Documentos de Académico
Documentos de Profesional
Documentos de Cultura
La asignación de los individuos a cada uno de los grupos debe ser aleatoria.
En estos estudios se asume que los grupos que se comparan son similares por
todas las características pronósticas que pueden influir sobre la respuesta, excepto
por la intervención que se está evaluando. La forma idónea de conseguir grupos
comparables es que la asignación de los individuos a los grupos de estudio se
realice de forma aleatoria.
Si los grupos obtenidos de este modo son comparables y son estudiados con una
misma pauta de seguimiento, cualquier diferencia observada entre ellos al finalizar
el experimento puede ser atribuida, con un alto grado de probabilidad, a la diferente
intervención a que han sido sometidos los participantes. Así pues, la gran ventaja de
los diseños con asignación aleatoria radica en su alto grado de control de la
situación, que proporciona, en el caso de que exista una asociación entre el factor
estudiado y la respuesta observada, la mejor evidencia de que dicha relación es
causal. (2)
Causalidad (Inferencias)
Cuando existe una opción terapéutica reconocida como eficaz en la situación clínica
de interés, ésta debe ser la alternativa con la que comparar la nueva intervención. El
uso de otro tratamiento o intervención activos como grupo de comparación tiene por
objetivo estimar la relación beneficio/riesgo del nuevo tratamiento en una situación
clínica concreta. En estos casos, la mejor comparación es el «mejor tratamiento
existente» en dicha situación. Esta no siempre es una elección fácil, ya que en la
mayoría de las ocasiones existe un amplio arsenal terapéutico que hace difícil elegir
cuál es la mejor alternativa.
Clasificación
Definición de la población
Asignación aleatoria
Cegamiento
El cegamiento es una técnica que se utiliza para evitar que los participantes y los
investigadores sepan a qué grupo pertenece cada participante. El cegamiento
simple consiste en ocultar al participante a qué grupo pertenece. El cegamiento
doble consiste en ocultar al participante y al investigador a qué grupo pertenece.
Técnicas de enmascaramiento
Análisis
La estrategia de análisis del EC es muy similar a la de cualquier estudio analítico
que compara dos o más intervenciones y que han sido comentadas en capítulos
anteriores. Sin embargo, en un EC se pueden presentar ciertas situaciones que
obligan a considerar si algunas observaciones o sujetos deben ser excluidos del
análisis. La actitud que se adopte ante esta situación puede modificar las
conclusiones del estudio.
Excluir las pérdidas y desviaciones del protocolo del análisis final y considerar
exclusivamente los sujetos de cada uno de los grupos que han cumplido y
finalizado el protocolo del ensayo. Esta estrategia se denomina análisis de
casos válidos o por protocolo.
Sesgos y su prevención
Sin embargo, se de tomar en cuenta que a pesar de que los autores señalan que se
realizó aleatorización es posible que no se cumpla; esto sucede cuando los
investigadores conocen la secuencia de dicha aleatorización y, entonces pueden
cambiar del grupo asignado a uno o más participantes, al suponer que puede
ser mejor dar el tratamiento experimental o el tratamiento en comparación. Esto se
denomina sesgo de asignación (alloca-tion, en inglés); para evitarlo, la mejor
estrategia es tener una tercera persona que otorgue el tratamiento, tal y como fue
planteado por la aleatorización.
Definición:
Características principales:
Tratan con sujetos que aún no han adquirido la enfermedad o con aquéllos que
estén en riesgo de adquirirla, y estudian factores preventivos de enfermedades
como pueden ser la administración de vacunas o el seguimiento de dietas.
Pueden ser más caros, pues la probabilidad de enfermar suele ser más baja,
por lo que se necesitaría un gran número de sujetos. Para contrarrestar esta
situación se puede elegir individuos con alto riesgo de desarrollar una
enfermedad, por ejemplo, evaluar la efectividad de la vacuna contra el virus
papiloma en trabajadores sexuales. Además, la recolección de la información se
realiza en la comunidad misma, no en instituciones cerradas como los
hospitales, lo que implica que en ocasiones se hace necesario movilizar el
equipo investigador para realizar la intervención o las mediciones, dándole el
nombre de prueba de “campo”.
