análisis de datos el diseño estadístico. n las variables se pueden clasificar según su escala....
TRANSCRIPT
![Page 1: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/1.jpg)
Análisis de datos
El diseño estadístico
![Page 2: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/2.jpg)
Las variables se pueden clasificar según su escala.– Cualitativas (nominales, ordinales).– Cuantitativas (discretas, continuas).
Variables
![Page 3: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/3.jpg)
Variables cualitativas: clasifican a los individuos de acuerdo a ciertas características que les son comunes.– Variable nominal: aquella cuya característica se
define por un nombre, y al ser definida por uno no implica ser más o menos que la característica definida por otro nombre diferente.
– Variables ordinales: aquellas cuyas características pueden recibir algún orden subjetivo. Se puede asumir que una característica es más o menos que las otra, pero se desconoce qué tanto más o menos.
![Page 4: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/4.jpg)
Variables cuantitativas: también permiten diferenciar entre los individuos pero, además, nos señalan cuán grandes son las diferencias observadas.– Variables discretas: aquellas cuyos valores
están separados entre sí por una cantidad determinada, y la unidad no puede ser fraccionada.
– Variables continuas: aquellas en que la escala de medición se puede dividir en una cantidad infinita de valores entre dos puntos cualquiera.
![Page 5: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/5.jpg)
Variables en estudio
Una variable Dos variables Tres o más variables
Cualitativa
Cuantitativa
P
, mediana, rango
Cualitativa/Cualitativa
Cualitativa/Cuantitativa
Cuantitativa/Cuantitativa
P-P, PP
-
, ,
Análisis Multivariado(Regresión Múltiple, Regresión Logística, Regresión de Cox)
![Page 6: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/6.jpg)
Series de enfermos
Series de expuestos. Son aquellos donde sólo se describen
sujetos enfermos, o sujetos expuestos.
![Page 7: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/7.jpg)
Una variable cualitativa
Sevilla y Col. Rev Med IMSS 2004;42:137-143.
![Page 8: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/8.jpg)
Una variable cualitativa
Proporciones.P = a (a+b)
donde P representa la proporción, a el número de elementos con la característica de interés y b el número de elementos sin la característica de interés. Hay que notar que a + b es el total del universo (N).
Se acostumbra multiplicarlas por 100 para expresarlas como porcentaje, y se especifican mediante el símbolo "%".
![Page 9: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/9.jpg)
Una variable cuantitativa
Zhou y Col. BMC Public Health 2010;10:190.
![Page 10: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/10.jpg)
Una variable cuantitativa
Media
donde xi indica que hay que sumar todas las equis (x) disponibles desde x1 hasta xN.
N
i1 2 N i=1
xx +x +…+x
μ= =N N
![Page 11: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/11.jpg)
Una variable cuantitativa
Varianza y desviación estándar– La varianza poblacional se obtiene mediante la
fórmula
– La varianza se expresa en unidades cuadradas que son difíciles de interpretar.
– La desviación típica o desviación estándar que es igual a la raíz cuadrada de la varianza.
22
22 1
( )N
iiii
xx x NN N
![Page 12: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/12.jpg)
Estudio transversal o de encuestas: diseño básico.
Población de interés
Muestra
Enfermos Sanos
Expuestos
No Expuestos
![Page 13: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/13.jpg)
Ensayo clínico: diseño básico
![Page 14: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/14.jpg)
Ensayo clínico: diseño básico
![Page 15: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/15.jpg)
Estudio de cohorte: diseño
![Page 16: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/16.jpg)
Una variable cuantitativa y una variable cualitativa Diferencia de medias.
Diferencia de medias= µa – µb
donde µ representa la media, a y b identifican los grupos que se comparan.
![Page 17: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/17.jpg)
Una variable cuantitativa
Zhou y Col. BMC Public Health 2010;10:190.
Mean difference 2.3 -1.4 1.2
![Page 18: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/18.jpg)
Dos variables cualitativas
Diferencia de proporciones.Riesgo Atribuible = Pa - Pb
Razón de proporciones.Riesgo Relativo= Pa Pb
donde P representa la proporción, a y b identifican los grupos que se comparan.
