¿Qué es el poder estadístico?

El poder estadístico es un concepto fundamental en la prueba de hipótesis. Representa la probabilidad de que una prueba estadística rechazará correctamente una hipótesis nula cuando una hipótesis alternativa específica es verdadera. En términos prácticos, el poder cuantifica la capacidad de un estudio para detectar un efecto, diferencia o relación genuino si existe. Un estudio de alta potencia tiene un riesgo bajo de cometer un error tipo II (tipo II) (β), lo que significa que rara vez pierde efectos reales. El poder se expresa típicamente como 1 − β.

Por ejemplo, un poder de 0,80 indica una probabilidad del 80% de detectar un efecto, dejando un 20% de probabilidad de un error tipo II.

El análisis de potencia no es sólo un ejercicio teórico, sino que influye directamente en la fiabilidad e interpretación de los resultados de la investigación. Los estudios subpotentes son una fuente importante de resultados irreproducibles, tamaños de efecto inflado y recursos desperdiciados. Por el contrario, estudios sobrepoderados pueden detectar efectos triviales que carecen de significado práctico. El poder de comprensión ayuda a los investigadores a equilibrar la sensibilidad con viabilidad, asegurando que los tamaños de muestra no son demasiado pequeños ni demasiado grandes.

Componentes del análisis de potencia

Cuatro parámetros clave interactúan en cualquier análisis de potencia: tamaño de la muestra, tamaño del efecto, nivel de significación (α), y potencia (1 − β). Dados tres de estos, el cuarto puede calcularse. Entender cada componente es esencial para diseñar estudios eficientes.

Tamaño de la muestra

El tamaño de la muestra es el número de observaciones o participantes en un estudio. Las muestras más grandes generalmente aumentan la potencia estadística porque reducen el error de muestreo y proporcionan estimaciones más precisas de parámetros de población. La relación entre el tamaño de la muestra y la potencia no es lineal: duplicar el tamaño de la muestra no duplica la potencia, pero puede mejorar sustancialmente la capacidad de detectar efectos moderados. El análisis de potencia se utiliza más comúnmente para determinar el tamaño mínimo de la muestra necesaria para alcanzar un nivel de potencia deseado, a menudo 0.80.

Tamaño del efecto

El tamaño del efecto mide la magnitud de un fenómeno, diferencia o relación. Los índices de tamaño de efecto comunes incluyen el d de Cohen para diferencias promedios, el r de Pearson para correlaciones, y las ratios de probabilidades para resultados categóricos. Los efectos más grandes son más fáciles de detectar y requieren tamaños de muestra más pequeños. Los tamaños de efecto pueden ser estimados en investigaciones anteriores, estudios pilotos o expectativas teóricas.

Nivel de significación (α)

El nivel de significación α define el umbral para reclamar un resultado estadísticamente significativo. Es la probabilidad de cometer un error tipo I —rechazar una hipótesis nula verdadera. Convencionalmente establecido en α = 0.05, se puede ajustar para múltiples comparaciones o análisis exploratorios. Bajar α (por ejemplo, a 0.01) reduce la probabilidad de falsos positivos pero también reduce la potencia, requiriendo tamaños de muestra más grandes para mantener la sensibilidad.

Potencia (1 − β)

El poder estadístico es la probabilidad de rechazar correctamente una hipótesis nula falsa. El poder deseado se establece normalmente en 0,80 o más, aunque algunos campos apuntan a 0.90 en estudios confirmatorios. El poder está influenciado por todos los otros parámetros: dado α fijo y tamaño de efecto, sólo el tamaño de la muestra puede aumentar para aumentar la potencia. El análisis de potencia ayuda a los investigadores a determinar los beneficios entre estos componentes.

Por qué el análisis de potencia es esencial

El análisis de potencia es una piedra angular del diseño experimental riguroso. Sin ella, los estudios corren el riesgo de estar bajo el poder, lo que lleva a resultados nulos ambiguos que son difíciles de interpretar. Los estudios subpotentes tienen baja reproducibilidad y pueden producir estimaciones de efectos inflados debido al sesgo de publicación; se reportan resultados sólo significativos, mientras que los resultados nulos siguen sin publicarse.

