Significación estadística: tamaño(s) de la muestra y poder estadístico
Quoc Minh Lai
Actualizado el
Significación estadística: tamaño(s) de la muestra y poder estadístico
Quoc Minh Lai
Actualizado el
Significación estadística: tamaño(s) de la muestra y poder estadístico
Quoc Minh Lai
Actualizado el
Significancia estadística: tamaño(s) de la muestra y poder estadístico - Para comprender el mundo que nos rodea, los investigadores utilizan formalmente el método científico como una forma de separar las verdades sospechadas de las falsedades. La neurociencia cognitiva tiene como objetivo comprender cómo los sistemas genéticos, neurológicos y conductuales apoyan la capacidad de un organismo para sentir, interactuar, navegar y pensar sobre el mundo que lo rodea.
Esto significa que la neurociencia cognitiva diseña experimentos y recopila datos en todos los niveles de análisis. Los programas de investigación en todo el mundo que buscan profundizar nuestra comprensión del mundo natural evalúan periódicamente supuestos, o hipótesis, en una serie bien planificada de experimentos más pequeños. Estos experimentos tienden a examinar factores específicos que pueden o no influir en un resultado, al tiempo que minimizan la influencia de factores extraños como el entorno, la orientación sexual, la raza o el estado socioeconómico.
Escenario uno: un estudio de liberación de dopamina
In neurociencia cognitiva, la dopamina generalmente se considera un compuesto que "hace sentir bien". Su liberación en el núcleo accumbens (NuAc) se desencadena por comportamientos o cosas que nos motivan a actuar. Estos pueden incluir:
Comer una buena comida
Tiempo con los seres queridos
Sexo
Azúcar
Digamos que nos gustaría averiguar si los niveles máximos de dopamina en el NuAc ocurren antes, durante o después de la exposición a un estímulo visual deseado o familiar. Podemos utilizar el diseño experimental de EEG adaptado del estudio de Amatya Johanna Mackintosh. Podemos plantear la hipótesis de que la liberación de dopamina ocurre durante y alcanza su punto máximo ligeramente después de la exposición al estímulo visual familiar o deseado.
Ahora, lo más crítico es: ¿de dónde obtenemos los sujetos de prueba?
En situaciones experimentales, "población" se refiere al grupo colectivo total más grande que se está estudiando. Es poco práctico y poco probable que su laboratorio pueda diseñar una técnica para reclutar y recopilar datos sobre la liberación de dopamina en cientos de miles o millones de personas.
Por lo tanto, intentaremos recopilar datos de un grupo o muestra más pequeña y representativa para comprender la población. Para hacer eso, necesitaremos responder dos preguntas principales.
¿Cuántas personas deben incluirse en nuestra muestra?
¿Cómo se relaciona esto con la significancia práctica y el poder estadístico?
Analicémoslo a continuación.
Poder estadístico y efecto verdadero
El poder estadístico se define como la probabilidad de que una prueba detecte una diferencia estadísticamente significativa cuando realmente existe tal diferencia. También se le conoce como efecto verdadero.
El efecto verdadero es la piedra angular del diseño experimental. El informe de Cohen de 1988, prolífico por sus contribuciones al método científico, razonó que un estudio debería diseñarse para tener una probabilidad del 80% de detectar un efecto verdadero. Este 80% representa un diseño de prueba de alto poder (HP), mientras que cualquier valor cercano al 20% es un diseño de prueba de bajo poder (LP).
Cohen sugirió que los estudios siempre deberían tener menos del 20% de probabilidad de cometer un error de tipo II, conocido como falso negativo. También utiliza estos mismos rangos de directrices para descubrimientos perdidos, que ocurren cuando un investigador informa incorrectamente que no hay ningún efecto significativo cuando en realidad existe una diferencia.
¿Por qué es importante el poder estadístico?
Piense en este escenario. Si existe un efecto verdadero en 100 estudios diferentes con un poder del 80%, las pruebas estadísticas detectarán un efecto verdadero en 80 de los 100. Sin embargo, cuando un estudio tiene un poder de investigación del 20%, si hay 100 efectos genuinos no nulos en los resultados, se espera que estos estudios descubran sólo 20 de ellos.
