Método de Fisher para combinar p-valores independientes

Escrito por peter flom | Traducido por beatriz sánchez
  • Comparte
  • Twittea
  • Comparte
  • Pin
  • E-mail
Método de Fisher para combinar p-valores independientes
Un p-valor marca el tipo de tasa de error I en un análisis estadístico. (Jupiterimages/Photos.com/Getty Images)

Un p-valor marca el tipo de tasa de error I en un análisis estadístico. El tipo de error I indica el rechazo de la hipótesis nula cuando, en realidad, es correcta. La hipótesis nula es (casi siempre) una afirmación de que dos grupos no son distintos, o de que no hay relación entre las variables, u otra afirmación que esperamos encontrar, en realidad, no existe. Así que el tipo de error 1 está diciendo que algo está pasando cuando en realidad no lo hace. Todo esto se basa en la idea de que sólo tenemos una muestra de una población.

Otras personas están leyendo

¿Porqué combinar P-valores?

En algunos casos, múltiples estudios tratan sobre el mismo fenómeno. Por ejemplo, hay muchos estudios que examinan la relación entre fumar y el cáncer. Cada uno de estos proporcionará un p-valor. Combinando varios estudios, puedes conseguir estimaciones más precisas sobre lo que está pasando.

La idea del método de Fisher

Dado un grupo de p-valores de estudios independientes, el método de Fisher consiste en tomar primero el logaritmo natural de cada p-valor, multiplicar cada resultado por -2 y después sumarlos. El total está distribuido como un estadístico chi-cuadrado con grados 2L de libertad, donde L es el número de p-valores. El p-valor de esta suma se puede obtener de tablas estadísticas, de software estadístico como SAS, R o SPSS, de Excel o con cualquier calculadora científica.

Los peligros de combinar p-valores: interpretar mal los resultados

Un peligro de combinar p-valores es interpretar mal el resultado. Esto es parte de lo que Stephen Ziliak y Deirdre McCloskey llaman "El culto a la importancia estadística". Combinando las muestras, los efectos pequeños que van en aumento serán más importantes estadísticamente. Pero la importancia estadística no implica importancia práctica. Por ejemplo, supón que has encontrado una dieta determinada que proporciona una pérdida de peso de 1 onza (28,34 gramos) al mes. Si tienes bastantes muestras combinadas, esto podría ser significativo estadísticamente, pero a pocas personas les importará una dieta que tiene un efecto tan pequeño.

Alternativas a combinar p-valores

En lugar de combinar p-valores, a menudo es una buena idea combinar los tamaños de los efectos. El tamaño de efecto puede ser la diferencia entre dos grupos, o un coeficiente de regresión, o un índice de probabilidad o cualquier cantidad de otras medidas, dependiendo de qué estadística se ha usado. Este tipo de análisis se llama meta-análisis, que es el estudio del propio análisis.

No dejes de ver

Filtrar por:
  • Mostrar todos
  • Artículos
  • Galerías de fotos
  • Videos
Ordenar:
  • Más relevante
  • Más popular
  • Más reciente

No se encuentran artículos disponibles

No se encuentran slideshows disponibles

No se encuentran videos disponibles