  • Optimización de recursos: Prevenir el reclutamiento de demasiados o demasiado pocos participantes ahorra tiempo, dinero y carga ética.
  • Interpretación de los resultados nulos: Un resultado no significativo de un estudio bien impulsado sugiere que no hay un efecto significativo; de un estudio subpoderado, deja duda.
  • Sensibilidad de diseño: La potencia de emparejamiento del tamaño de efecto previsto garantiza que la prueba pueda detectar diferencias prácticamente importantes.
  • Financiación y ética: Muchos organismos de financiación y juntas de examen institucional requieren una justificación de poder para asegurar que los estudios estén diseñados para producir respuestas significativas.

El análisis de potencia también ayuda a planificar comparaciones de grupos múltiples, diseños factoriales, estudios longitudinales y análisis con covariados. No es opcional, es un elemento central de la práctica de investigación responsable.

Tipos de análisis de potencia

Los análisis de potencia se pueden realizar en diferentes etapas de un estudio. a priori (prospectiva) y Puestos especiales El análisis de potencia (retrospectivo) y la comprensión de sus distinciones evita el uso indebido.

A Priori (Prospective) Power Analysis

Realizado antes de la recopilación de datos, el análisis de potencia a priori determina el tamaño de la muestra necesaria para alcanzar una potencia deseada dada un nivel de efecto esperado y de significación. Este es el enfoque más recomendado porque guía el diseño de estudio. Los investigadores especifican el tamaño de efecto (basado en la literatura, la teoría o un piloto), eligen una potencia de destino (generalmente 0.80), y computan el tamaño de la muestra requerido.

Análisis de potencia posterior (retrospectivo o conservado)

El análisis de potencia pos hoc utiliza el tamaño de efecto observado y el tamaño de muestra para calcular la potencia de una prueba después de que se complete el estudio. Este enfoque es polémico y generalmente desalentado. El tamaño de efecto observado es probable sesgado, especialmente en estudios subpotenciados, y la potencia resultante añade poco valor interpretativo. En cambio, los investigadores deben interpretar resultados no significativos examinando intervalos de confianza y tamaños de efecto, no computando poder retrospectivo. análisis de potencia, que determina el tamaño mínimo detectable del efecto dado un tamaño de muestra fijo, potencia y α.

Análisis de potencia de compromiso

En el análisis de potencia de compromiso, los investigadores fijan la relación de los riesgos de error Tipo I a Tipo II (α/β) basados en las consecuencias relativas de falsos positivos y falsos negativos. Este enfoque es menos común pero útil cuando el tamaño de la muestra se limita y los compensaciones deben ser ponderados explícitamente.

Análisis de potencia para diseños complejos

Para el multifactor ANOVA, medidas repetidas, modelos jerárquicos y modelado de ecuaciones estructurales, el análisis de energía es más complejo. Los investigadores a menudo dependen de enfoques basados en simulación (por ejemplo, utilizando el método de simulación). Pwr paquete en R, módulos personalizados de G*Power, o métodos de Monte Carlo). Estas técnicas permiten especificar estructuras de varianza realistas y correlaciones, proporcionando recomendaciones de tamaño de muestra adaptadas al plan de análisis.

Cómo realizar un análisis de potencia

Realizar un análisis de energía implica una serie de pasos que requieren un cuidadoso pensamiento sobre la cuestión de la investigación y la información disponible. El proceso es iterativo y debe ser documentado de manera transparente.

Paso 1: Especifique el Test estadístico

Identificar la hipótesis primaria y la prueba correspondiente (por ejemplo, prueba t de muestreos independientes, ANOVA de un solo sentido, regresión lineal, prueba de chi-cuadra, correlación). La prueba determina qué índice de tamaño de efecto y distribución son necesarios.

Paso 2: Elija el tamaño del efecto

Estimar el tamaño de efecto basado en investigación previa, teoría o un umbral clínicamente significativo. Para áreas novedosas, use cauteloso los convenios de Cohen. Una búsqueda sistemática de literatura puede proporcionar estimaciones realistas. Alternativamente, un análisis de sensibilidad puede determinar qué tamaños de efecto son detectables con los recursos disponibles.