Deficiencias del poder estadístico en la investigación en neurociencia
Como era de esperar, debido a la naturaleza intensiva en recursos de la investigación de neurociencia, este campo tiene un poder estadístico medio de alrededor del 21% y un promedio de un amplio rango de 8% a 31%. El bajo poder estadístico en la investigación en neurociencia:
Siembra dudas sobre la replicabilidad de los hallazgos.
Conduce a un tamaño del efecto exagerado.
Reduce la probabilidad de obtener resultados estadísticamente significativos que representen con precisión el efecto real.
Como tal, el estado actual de la investigación en neurociencia está atrapado por el problema del poder estadístico porque estos valores están muy por debajo del umbral teórico de Cohen.
Establecimiento de un grupo de muestra representativa(s)
Objetivo del escenario uno: evitar errores de muestreo y errores de tipo I y II en nuestra prueba con un muestreo inclusivo y grande.
¿Cuántos escaneos de cerebro humano deben incluirse en nuestro conjunto de muestras si queremos que el experimento sea prácticamente significativo? La significancia práctica se refiere a si los resultados de un experimento se aplican o no al mundo real.
La capacidad del experimento de un neurocientífico para determinar los efectos (poder estadístico) está relacionada con el tamaño de la muestra. Siguiendo con los parámetros del escenario 1, el objetivo sigue siendo recopilar suficientes datos para poder evaluar estadísticamente si existe un efecto real en el tiempo de liberación de dopamina después de mostrar estímulos visuales cargados emocionalmente. También necesitamos establecer criterios de inclusión en la muestra que minimicen la posibilidad de un error de muestreo.
Cómo evitar errores de muestreo
Es importante comprender dos términos antes de seguir adelante.
Error de muestreo: al realizar un muestreo, siempre existe la posibilidad de que los datos recopilados de las personas seleccionadas no representen a la población.
Significancia estadística: la significancia estadística significa que nuestros datos y nuestros efectos observados son probablemente efectos reales. En la mayoría de las ciencias biomédicas, la significancia estadística se establece con un nivel de significancia o valor p de .05. Básicamente, esto significa que los científicos tienen un 95% de confianza en el efecto observado en sus experimentos.
Considere si los datos muestran una relación (es decir, liberación de dopamina). Existe un 5% de probabilidad de que el efecto sea casual y no esté relacionado con la variable (estímulo visual). Esto sería un error de tipo I. Alternativamente, existe un 5% de probabilidad de que nuestros datos recopilados no muestren ninguna relación entre la liberación de dopamina y los estímulos visuales cuando, de hecho, existe un efecto verdadero: un falso negativo o error de tipo II.
Establecer cuidadosamente los criterios de inclusión tiene un mayor impacto porque hay un punto de rendimientos decrecientes a partir de cierto tamaño de muestra.
Esperamos recopilar datos que representen a todos los seres humanos y queremos que nuestras conclusiones tengan importancia tanto práctica como estadística. Para diseñar con éxito nuestro conjunto de muestras, se debe tener en cuenta y evitar un error de muestreo, un error de tipo I (falso positivo) o un error de tipo II (falso negativo).
Nuestro experimento está probando la siguiente hipótesis:
Hipótesis nula - No hay relación ni efecto entre el momento de la liberación de dopamina en el NAc y el estímulo visual de valencia emocional.
Hipótesis - Existe una relación entre el momento de la liberación de dopamina en el NAc y el estímulo visual de valencia emocional, y el pico de liberación de dopamina ocurre después de ver los estímulos visuales.
Existe una relación entre el momento de la liberación de dopamina en el NAc y el estímulo visual con valencia emocional. Cuando los datos no son estadísticamente significativos:
Nuestra hipótesis es rechazada.
No se encuentra un efecto verdadero o diferencia.
Es igual de probable que nuestros efectos observados sean consecuencia del azar.
¿Entendiendo la población?
Limitaciones prácticas en el diseño experimental.
En la investigación en neurociencia, un criterio de inclusión formal normalmente intenta aleatorizar y/o igualar la probabilidad de inclusión en toda la población para evitar errores de muestreo. Debemos evitar seleccionar personas sólo porque son las más cercanas o las más accesibles para recopilar datos, ya que esa es la receta para un error de muestreo.
