¿Cuáles son los intervalos de confianza y valores p?

...

Oportunidad la variabilidad de los resultados de cualquier estudio en particular variarán por casualidad. Estudios difieren en términos de la

Las personas que están incluidos, y en la forma en que determinadas personas reaccionan a las intervenciones terapéuticas. Incluso cuando todo lo posible se mantiene constante, todavía habrá algunas variaciones aleatorias. Por lo tanto tenemos algunas herramientas que nos ayuden a evaluar si las diferencias que vemos entre tratamientos nuevos y viejos en cualquier estudio en particular son reales e importantes, o simplemente manifestaciones de posibilidad de variabilidad. Intervalos de confianza y valores p nos ayude a ello.

¿Cuáles son los valores p? Hasta hace relativamente poco tiempo, las evaluaciones de la función de azar eran rutinariamente realizados mediante pruebas de hipótesis,que produce un 'pvalue' (Cuadro 1). El valor-p permite la evaluación de si o no los resultados son "notablemente diferentes" o "no es significativamente diferente' de algún valor de referencia (en ensayos, esto es generalmente el valor que refleja "sin efecto"; Cuadro 1). Un diferente enfoque y potencialmente más útiles para evaluar el papel de la casualidad ha saltado a la palestra: intervalos de confianza.8 Aunque estos puede parecer bastante diferente de los valores p, la teoría y los cálculos subyacentes a estos dos enfoques son básicamente los mismos.

¿Cuáles son los intervalos de confianza? Intervalos de confianza proporcionan información diferente de la que surja de las pruebas de hipótesis. Pruebas de Hipótesis produce una decisión sobre cualquier diferencia observada: ya sea que la diferencia es "tatistically significativo" o que es "tatistically sin significativo estadístico". En contraste, los intervalos de confianza ofrecen un tamaño rangeabout el efecto observado. Esta gama está construida de tal manera que sabemos cuán probable es captar la verdad- pero desconocido - tamaño del efecto. Así, la definición formal de un intervalo de confianza es: "un intervalo de valores para una variable de interés [en nuestro caso, la medida del efecto del tratamiento] construidos de manera que esta gama tiene una probabilidad especificada de incluir el verdadero valor de la variable. La probabilidad especificada es llamado el nivel de confianza, y los puntos extremos del intervalo de confianza son llamados los límites de confianza'.9 Lo convencional es crear intervalos de confianza al 95%: esto significa que el 95% del tiempo construido adecuadamente los intervalos de confianza debería contener el verdadero valor de la variable de interés. Esto corresponde a la puesta a prueba de hipótesis con pvalues convencional, con un valor de corte de p inferior a 0,05. Más coloquialmente, el intervalo de confianza provee una gama de nuestra mejor estimación del tamaño del verdadero efecto de tratamiento que es plausible, dada la magnitud de la diferencia realmente observada.

Evaluar el significado de un intervalo de confianza una útil función de intervalos de confianza es que uno puede saber fácilmente si o no se ha alcanzado una significación estadística, al igual que en una prueba de hipótesis. l Si el intervalo de confianza refleja el valor que refleja "sin efecto", esto representa una diferencia que es estadísticamente sin significativo estadístico (para un intervalo de confianza del 95%, esta no es significativa al nivel del 5 por ciento). l Si el intervalo de confianza no enclosethe reflejando el valor "sin efecto", esto representa una diferencia que es estadísticamente significativa (de nuevo, para un intervalo de confianza del 95%, este es el significado en el nivel del 5%). Así, "significado estadístico"

(correspondiente a p

Examinar la amplitud de un intervalo de confianza Una de las ventajas de los intervalos de confianza a través de pruebas de hipótesis tradicional es la información adicional que transmiten. Los límites superior e inferior del intervalo nos dan información sobre cómo grande o pequeño el efecto real podría ser convincentemente, y el ancho del intervalo de confianza que también transmite información útil. Si el intervalo de confianza es estrecho, capturar sólo una pequeña gama de tamaños del efecto, podemos estar bastante seguros de que cualquier efecto lejos de esta gama se han descartado por el estudio. Esta situación suele producirse cuando el tamaño del estudio es bastante grande y, por lo tanto, la estimación del verdadero efecto es bastante precisa. Otra forma de decir esto es señalar que el estudio tiene razonables 'POWER' para detectar un efecto. Sin embargo, si el intervalo de confianza es bastante amplia, capturando una diversa gama de tamaños del efecto, podemos inferir que el estudio probablemente fue bastante pequeño. Así, las estimaciones del efecto del tamaño será bastante impreciso. Tal estudio es 'low-powered" y nos proporciona menos información.

Errores en la interpretación de intervalos de confianza, como p-valores, nos proporcionan una guía para ayudar en la interpretación de los resultados de la investigación a la luz de los efectos del azar. No obstante, existen tres importantes dificultades en la interpretación.

Hacer algo mal: ver efectos que no son reales, en primer lugar, podemos examinar el intervalo de confianza y/o el valor de p y observar que la diferencia es "tatistically significativa". De ello se suele concluir que existe una diferencia entre los dos tratamientos. Sin embargo, sólo porque somos poco probable observar una diferencia tan grande simplemente por casualidad, esto no significa que no va a suceder. Por definición, aproximadamente uno de cada 20 hallazgos significativos será espurio - derivadas simplemente por casualidad. Por lo tanto, podemos ser engañados por casualidad en creer en algo que no es real - técnicamente, esto se denomina "error tipo I". Es frustrante pero inevitable de la significación estadística (ya sea evaluada utilizando intervalos de confianza o p-valores) que alrededor de uno de cada 20 va a inducir a error. Todavía no sabemos que de cualquier conjunto de comparaciones está haciendo la engañosa. Esta observación advierte en contra de la generación de demasiados comparaciones estadísticas: la más comparaciones hechas en cualquier estudio, mayor será la probabilidad de que al menos algunos de ellos serán falsas conclusiones. Así, los ensayos clínicos que muestran significación en sólo uno o dos subgrupos no son convincentes, tal significado puede ser engañosa. A menos que los análisis de subgrupo particular han sido especificadas