Sesgo estadístico y Confusiónen bioestadistica.pptx

sesgo

1. Sesgo estadístico y Confusión Eddie Sierra Monroy R2 MF UMF 222 Toluca

2. Definición En el campo de la estadística, el sesgo estadístico es un error que se detecta en los resultados de un estudio y que se debe a factores en la recolección, análisis, interpretación o revisión de los datos.

3. Otras definiciones El  sesgo  es la diferencia entre el valor verdadero y el promedio de mediciones en muchas determinaciones obtenidas por el mismo sistema de medición. Como el valor verdadero no es accesible, en sentido estricto solo es posible hablar sobre sesgo relativo entre laboratorios, analistas o sistemas de medición.

4. Tipos de Sesgo

5. Sesgo de confirmación Si creyeras firmemente que la mayoría de la gente prefiere el helado de vainilla al de chocolate y, como resultado, dieras más peso a los datos que apoyaran esa conclusión. Es un error que implica permitir que una noción preconcebida afecte a la forma en que priorizas o interpretas la información. Un ejemplo

6. Sesgo de selección Los datos tomados de un barrio no representarían con precisión una ciudad grande. Es un error que se deriva de usar muestras de población que no representen con precisión a todo el grupo objetivo Ejemplo,: Razones por las que surge un sesgo de selección — intencionales, la participación voluntaria, factores limitantes de la participación o tamaño de muestra insuficiente.

7. Sesgo del caso atípico Al analizar los ingresos en los Estados Unidos, hay unas pocas personas sumamente ricas cuyos ingresos pueden torcer cualquier cálculo de los promedios. Los valores atípicos pueden sesgar significativamente los datos. Ejemplo Por este motivo, un valor de mediana suele ser una representación más precisa de la población más grande.

8. Sesgo del observador Ejemplo: una prueba con ratas realizada en la década de 1960, en la que dos grupos de estudiantes hicieron pruebas a ratas, que estaban clasificadas como “brillantes” y “sosas”. Los estudiantes que tenían las ratas “sosas” las trataron mal y redujeron sus posibilidades de completar el laberinto, lo que finalmente afectó a los resultados del estudio. Tipo de sesgo estadístico que deriva de la subjetividad del observador. Ninguna persona puede ser completamente totalmente imparcial, por lo que el sesgo del observador siempre va a ser un problema. Lo mejor que puedes hacer es aprender a reconocerlo.

9. Sesgo de financiación El sesgo de financiación es especialmente popular en las comparaciones de productos. Ejemplo: Si Bounty paga una comparación de papel de cocina, es mucho más probable que esa comparación favorezca a Bounty que a otra marca. Hace referencia a la probabilidad de que un estudio favorezca a la persona que lo financió. Estos estudios tienden a proporcionar datos inexactos, que pueden dificultar su aplicación a tu negocio.

10. Sesgo de variable omitida Ejemplo,: Un estudio sobre coches que no incluya el año o el kilometraje puede proporcionar resultados inexactos. La falta de una variable afecta a la legitimidad de la estadística Sesgo del superviviente Se da cuando solo se tienen en cuenta los puntos de datos de supervivientes. Al no tener en cuenta cada fuente potencial de datos, podrías obtener una representación defectuosa.

11. Sesgo de confusión Una variable confusora , también llamado confusor o factor confusor , sesga una asociación cuando se asocia tanto a la exposición como a la variable desenlace a la vez, creando una asociación espúrea 2 Se encuentra presente en todos los estudios científicos que plantean una hipótesis de tipo causal.

12. ¿Qué es un confusor ? Es un factor distinto al de la exposición, que se asocia de forma independiente tanto con la variable exposición como con la variable desenlace. Este confusor , a su vez, puede alterar tanto la magnitud como la direccionalidad de esta asociación, sesgándola por completo produciendo desde asociaciones espúreas o inexistentes hasta asociaciones sobredimensionadas.

13.  Para que una variable se considere un verdadero confusor , tiene que estar ausente en la vía causal de asociación entre la variable de exposición y la variable desenlace

14. ¿Qué es el sesgo de confusión? El sesgo de confusión es uno de los tres tipos de sesgos más frecuentemente observados en los estudios epidemiológicos, siendo los otros dos el sesgo de selección y el sesgo de información

15. Asociación espúrea : Es la asociación matemáticamente errónea que se obtiene como resultado de la presencia de un confusor . Confusión observada o medida : Es dada por aquellas variables que el investigador conoce y considera como confusoras , por lo que puede tomarlas en cuenta para ser medidas y ajustadas. Confusión no observada o no medida : Esta es desconocida por el investigador, por lo tanto reducirla es un problema. Confusión Residual: Aún luego de aplicadas las estrategias para la reducción del sesgo de confusión, es matemáticamente imposible reducirla a cero, por lo que esta confusión sobrante sería la confusión residual. Para un mejor entendimiento del manejo del sesgo de confusión es importante manejar los siguientes términos:

16. Error aleatorio y sistemático Existen dos tipos de errores en Epidemiología: el error aleatorio y el sistemático o sesgo.

17. La evaluación del error es fundamental en el análisis de los datos, pero mayormente durante el diseño del estudio, lo que permitiría anticiparse a la ocurrencia de errores sistemáticos.

18. Error sistemático (sesgo) Puede entenderse como la tendencia sistemática a subestimar o sobrestimar el estimador de interés a causa de una deficiencia en el diseño o en la ejecución de un estudio. El error sistemático o sesgo se asocia con debilidades del diseño metodológico o la ejecución del estudio, afectando su validez. Puede valorarse cualitativamente y ser evitado.

19. El error aleatorio Se relaciona con variaciones debidas al azar y compromete la confiabilidad de la investigación. . Puede expresarse cuantitativamente con el valor p y los intervalos de confianza. No puede eliminarse, pero sí controlarse mediante el aumento del tamaño muestral y un análisis estadístico eficiente

20. Error aleatorio (azar) Produce observaciones desviadas del verdadero valor en cualquier sentido. Se asocia a las variaciones explicadas por el azar que está inherentemente involucrado en cada proceso de investigación, por lo que no puede eliminarse. Influye en los resultados incluso cuando se han controlado debidamente los sesgos7 y compromete la confiabilidad de la investigación. Es impredecible, pero puede disminuirse al incrementar el tamaño muestral y al realizar un análisis estadístico eficiente.

21. Existen sesgos que generan una sobreestimación de la magnitud de asociación entre variables, conocidos como sesgos positivos (“ en contra” de la hipótesis nula ) Aquellos que aminoran la magnitud se conocen como sesgos negativos (“a favor” de la hipótesis nula). En el caso extremo, un sesgo puede desencadenar una inversión en el sentido de asociación, haciendo que un factor protector aparezca como un factor de riesgo, lo que se denomina switch- over bias .