El mejor enfoque para generar un conjunto de muestras es utilizar criterios de inclusión que igualen aleatoriamente la probabilidad de selección en toda la población. Por ejemplo, utilizando datos del censo, podríamos obtener información de contacto de 50 personas seleccionadas al azar en cada condado de Ohio. Esto minimizaría el sesgo de selección porque los nombres se elegirían al azar por igual en todas las áreas geográficas.
Establecer el diseño experimental, aumentar el tamaño de la muestra y aplicar plenamente un criterio de inclusión imparcial, aleatorio e igualitario puede chocar rápidamente con las limitaciones prácticas. Este es un problema para la investigación científica a todos los niveles, desde actividades académicas hasta universidades de investigación consolidadas. Por lo general, las restricciones presupuestarias y de plazos son las primeras en obligar a un compromiso. Colectivamente, estas cuestiones relacionadas con la significancia estadística son áreas activas de investigación.
¿Cuál es el tamaño del efecto verdadero?
Debido al bajo poder estadístico de la investigación en neurociencia, tendemos a sobreestimar el tamaño del efecto real, lo que lleva a la baja reproducibilidad de muchos estudios. Además, la complejidad inherente de la investigación en neurociencia hace que el poder estadístico sea crítico.
Un método que el campo puede adoptar es aumentar el poder de un estudio aumentando el tamaño de la muestra. Esto aumenta la probabilidad de detectar un efecto real. Elegir un tamaño de muestra adecuado es vital para diseñar una investigación que:
Realice descubrimientos prácticos.
Haga avanzar nuestra comprensión de los innumerables procesos en el cerebro.
Desarrolle terapias eficaces.
Superando desafíos en la investigación contemporánea en neurociencia: la plataforma EmotivLAB
Los diseños experimentales de investigación en neurociencia deberían esforzarse por establecer grupos de muestra de mayor tamaño y mejores criterios de inclusión para lograr una significación estadística fiable. Con el acceso a una plataforma crowdsourced como EmotivLAB, los investigadores disponen de acceso a sujetos potencialmente mucho más diversos y representativos, lo que mejora el tamaño de la muestra y la inclusión de todos los grupos demográficos con un esfuerzo logístico adicional mínimo para los grupos de investigación.
La investigación en neurociencia moderna puede ser vulnerable a errores de muestreo debido a los recursos limitados disponibles para reclutar un grupo diverso para el conjunto muestra experimental. El concepto de "grupo WEIRD" resume este problema. La mayor parte de la investigación universitaria se realiza con presupuestos muy reducidos y con sujetos experimentales que, por lo general, son occidentales, educados y proceden de países industrializados, ricos y democráticos. Sin embargo, los equipos de recopilación remota de datos, como la plataforma de EEG de EmotivLAB, permiten a los investigadores llegar más allá del campus universitario para reclutar grupos de muestra que reflejen mejor a la población.
La plataforma de EmotivLAB y los equipos EEG portátiles no sólo ayudan a los investigadores a ampliar la diversidad de las personas incluidas en los grupos muestra experimentales. También mitiga los problemas relativos al tamaño general de la muestra y el alcance geográfico de las poblaciones objetivo.
La plataforma EmotivLAB libera a los investigadores de las limitaciones actuales y les permite centrar su energía en diseñar experimentos y analizar los resultados. Nuestra plataforma empareja el experimento con las personas más adecuadas del grupo de sujetos. No es necesario dedicar tiempo a reclutar participantes, coordinarlos, programarlos y realizar la recogida de datos en el laboratorio. Lo único que se requiere es que el grupo demográfico deseado se especifique en la plataforma online, y EmotivLAB pondrá el experimento a disposición de los colaboradores que mejor se ajusten a los parámetros deseados. Los participantes pueden realizar los experimentos en sus propios hogares, utilizando sus propios equipos. Su familiaridad con el auricular elimina la necesidad de que los investigadores les den instrucciones sobre su uso.