![Page 19: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/19.jpg)
Tabla 2x2
Enfermos
Si No Total
Expuestos a b a+b
No expuestos c d c+d
a+c b+d a+b+c+d
![Page 20: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/20.jpg)
Riesgo Relativo
Se define como la razón de la incidencia de enfermedad en el grupo expuesto (expresada como Ie) dividida entre la incidencia correspondiente en el grupo no expuesto (I0). Su fórmula es
0
/( )/( )
eIa a bRR
c c d I
![Page 21: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/21.jpg)
Riesgo Relativo con incidencia acumulada: ejemplo Enfermos
Si No Total
Expuestos 20 80 100
No expuestos 20 200 220
20 /(20 80) 0.202.2
20 /(20 200) 0.09RR
![Page 22: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/22.jpg)
Riesgo Relativo con incidencia acumulada: ejemplo.
Wikeysundera y Col. BMJ 2010;340:b5526.
![Page 23: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/23.jpg)
Riesgo Relativo con densidad de incidencia: ejemplo Enfermos
Si No Total tiempo persona
Expuestos 20 500
No expuestos 20 1000
20 /500 0.042.0
20 /1000 0.02RR
![Page 24: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/24.jpg)
Riesgo Relativo con densidad de incidencia: ejemplo.
![Page 25: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/25.jpg)
Riesgo relativo
El riesgo relativo (RR) estima la magnitud de una asociación entre exposición y enfermedad e indica la probabilidad del grupo expuesto de desarrollar la enfermedad en relación a aquellos que no están expuestos.
Ayuda a responder a la pregunta: ¿La exposición causa la enfermedad?
![Page 26: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/26.jpg)
Odds Ratio
En estudios de casos y controles no es posible estimar la incidencia, por lo que no es posible calcular el RR. Pero si se puede calcular el Odds Ratio, que es un estimador que se aproxima al RR. Su fórmula es:
adOR
cb
![Page 27: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/27.jpg)
Estudio de casos y controles: diseño básico
![Page 28: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/28.jpg)
Odds Ratio: ejemplo
Enfermos
Si No
Expuestos 20 80
No expuestos 20 200
20(200) 4,0002.5
20(80) 1,600OR
![Page 29: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/29.jpg)
Odds Ratio: ejemplo
![Page 30: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/30.jpg)
Riesgo Atribuible
Se define como la diferencia que resulta de la incidencia de enfermedad en el grupo expuesto (expresada como Ie) menos la incidencia correspondiente en el grupo no expuesto (I0). Su fórmula es
0eRA I I
![Page 31: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/31.jpg)
Riesgo Atribuible con incidencia acumulada: ejemplo Enfermos
Si No Total
Expuestos 20 80 100
No expuestos 20 200 220
0.20 0.09 0.11RA
![Page 32: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/32.jpg)
Riesgo Atribuible con densidad de incidencia: ejemplo Enfermos
Si No Total tiempo persona
Expuestos 20 500
No expuestos 20 1000
0.04 0.02 0.02RA
![Page 33: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/33.jpg)
Riesgo Atribuible
El riesgo atribuible (RA) estima el efecto absoluto de la exposición o el exceso de la enfermedad en los expuestos en comparación con los no expuestos (cuando se infiere que la exposición es la causa de la enfermedad).
![Page 34: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/34.jpg)
Dos variables cuantitativas
Gráfico de correlación. Muestra visualmente la relación que existe entre dos variables cuantitativas.
Correlación: , r. Mide la fuerza de asociación entre dos variables cuantitativas.
Pendiente: β, b. Describe el incremento de la vaiable dependiente por cada cambio de unidad de la variable independiente.
Intercepción: α, a. Describe el valor de la variable dependiente cuando el valor de la variable independiente es igual a 0.
![Page 35: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/35.jpg)
Pendiente e intercepción
![Page 36: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/36.jpg)
Correlación
![Page 37: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/37.jpg)
Correlación
![Page 38: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/38.jpg)
Dos preguntas
Qué precisión tienen mis resultados: Intervalos de Confianza.
Qué probabilidad tiene el azar de afectar mi interpretación de los resultados: Prueba de hipótesis.
![Page 39: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/39.jpg)
Intervalos de confianza: a pescar con red Estoy buscando el parámetro. Estimo un límite superior y otro inferior. Tengo confianza de que el parámetro se
encuentre entre los dos límites (superior e inferior) que calculo.
