Introducción: Por qué el análisis de potencia importa

Cada estudio de investigación comienza con una pregunta fundamental: ¿cuántos participantes necesito? Ejecutar un estudio con demasiados participantes corre el riesgo de perder un efecto real (un falso negativo), mientras que un estudio excesivamente grande pierde tiempo, dinero y recursos. análisis de potencia proporciona una respuesta rigurosa y basada en datos calculando el tamaño mínimo de la muestra requerido para detectar de forma fiable un efecto de un tamaño determinado. Este artículo recorre el proceso completo de realizar un análisis de potencia, cubriendo sus componentes clave, métodos paso a paso, opciones de software y trampas comunes. Si usted está planeando un ensayo clínico, un experimento de ciencias sociales o un estudio de control de calidad industrial, el análisis de potencia de dominio asegura que su investigación es eficaz y estadísticamente.

¿Qué es el análisis de potencia?

El análisis de potencia es una técnica estadística utilizada para determinar el tamaño de la muestra necesaria para lograr una probabilidad deseada de rechazar correctamente una hipótesis nula falsa (es decir, detectar un efecto verdadero). Equilibra cuatro variables interconectadas: tamaño de efecto, nivel de significación (α), potencia estadística (1 – β) y tamaño de muestra. Al especificar tres, el cuarto puede calcularse. En la práctica, los investigadores establecen α y potencia a los valores piloto de 0, respectivamente.

El concepto de poder estadístico se formalizó por Jacob Cohen En los años 60 y sigue siendo una piedra angular del diseño experimental. Un estudio con insuficiente poder puede no detectar diferencias significativas, lo que lleva a resultados inconclusivos y a esfuerzos desperdiciados. Por el contrario, un estudio sobrepoderado puede detectar efectos estadísticamente significativos pero prácticamente triviales, costos de inflado y preocupaciones éticas. Un análisis de poder bien realizado ayuda a evitar ambos extremos.

Componentes clave del análisis de potencia

Comprender los cuatro pilares del análisis de potencia es esencial antes de realizar cualquier cálculo. Cada componente interactúa con los demás; cambiar uno alterará el tamaño de la muestra requerido.

Tamaño del efecto (δ o Cohen d)

El tamaño del efecto cuantifica la magnitud de la diferencia o relación que espera encontrar.

  • Cohen's d para diferencias entre dos medios (pequeñas = 0,2, media = 0,5, grandes = 0,8)
  • Cohen's f para la ANOVA o regresión (pequeña = 0,10, media = 0,25, grande = 0,40)
  • Tasa de probabilidades o ratio de riesgo para los resultados categóricos
  • Coeficiente de correlación (r) para relaciones lineales (pequeña = 0,1 media = 0,3, grande = 0,5)

Utilizando tamaños de efecto realista Es crítico. Sobreestimar el efecto (por ejemplo, asumiendo un gran efecto cuando el efecto verdadero es pequeño) conduce a un estudio subpoderado. Siempre que sea posible, derivar tamaños de efecto de metaanálisis, revisiones sistemáticas o estudios piloto bien diseñados. Las convenciones de Cohen pueden servir como guía áspero cuando no existen datos previos, pero no deben reemplazar el conocimiento específico del dominio.

Nivel de significación (Alfa, α)

El alfa es la probabilidad de un error tipo I: la eliminación de una verdadera hipótesis nula. La mayoría de los campos adoptan α = 0.05, lo que significa que existe un riesgo del 5% de concluir un efecto cuando no lo hace. En configuraciones de tomas altas (por ejemplo, pruebas de drogas), α puede ser bajado a 0.01 o 0.001. Por el contrario, los estudios exploratorios podrían usar α = 0.10.

Poder (1 – Beta)

El poder es la probabilidad de rechazar correctamente una hipótesis nula falsa. El parámetro convencional es 0.80 (80% de potencia), lo que significa que tiene una probabilidad del 80% de detectar el efecto especificado si existe realmente. Poder superior (por ejemplo, 0.90 o 0.95) reduce el riesgo de un error tipo II pero requiere una muestra más grande. En campos como la medicina clínica, las agencias reguladoras a menudo ordenan un poder mínimo de 0.80 o 0.90.