Más allá de eso, la plataforma EmotivLAB proporciona control y evaluación automáticos de la calidad de los datos de registro de EEG. Grandes cantidades de datos de baja calidad no ayudan a superar los errores de muestreo o estadísticos en los diseños experimentales. Sin embargo, tener acceso a más datos de alta calidad proporciona una solución para ayudar a evitar errores en:
Muestreo
Población
Significancia estadística
¿Quiere saber más sobre lo que la plataforma EmotivLAB podría hacer por su investigación?
EmotivLAB le permite crear su experimento, implementarlo de manera segura y confiable, reclutar de un panel global de participantes verificados y recopilar datos EEG de alta calidad, todo desde una sola plataforma. Haga clic aquí para obtener más información o solicitar una demostración.
Significancia estadística: tamaño(s) de la muestra y poder estadístico - Para comprender el mundo que nos rodea, los investigadores utilizan formalmente el método científico como una forma de separar las verdades sospechadas de las falsedades. La neurociencia cognitiva tiene como objetivo comprender cómo los sistemas genéticos, neurológicos y conductuales apoyan la capacidad de un organismo para sentir, interactuar, navegar y pensar sobre el mundo que lo rodea.
Esto significa que la neurociencia cognitiva diseña experimentos y recopila datos en todos los niveles de análisis. Los programas de investigación en todo el mundo que buscan profundizar nuestra comprensión del mundo natural evalúan periódicamente supuestos, o hipótesis, en una serie bien planificada de experimentos más pequeños. Estos experimentos tienden a examinar factores específicos que pueden o no influir en un resultado, al tiempo que minimizan la influencia de factores extraños como el entorno, la orientación sexual, la raza o el estado socioeconómico.
Escenario uno: un estudio de liberación de dopamina
In neurociencia cognitiva, la dopamina generalmente se considera un compuesto que "hace sentir bien". Su liberación en el núcleo accumbens (NuAc) se desencadena por comportamientos o cosas que nos motivan a actuar. Estos pueden incluir:
Comer una buena comida
Tiempo con los seres queridos
Sexo
Azúcar
Digamos que nos gustaría averiguar si los niveles máximos de dopamina en el NuAc ocurren antes, durante o después de la exposición a un estímulo visual deseado o familiar. Podemos utilizar el diseño experimental de EEG adaptado del estudio de Amatya Johanna Mackintosh. Podemos plantear la hipótesis de que la liberación de dopamina ocurre durante y alcanza su punto máximo ligeramente después de la exposición al estímulo visual familiar o deseado.
Ahora, lo más crítico es: ¿de dónde obtenemos los sujetos de prueba?
En situaciones experimentales, "población" se refiere al grupo colectivo total más grande que se está estudiando. Es poco práctico y poco probable que su laboratorio pueda diseñar una técnica para reclutar y recopilar datos sobre la liberación de dopamina en cientos de miles o millones de personas.
Por lo tanto, intentaremos recopilar datos de un grupo o muestra más pequeña y representativa para comprender la población. Para hacer eso, necesitaremos responder dos preguntas principales.
¿Cuántas personas deben incluirse en nuestra muestra?
¿Cómo se relaciona esto con la significancia práctica y el poder estadístico?
Analicémoslo a continuación.
Poder estadístico y efecto verdadero
El poder estadístico se define como la probabilidad de que una prueba detecte una diferencia estadísticamente significativa cuando realmente existe tal diferencia. También se le conoce como efecto verdadero.
El efecto verdadero es la piedra angular del diseño experimental. El informe de Cohen de 1988, prolífico por sus contribuciones al método científico, razonó que un estudio debería diseñarse para tener una probabilidad del 80% de detectar un efecto verdadero. Este 80% representa un diseño de prueba de alto poder (HP), mientras que cualquier valor cercano al 20% es un diseño de prueba de bajo poder (LP).
Cohen sugirió que los estudios siempre deberían tener menos del 20% de probabilidad de cometer un error de tipo II, conocido como falso negativo. También utiliza estos mismos rangos de directrices para descubrimientos perdidos, que ocurren cuando un investigador informa incorrectamente que no hay ningún efecto significativo cuando en realidad existe una diferencia.
¿Por qué es importante el poder estadístico?
Piense en este escenario. Si existe un efecto verdadero en 100 estudios diferentes con un poder del 80%, las pruebas estadísticas detectarán un efecto verdadero en 80 de los 100. Sin embargo, cuando un estudio tiene un poder de investigación del 20%, si hay 100 efectos genuinos no nulos en los resultados, se espera que estos estudios descubran sólo 20 de ellos.