Paso 3: Establecer α y el poder deseado

Los valores convencionales son α = 0,05 (dos colas) y potencia = 0.80. Ajustar α al usar múltiples comparaciones (corrección de Bonnerni) o cuando los falsos positivos son especialmente costosos. Aumentar la potencia a 0.90 es recomendable para los ensayos confirmatorios.

Paso 4: Calcular tamaño de la muestra o potencia

La mayoría de las herramientas requieren el tamaño de efecto de entrada, α, potencia y opcionalmente el número de grupos o predictores. La salida es el tamaño de muestra requerido (para a priori) o la potencia alcanzada (para post hoc).

Paso 5: Itear y considerar las prácticas

Si el tamaño de la muestra requerido es infesible, los investigadores pueden ajustar el tamaño del efecto (aspirando para un efecto más grande que todavía es plausible), reducir la potencia (pero no inferior a 0,60), o aceptar un α superior (con justificación). La documentación de estos desvíos fortalece la transparencia del estudio.

Misconcepciones comunes sobre el poder estadístico

A pesar de su importancia, el análisis de energía a menudo es malinterpretado. Aquí hay problemas comunes para evitar:

  • “Power = 0,80 es siempre suficiente.” La potencia adecuada depende del contexto. Para decisiones políticas críticas o ensayos clínicos, se puede necesitar energía de 0,90 o superior para evitar efectos importantes que faltan.
  • “El análisis de potencia pos hoc es significativo”. Como se ha señalado, sufre del sesgo de usar el efecto observado. Enfóquese en intervalos de confianza y tamaños de efecto en su lugar.
  • “El análisis de potencia garantiza resultados significativos”. No, sólo asegura que el estudio tenga una alta probabilidad de detectar un efecto si existe. La variación aleatoria puede producir no significancia.
  • “Una muestra grande siempre fija el poder.” Mientras que las muestras más grandes aumentan la potencia, también pueden llevar a detectar efectos triviales. El análisis de potencia debe emparejar con un tamaño de efecto significativo.
  • “No necesitamos análisis de energía para análisis exploratorios”. Incluso los estudios exploratorios se benefician de comprender la detectabilidad de los efectos. La potencia de reportaje ayuda a los lectores a medir la fiabilidad de los hallazgos.

Análisis de poder en la práctica

La integración del análisis de poder en los flujos de trabajo de investigación requiere cambios culturales en muchos campos. Los periódicos esperan cada vez más que las justificaciones de poder de priori, y los organismos de financiación a menudo los requieren.

  • Pre-registre su estudio e incluya un análisis de potencia detallado en el protocolo.
  • Informe el software, fuente de tamaño de efecto, y cualquier suposición hecha.
  • Realizar análisis de sensibilidad para mostrar cómo cambia la potencia con diferentes tamaños de efecto.
  • Para análisis secundarios o pruebas de subgrupo, realizar análisis de potencia separados o observar la potencia limitada.
  • Usar simulación cuando las calculadoras fuera de la plataforma no coincidan con el plan de análisis.

Herramientas como G*Power (disponible en el sitio Heinrich Heine University Düsseldorf) ofrece una interfaz gratuita y fácil de usar para muchas pruebas comunes. Para diseños avanzados, paquetes de simulación en R (por ejemplo,, simr, Pwr) permiten modelos personalizados. Los investigadores deben invertir tiempo en aprender al menos una herramienta con eficacia.

Conclusión

El análisis estadístico de la energía no es una mera formalidad, es una herramienta de diseño crítico que distingue a la ciencia robusta y reproducible de hallazgos ambiguos. Al comprender sus componentes, tipos y pasos prácticos, los investigadores pueden asegurar que sus estudios estén adecuadamente capacitados para detectar efectos significativos, evitar los desechos y producir evidencia creíble. La maestría del análisis de poder capacita a los investigadores para hacer mejores preguntas, planificar eficientemente e interpretar resultados con confianza.