Tamaño de la muestra (n)

El tamaño de la muestra es el número de observaciones independientes (participantes, unidades) necesarias para lograr la potencia deseada. Es la salida del análisis de potencia. Debido a que los estudios reales a menudo pierden participantes a los datos de desplegamiento o falta, debe calcular el tamaño de la muestra ajustado dividiendo el n requerido por (1 – tasa de atrición esperada). Por ejemplo, si el análisis de potencia produce n = 100 y anticipas 20% de atrición, reclutar 100 / 0.80 = 125 participantes.

Pasos para realizar un análisis de potencia

Realizar un análisis de potencia puede dividirse en seis pasos concretos. El mismo flujo de trabajo aplica si utiliza software especializado o fórmulas manuales.

Paso 1: Defina su pregunta de investigación y su hipótesis

¿Está comparando dos grupos, probando una correlación o examinando los efectos de interacción? Especifique la hipótesis nula (sin efecto) y la hipótesis alternativa (existe un efecto). El tipo de prueba estadística (t-test, ANOVA, chi-square, regresión) determinará el método de medición y cálculo del tamaño de efecto.

Paso 2: Estimar el tamaño del efecto

Obtenga una estimación del tamaño de efecto de la literatura existente, metaanálisis o un estudio piloto. Si no hay datos disponibles, use las convenciones sugeridas de Cohen como último recurso, pero justifique su elección. Documente la fuente de su estimación para apoyar la transparencia y reproducibilidad. Por ejemplo, cite un estudio anterior que reportó un Cohen d de 0,5 para una intervención similar.

Paso 3: Establecer el Alfa y el Poder

Adoptar valores convencionales a menos que su campo o cuerpo de financiación dicte otra cosa. En la mayoría de la investigación de la salud y la ciencia social, α = 0.05 (dos colas) y potencia = 0.80 son estándar. Si usted está realizando un ensayo de no inferioridad o un análisis secundario con múltiples comparaciones, es posible que necesite ajustar alfa (por ejemplo, usando corrección Bonferroni) y aumentar la potencia en consecuencia.

Paso 4: Elija el examen estadístico correcto

Coincide con su hipótesis en la prueba adecuada.

  • Dos medios independientes → prueba de dos muestras (utilizar el d de Cohen)
  • Medios pareados → t-test pareado (utilizar el d de Cohenz)
  • Grupos múltiples → ANOVA (uso de Cohen f o pira2)
  • Asociación entre variables categóricas → prueba de chi-square (tamaño de efecto de uso w o V de Cramér)
  • Correlación → Pearson r (utiliza la transformación de la zo de Fisher)
  • Modelo de regresión → Prueba F para R2 (uso f2 = R2/(1-R2)

Paso 5: Ejecute el análisis de potencia usando el software

El software moderno hace que el análisis de energía sea directo.

  • G*Power ( aplicación gratuita de escritorio): soporta t-tests, F-tests, chi-square, correlaciones y muchas otras pruebas. Ofrece tanto a priori (tamaño de muestra) como cálculos post-hoc (poder aumentada).
  • Stata (comercial): comando con opciones extensas para ensayos aleatorizados y análisis de supervivencia.
  • Paquetes R, ], . Ejemplo: produce n por grupo.
  • Calculadoras en línea: Disponible desde ClinCalc o el UBC sitios. Use con precaución; asegúrese de que coinciden con su diseño de prueba.
  • SPSS: Módulo de análisis de energía integrado (requiere Base de Estadísticas SPSS o opciones adicionales).

Paso 6: Ajuste para las manifestaciones del mundo real

Una vez que tenga el tamaño de la muestra inicial, considere factores prácticos:

  • Attrición y datos perdidos: Inflar n dividiendo por (1 – tasa de abandono anticipada). Para un 20% de deserción, multiplicar por 1.25.
  • Diseños de escalado o multinivel: Uso efecto de diseño (DE = 1 + (m – 1) × ICC) donde m es tamaño de racimo y ICC es correlación intraclase.
  • Múltiples resultados primarios: Aplicar una corrección Bonferroni u otra corrección al alfa y recalcular para cada resultado; utilizar el mayor n requerido.
  • Presupuesto y viabilidad: Si el n calculado es demasiado alto, considere ajustes iterativos—reducir el tamaño de efecto esperado a un efecto más realista, menor potencia a 0.75, o aceptar un alfa ligeramente superior. Documentar todos los tradeoffs.

Ejemplo práctico: dos muestras t-Test

Imagine que está probando si un nuevo método de enseñanza mejora las puntuaciones de prueba. Usted espera un efecto medio (Cohen d = 0,5), set α = 0,05 (dos colas), potencia = 0,80, y planifica utilizar una prueba t de muestras independientes.