Esta metodología también permite probar o evaluar intervenciones sin tener que
buscar necesariamente enfermedades como evento final, sino otras evidencias
de ésta.
Se debe planificar los aspectos operativos del trabajo de campo. En general se debe
prestar especial atención a tres tipos de requerimientos:
Fases
● Entrevista, este método es más cercano y personal pues nos ayudaran con la
compilación de datos personales de los participantes y datos curiosos acerca
de la situación problema
Fase 4 (Diseño de intervención): En esta fase debemos conocer el por qué y el par
que se realiza la intervención, cuál es el objetivo principal, cuál debe ser el impacto,
como se evaluará, como se le hará seguimiento, cuál será el cronograma y sus
metas, además se debe solicitar o tener presupuesto y recursos.
Fase 5 (Evaluación inicial): Esta fase nos ayudará a obtener un informe cualitativo
y cuantitativo de los factores que determinan el problema central, con el objetivo de
establecer qué comportamientos deben ser trabajados para eliminar total o
parcialmente el problema.
Fase 6 (Ejecución): En esta fase como su nombre lo indica se materializa todo los
expuesto o propuesto en las fases anteriores, haciendo uso de las estrategias de
participación.
Pruebas paramétricas
Las pruebas paramétricas son un tipo de pruebas estadísticas que se utilizan para
analizar datos que se supone que siguen una distribución normal. Este tipo de
pruebas se utilizan a menudo en estudios experimentales para comparar los
resultados de diferentes grupos o condiciones.
Para que las pruebas paramétricas sean válidas, los datos deben cumplir con los
siguientes requisitos:
Existen muchos tipos diferentes de pruebas paramétricas, cada una de las cuales se
utiliza para un propósito específico. Algunos de los tipos más comunes de pruebas
paramétricas incluyen:
Pruebas no paramétricas
Las pruebas no paramétricas no requieren que los datos cumplan ningún supuesto
sobre su distribución. Sin embargo, existen algunos requisitos generales que deben
cumplirse para que las pruebas no paramétricas sean válidas:
Existen muchos tipos de pruebas no paramétricas, cada una de las cuales se utiliza
para un propósito específico. Algunos de los tipos de pruebas no paramétricas más
comunes incluyen:
Para comparar las puntuaciones de los dos grupos, se podría utilizar una prueba U
de Mann-Whitney. Esta prueba no asume que los datos sigan una distribución
normal y que las varianzas de los dos grupos sean iguales.
Ventajas:
Desventajas:
Las pruebas no paramétricas se deben utilizar cuando los datos no cumplen los
supuestos de las pruebas paramétricas. En particular, las pruebas no paramétricas
se deben utilizar cuando:
En general, las pruebas no paramétricas son una herramienta útil para analizar
datos que no cumplen los supuestos de las pruebas paramétricas. (13)
Ventajas:
Desventajas:
Coste: Los estudios experimentales pueden ser costosos y difíciles de realizar. Esto
se debe a que requieren la participación de un gran número de participantes y la
manipulación de una variable independiente.
Efectividad: Los estudios experimentales pueden ser menos efectivos para evaluar
la eficacia de una intervención en condiciones naturales. Esto se debe a que los
estudios experimentales se realizan en condiciones controladas, que pueden no
ser representativas de la vida real.
Validez externa: Los estudios experimentales pueden tener una validez externa
limitada. Esto se debe a que los estudios experimentales se realizan en
condiciones controladas, que pueden no ser representativas de la población
general. (14) (15)
Referencias
3. Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd
ed.). Hillsdale, NJ: Lawrence Erlbaum Associates.
4. Field, A. (2013). Discovering statistics using IBM SPSS Statistics (4th ed.).
London: Sage Publications.
5. Gravetter, F. J., & Wallnau, L. B. (2014). Statistics for the behavioral sciences
(10th ed.). Belmont, CA: Wadsworth.
10.Field, A. (2023). Discovering statistics using IBM SPSS Statistics (5th ed.).
Sage Publications.
11.Gravetter, F. J., & Wallnau, L. B. (2023). Statistics for the behavioral sciences
(13th ed.). Cengage Learning.
13.Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd
ed.).