Deficiencias del poder estadístico en la investigación en neurociencia
Como era de esperar, debido a la naturaleza intensiva en recursos de la investigación de neurociencia, este campo tiene un poder estadístico medio de alrededor del 21% y un promedio de un amplio rango de 8% a 31%. El bajo poder estadístico en la investigación en neurociencia:
Siembra dudas sobre la replicabilidad de los hallazgos.
Conduce a un tamaño del efecto exagerado.
Reduce la probabilidad de obtener resultados estadísticamente significativos que representen con precisión el efecto real.
Como tal, el estado actual de la investigación en neurociencia está atrapado por el problema del poder estadístico porque estos valores están muy por debajo del umbral teórico de Cohen.
Establecimiento de un grupo de muestra representativa(s)
Objetivo del escenario uno: evitar errores de muestreo y errores de tipo I y II en nuestra prueba con un muestreo inclusivo y grande.
¿Cuántos escaneos de cerebro humano deben incluirse en nuestro conjunto de muestras si queremos que el experimento sea prácticamente significativo? La significancia práctica se refiere a si los resultados de un experimento se aplican o no al mundo real.
La capacidad del experimento de un neurocientífico para determinar los efectos (poder estadístico) está relacionada con el tamaño de la muestra. Siguiendo con los parámetros del escenario 1, el objetivo sigue siendo recopilar suficientes datos para poder evaluar estadísticamente si existe un efecto real en el tiempo de liberación de dopamina después de mostrar estímulos visuales cargados emocionalmente. También necesitamos establecer criterios de inclusión en la muestra que minimicen la posibilidad de un error de muestreo.
Cómo evitar errores de muestreo
Es importante comprender dos términos antes de seguir adelante.
Error de muestreo: al realizar un muestreo, siempre existe la posibilidad de que los datos recopilados de las personas seleccionadas no representen a la población.
Significancia estadística: la significancia estadística significa que nuestros datos y nuestros efectos observados son probablemente efectos reales. En la mayoría de las ciencias biomédicas, la significancia estadística se establece con un nivel de significancia o valor p de .05. Básicamente, esto significa que los científicos tienen un 95% de confianza en el efecto observado en sus experimentos.
Considere si los datos muestran una relación (es decir, liberación de dopamina). Existe un 5% de probabilidad de que el efecto sea casual y no esté relacionado con la variable (estímulo visual). Esto sería un error de tipo I. Alternativamente, existe un 5% de probabilidad de que nuestros datos recopilados no muestren ninguna relación entre la liberación de dopamina y los estímulos visuales cuando, de hecho, existe un efecto verdadero: un falso negativo o error de tipo II.
Establecer cuidadosamente los criterios de inclusión tiene un mayor impacto porque hay un punto de rendimientos decrecientes a partir de cierto tamaño de muestra.
Esperamos recopilar datos que representen a todos los seres humanos y queremos que nuestras conclusiones tengan importancia tanto práctica como estadística. Para diseñar con éxito nuestro conjunto de muestras, se debe tener en cuenta y evitar un error de muestreo, un error de tipo I (falso positivo) o un error de tipo II (falso negativo).
Nuestro experimento está probando la siguiente hipótesis:
Hipótesis nula - No hay relación ni efecto entre el momento de la liberación de dopamina en el NAc y el estímulo visual de valencia emocional.
Hipótesis - Existe una relación entre el momento de la liberación de dopamina en el NAc y el estímulo visual de valencia emocional, y el pico de liberación de dopamina ocurre después de ver los estímulos visuales.
Existe una relación entre el momento de la liberación de dopamina en el NAc y el estímulo visual con valencia emocional. Cuando los datos no son estadísticamente significativos:
Nuestra hipótesis es rechazada.
No se encuentra un efecto verdadero o diferencia.
Es igual de probable que nuestros efectos observados sean consecuencia del azar.
¿Entendiendo la población?
Limitaciones prácticas en el diseño experimental.