  1. Seleccione “t-tests” √ “Means: Diferencia entre dos medios independientes (dos grupos)”.
  2. Set “Tail(s)” = Dos, “Tamaño de Efecto d” = 0,5, “α err prob” = 0,05, “Power (1-β err prob)” = 0,80, “ ratio de asignación” = 1.
  3. Haga clic en "Calcular". Resultado: tamaño total de la muestra = 128 (64 por grupo).

Contabilidad para el 15% de abandono: 128 / 0.85 ♥ 151, así que recluta 76 por grupo. Si el presupuesto limita a 100 total, usted podría recalcular con potencia = 0.70 o aceptar un menor tamaño de efecto esperado si los estudios anteriores lo apoyan.

Errores comunes y cómo evitarlos

El análisis de potencia es tan bueno como los insumos. Vea estos errores frecuentes:

  • Usando las convenciones de Cohen sin justificación: Siempre trate de encontrar estimaciones basadas en la literatura. Los convenios no son sustitutos del conocimiento de dominio.
  • Suponiendo una prueba de cola sin hipótesis direccional clara: Las pruebas de dos colas son más seguras a menos que tenga razones teóricas fuertes para una dirección específica.
  • Ignorar la incertidumbre del tamaño del efecto: Realizar análisis de sensibilidad con una gama de tamaños de efecto plausible (por ejemplo, 0,3, 0,5, 0,7) para ver cómo cambia el tamaño de la muestra.
  • Análisis de potencia post-hoc sobre datos observados: Calcular la potencia después de un estudio utilizando el tamaño del efecto observado es circular y engañoso. Usar el análisis de potencia a priori solamente.
  • Olvídate de ajustarse para múltiples pruebas o grupos múltiples: Cada comparación adicional infla el error Tipo I; ajustar alfa o utilizar un método como Bonferroni o Sidak.
  • No contabilizar la independencia: En diseños agrupados (por ejemplo, estudiantes dentro de las aulas), ignorar el ICC puede subestimar drásticamente el tamaño de la muestra.

Consideraciones avanzadas

Para los diseños complejos de estudio, el marco básico de análisis de energía se extiende a:

  • Análisis de la supervivencia: Use el poder de prueba de los golpes, normalmente basado en los índices de peligro esperados y los períodos de accrual. Software: en R.
  • Medidas de longitud o repetidas: El poder depende del número de mediciones, correlación entre los puntos de tiempo y el patrón de atrición. El “ANOVA: medidas repetidas” de G*Power o paquetes R especializados como .
  • Ensayos de equidad y no inferioridad: Se requiere especificar un margen de equivalencia (Δ) en lugar de un efecto cero. El poder se calcula utilizando enfoques de intervalo de confianza.
  • Análisis de potencia Bayesian: En lugar de parámetros fijos, incorporan distribuciones anteriores para el tamaño de efecto. Herramientas como o en R pueden simular probabilidades posteriores de detectar un efecto.

Reportando su análisis de potencia

Una sección de análisis de potencia transparente en una propuesta de subvención o manuscrito debe incluir:

  1. Hipótesis de investigación primaria y prueba estadística planificada.
  2. Nivel alfa y potencia deseada.
  3. Estimación del tamaño del efecto y su fuente (por ejemplo, “Basado en un metaanálisis por Smith et al. (2020), esperábamos que Cohen d = 0,40”.
  4. Tamaño de muestra calculado y el software utilizado.
  5. Ajustes para efectos de attición o diseño.
  6. Cualquier análisis de sensibilidad que muestre robustez a diferentes supuestos.

Por ejemplo: “Planeamos una prueba t de muestreos independientes (α = 0,05, dos colas, potencia = 0,80) para detectar un efecto medio (d = 0,5). Usando G*Power 3.1, requerimos 64 participantes por grupo. Contando para el 20% de deserción, apuntamos a reclutar 80 por grupo (total N = 160)”.

Conclusión

Realizar un análisis de potencia no es un obstáculo burocrático, sino un paso crítico de diseño que alinea sus recursos con el rigor científico. Al estimar sistemáticamente los tamaños de los efectos, elegir los niveles adecuados de alfa y potencia, y utilizar software validado, usted asegura que su estudio tiene una alta probabilidad de detectar efectos significativos al evitar los desechos. Recuerde que el análisis de energía es iterativo: volver a considerar sus supuestos mientras más información se pone disponible, y documentar sus decisiones para reproducir errores.