al analizar tablas de contingencia con dos filas y dos columnas, puede utilizar
la prueba exacta de Fisher o la prueba de chi-cuadrado. La prueba de Fisher
es la mejor opción, ya que siempre da el valor P exacto. La prueba de chi-
cuadrado es más simple de calcular pero arroja solo un valor P aproximado. Si
una computadora está haciendo los cálculos, debe elegir la prueba de Fisher a
menos que prefiera la familiaridad de la prueba de chi-cuadrado.
Definitivamente debe evitar la prueba de chi-cuadrado cuando los números
en la tabla de contingencia son muy pequeños (cualquier número menor que
aproximadamente seis). Cuando los números son mayores, los valores de P
reportados por la prueba de chi-cuadrado y la prueba de Fisher serán muy
similares.

La prueba de chi-cuadrado calcula valores P aproximados y la corrección de

continuidad de Yates está diseñada para mejorar la aproximación. Sin la
corrección de Yates, los valores de P son demasiado bajos. Sin embargo, la
corrección va demasiado lejos y el valor P resultante es demasiado alto. Los
estadísticos dan diferentes recomendaciones con respecto a la corrección de
Yates. Con muestras de gran tamaño, la corrección de Yates hace poca
diferencia. Si selecciona la prueba de Fisher, el valor P es exacto y la
corrección de Yates no es necesaria y no está disponible.

¿REGRESIÓN O CORRELACIÓN?

La regresión lineal y la correlación son similares y se confunden fácilmente.

En algunas situaciones, tiene sentido realizar ambos cálculos. Calcule la
correlación lineal si midió tanto X como Y en cada tema y desea cuantificar
qué tan bien están asociados. Seleccione el coeficiente de correlación de

https://www.graphpad.com/support/faqid/1790/ 7/9
15-07-2021 Elección de una prueba estadística - FAQ 1790 - GraphPad

Pearson (paramétrico) si puede suponer que tanto X como Y se extraen de

poblaciones gaussianas. De lo contrario, elija el coeficiente de correlación no
paramétrico de Spearman. No calcule el coeficiente de correlación (o su
intervalo de confianza) si manipuló la variable X.

Calcule las regresiones lineales solo si es probable que una de las variables (X)
preceda o cause la otra variable (Y). Definitivamente elija la regresión lineal si
manipuló la variable X. Hace una gran diferencia qué variable se llama X y cuál
se llama Y, ya que los cálculos de regresión lineal no son simétricos con
respecto a X e Y. Si intercambias las dos variables, obtendrás una línea de
regresión diferente. Por el contrario, los cálculos de correlación lineal son
simétricos con respecto a X e Y. Si intercambias las etiquetas X e Y, obtendrás
el mismo coeficiente de correlación.

Explore la base de conocimientos

Buscar... 

Analice, grafique y presente su trabajo científico fácilmente con GraphPad

Prism. No se requiere codificación.

Prueba gratis

SOFTWARE CÓMO RECURSOS DE AYUDAR EMPRESA

CIENTÍFICO COMPRAR ANÁLISIS DE
https://www.graphpad.com/support/faqid/1790/ 8/9
15-07-2021 Elección de una prueba estadística - FAQ 1790 - GraphPad

Prisma Precios DATOS Apoyo Acerca de

GraphPad Calculadoras
Precios para Guía del Contacto
Prueba estudiantes rápidas usuario de
gratuita de Guía de Prism
Licencias de
Prism estadísticas
cursos de
Clientes de profesor Guía de ajuste
Prism de curvas
GraphPad
InStat China Academia de
StatMate prisma

© 2021 GraphPad Software. Reservados todos los derechos. Condiciones

| Intimidad

https://www.graphpad.com/support/faqid/1790/ 9/9