![Page 40: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/40.jpg)
Prueba de hipótesis: a probar que no hay diferencia. Comparo dos medidas. Asumo que las poblaciones son iguales (H0). Calculo la probabilidad de que la diferencia
observada se deba al azar. Si la probabilidad (p) del azar es 0.05,
entonces rechazo la H0 y concluyo que la diferencia es “estadísticamente significativa
![Page 41: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/41.jpg)
Variables en estudio
Una variable Dos variables Tres o más variables
Cualitativa
Cuantitativa
IC 95% de P
IC 95% de
Cualitativa/Cualitativa
Cualitativa/Cuantitativa
Cuantitativa/Cuantitativa
IC 95% de P-P, PPPrueba de Chi-cuadrada
IC 95% de -Prueba t de Student, ANOVA
IC 95% de t de Student, Prueba de F
Análisis Multivariado(Regresión Múltiple, Regresión Logística, Regresión de Cox)
![Page 42: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/42.jpg)
Objetivos del análisis multivariado. Predecir el valor que la variable
dependiente tendrá mediante el uso de una serie de variables independientes.
Cuantificar la relación de una o más variables independientes con la variable dependiente. – Interacción.– Confusión.
![Page 43: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/43.jpg)
Análisis multivariado utilizado en investigación clínica-epidemiológica Variable dependiente cuantitativa.
– Regresión múltiple. Variable dependiente cualitativa
dicotómica.– Análisis estratificado de Mantel-Hansel.– Regresión Logística.– Regresión de Cox.
![Page 44: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/44.jpg)
Desventajas del análisis multivariado. Ecuaciones muy complejas. Una gran “caja negra” durante el proceso
de los datos. Resultados que frecuentemente son
difíciles de interpretar.
![Page 45: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/45.jpg)
Ventajas del análisis multivariado. Identificación de interacciones. Control de factores de confusión. Facilidad durante el análisis de muestras
pareadas. Existen programas de cómputo para los
análisis multivariados más convencionales. (CUIDADO: también es una desventaja).
![Page 46: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/46.jpg)
Interacción, o modificación del efecto. Se refiere al hecho de que la asociación
entre la exposición y el evento final de estudio pudiera variar según sea la presencia y/o magnitud de un tercer factor.
Se considera que hay interacción cuando el parámetro de un evento en presencia de dos o más variables difiere del parámetro esperado de la combinación de sus efectos individuales.
![Page 47: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/47.jpg)
Efecto aditivo a dos exposiciones.
Presencia de la variable B
No Si
Presencia de la variable A
No 30 35
Si 40
Supongamos una variable dependiente cuantitativa (Y) y dos variables independientes dicotómicas (A y B).
El valor basal promedio de Y = 30, A incrementa el promedio en 10 unidades, y B lo hace en 5.
Cuál sería el valor promedio de Y cuando A y B se presentan juntas.
![Page 48: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/48.jpg)
Efecto aditivo a dos exposiciones.
Presencia de la variable B
No Si
Presencia de la variable A
No 30 35
Si 40 45
Supongamos una variable dependiente cuantitativa (Y) y dos variables independientes dicotómicas (A y B).
El valor basal promedio de Y = 30, A incrementa el promedio en 10 unidades, y B lo hace en 5.
Cuál sería el valor promedio de Y cuando A y B se presentan juntas.
![Page 49: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/49.jpg)
Interacción entre dos exposiciones.
Presencia de la variable B
No Si
Presencia de la variable A
No 30 35
Si 40 80
Sinergismo
AntagonismoPresencia de la variable B
No Si
Presencia de la variable A
No 30 35
Si 40 20
![Page 50: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/50.jpg)
Confusión.
Implica que la asociación observada entre dos variables (independiente, dependiente) sea explicada, totalmente o en parte, mediante una distribución desigual entre los grupos de estudio de otros factores diferentes a la exposición de interés que también influyen en la variable dependiente.
![Page 51: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/51.jpg)
Confusión.
El sesgo que introduce puede sobreestimar, subestimar y aún cambiar la dirección en la estimación de la asociación a evaluar.
La confusión debe ser entendida como una mezcla del efecto de la variable independiente en estudio con otra variable independiente (factor de confusión) que influye en la variable dependiente.
![Page 52: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/52.jpg)
Confusión. Condiciones necesarias para que un factor
sea considerado de confusión:– El factor debe de estar asociado con la variable
dependiente, aún en ausencia de la variable independiente en estudio.
– El factor debe estar asociado con la variable independiente en la población base.
– El potencial factor no debe ser un eslabón intermedio de la cadena causal entre la variable independiente de interés y la variable dependiente.
![Page 53: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/53.jpg)
Confusión.
![Page 54: Análisis de datos El diseño estadístico. n Las variables se pueden clasificar según su escala. –Cualitativas (nominales, ordinales). –Cuantitativas (discretas,](https://reader035.vdocuments.pub/reader035/viewer/2022062309/5665b4441a28abb57c908edf/html5/thumbnails/54.jpg)
No hay confusión cuando.