Ciencia sin seso… locura doble, una sección orientada a la metodología de la ciencia presentada por el Dr. Manuel Molina
los modelos de regresión lineal múltiple permiten realizar predicciones de la variable dependiente según los valores de la variables independientes. Para ello es necesario que no exista colinealidad múltiple, que se produce cuando existe correlación entre las variables independientes. Para medir la colinealidad podemos utilizar la tolerancia y el factor de inflación de la varianza.
La regresión discontinua es un diseño cuasi-experimental que permite realizar inferencia causal en ausencia de aleatorización. Se puede aplicar cuando la exposición de interés se asigna, al menos parcialmente, según el valor de una variable aleatoria continua si esta variable cae por encima o por debajo de un determinado valor umbral.
En los estudios longitudinales es habitual encontrar pérdidas durante el seguimiento. La forma correcta de analizar la probabilidad de un suceso debe tener en cuenta las pérdidas durante el seguimiento y las diferencias en los periodos de seguimiento de los participantes. Para esto se emplea el análisis de supervivencia con datos censurados.
Las medidas de impacto son las que nos indican de forma más clara la magnitud de la exposición sobre el efecto en estudio. De forma equivalente al número necesario a tratar de los ensayos clínicos, se han descrito una serie de números de impacto que se calculan a partir de otras medidas de impacto de más difícil interpretación.
El número necesario a tratar (NNT) es una de las principales medidas de impacto que nos permite apreciar la magnitud del efecto de los tratamientos ensayados. Para tener en cuenta su naturaleza probabilística, lo correcto será acompañar la estimación puntual de su intervalo de confianza del 95%.
Cuando dos sucesos son independientes, la probabilidad de que ambos se produzcan es igual al producto de la probabilidad de ocurrir de cada suceso. Sin embargo, esta situación se complica cuando los sucesos son dependientes y la probabilidad de que ocurra uno de los dos influye en la probabilidad del otro. Para estos casos, lo usual es emplear el teorema de Bayes para el cálculo de la probabilidad condicionada.