Libro Medicina Basada en Evidencias MBE Alberto Narvaez | Page 302

LA LÓGICA DE LAS PRUEBAS ESTADÍSTICAS INFERENCIALES
Las pruebas o test estadísticos pueden parecer que han sido creados para dar dificultades.
Sin embargo son de gran utilidad porque es la única forma de conocer la validez externa o
capacidad de generalización estadística de un estudio.
Imagine que en un estudio clínico controlado en el que se comparan dos tratamientos, se
encontró que un tratamiento da mejores resultados que el otro. Pero como este resultado es
de una muestra de pacientes, es necesario estimar si los resultados obtenidos en esta
muestra se encontrarán también en el universo de pacientes de donde se obtuvo la muestra.
Para lograr este propósito el primer paso es proponer, que la diferencia observada entre los
tratamientos es debido solamente a un error de muestreo, es decir que no hay diferencias
entre los dos tratamiento en el universo. Esto no es lo que se espera, con la lógica que se
utiliza a menudo siempre se espera que un nuevo tratamiento sea superior al convencional.
Sin embargo cuando se hace análisis inferencial se inicia planteando lo contrario a lo
esperado a lo que se denomina Hipótesis Nula (H0) y el resultado que se espera que suceda
se denomina Hipótesis Alternativa o de trabajo (Ha).
Las pruebas estadísticas inferenciales indican la probabilidad (valor de p) de que los
resultados obtenidos en la muestra se deban al error muestral. Cuando este valor es
pequeño, ejemplo p<0.01 se concluye que el resultado observado es improbable que suceda
por error, lo que lleva a rechazar la propuesta de que no hay diferencias entre los
tratamientos y por lo tanto a rechazar la hipótesis nula. Se puede concluir entonces que uno
de los tratamientos es realmente es mejor que el otro, o dicho de otra manera los resultados
observados en el estudio (en el que se utilizó una muestra) también se dan en el universo
del que se extrajo la muestra o que el resultado es significativo.
El valor de p es una muy buena guía para analizar si los resultados observados pueden ser
debidos al error muestral: valores pequeños de p, indican que los resultados son
improbables que sucedan por error muestral. Sin embargo, es importante definir a que
denominamos un valor de p pequeño. Existe una regla conveniente pero arbitraria: cuando
el valor de p es menor de 0.05 (p<0.05), se excluirá el error muestral como explicación.
Cuando se tiene un valor de p pequeño se puede decir que se ha alcanzado significación
estadística.
Sin embargo, el uso de esta regla arbitraria de p<0,05 no es una garantía. Supongamos que
se realizan una gran cantidad de test estadísticos, puede aparecer un resultado estadístico
espurio o incorrecto una vez en cada veinte pruebas. Esto se debe a que p=0.05 significa
una probabilidad de uno en veinte de que ocurra un evento. Hay dos conclusiones de este
análisis:
1. Los estudios en los cuales se han realizado múltiples test de significación darán
regularmente significados espurios.
48