En la investigación en neurociencia, un criterio de inclusión formal normalmente intenta aleatorizar y/o igualar la probabilidad de inclusión en toda la población para evitar errores de muestreo. Debemos evitar seleccionar personas sólo porque son las más cercanas o las más accesibles para recopilar datos, ya que esa es la receta para un error de muestreo.
El mejor enfoque para generar un conjunto de muestras es utilizar criterios de inclusión que igualen aleatoriamente la probabilidad de selección en toda la población. Por ejemplo, utilizando datos del censo, podríamos obtener información de contacto de 50 personas seleccionadas al azar en cada condado de Ohio. Esto minimizaría el sesgo de selección porque los nombres se elegirían al azar por igual en todas las áreas geográficas.
Establecer el diseño experimental, aumentar el tamaño de la muestra y aplicar plenamente un criterio de inclusión imparcial, aleatorio e igualitario puede chocar rápidamente con las limitaciones prácticas. Este es un problema para la investigación científica a todos los niveles, desde actividades académicas hasta universidades de investigación consolidadas. Por lo general, las restricciones presupuestarias y de plazos son las primeras en obligar a un compromiso. Colectivamente, estas cuestiones relacionadas con la significancia estadística son áreas activas de investigación.
¿Cuál es el tamaño del efecto verdadero?
Debido al bajo poder estadístico de la investigación en neurociencia, tendemos a sobreestimar el tamaño del efecto real, lo que lleva a la baja reproducibilidad de muchos estudios. Además, la complejidad inherente de la investigación en neurociencia hace que el poder estadístico sea crítico.
Un método que el campo puede adoptar es aumentar el poder de un estudio aumentando el tamaño de la muestra. Esto aumenta la probabilidad de detectar un efecto real. Elegir un tamaño de muestra adecuado es vital para diseñar una investigación que:
Realice descubrimientos prácticos.
Haga avanzar nuestra comprensión de los innumerables procesos en el cerebro.
Desarrolle terapias eficaces.
Superando desafíos en la investigación contemporánea en neurociencia: la plataforma EmotivLAB
Los diseños experimentales de investigación en neurociencia deberían esforzarse por establecer grupos de muestra de mayor tamaño y mejores criterios de inclusión para lograr una significación estadística fiable. Con el acceso a una plataforma crowdsourced como EmotivLAB, los investigadores disponen de acceso a sujetos potencialmente mucho más diversos y representativos, lo que mejora el tamaño de la muestra y la inclusión de todos los grupos demográficos con un esfuerzo logístico adicional mínimo para los grupos de investigación.
La investigación en neurociencia moderna puede ser vulnerable a errores de muestreo debido a los recursos limitados disponibles para reclutar un grupo diverso para el conjunto muestra experimental. El concepto de "grupo WEIRD" resume este problema. La mayor parte de la investigación universitaria se realiza con presupuestos muy reducidos y con sujetos experimentales que, por lo general, son occidentales, educados y proceden de países industrializados, ricos y democráticos. Sin embargo, los equipos de recopilación remota de datos, como la plataforma de EEG de EmotivLAB, permiten a los investigadores llegar más allá del campus universitario para reclutar grupos de muestra que reflejen mejor a la población.
La plataforma de EmotivLAB y los equipos EEG portátiles no sólo ayudan a los investigadores a ampliar la diversidad de las personas incluidas en los grupos muestra experimentales. También mitiga los problemas relativos al tamaño general de la muestra y el alcance geográfico de las poblaciones objetivo.
La plataforma EmotivLAB libera a los investigadores de las limitaciones actuales y les permite centrar su energía en diseñar experimentos y analizar los resultados. Nuestra plataforma empareja el experimento con las personas más adecuadas del grupo de sujetos. No es necesario dedicar tiempo a reclutar participantes, coordinarlos, programarlos y realizar la recogida de datos en el laboratorio. Lo único que se requiere es que el grupo demográfico deseado se especifique en la plataforma online, y EmotivLAB pondrá el experimento a disposición de los colaboradores que mejor se ajusten a los parámetros deseados. Los participantes pueden realizar los experimentos en sus propios hogares, utilizando sus propios equipos. Su familiaridad con el auricular elimina la necesidad de que los investigadores les den instrucciones sobre su uso.
Más allá de eso, la plataforma EmotivLAB proporciona control y evaluación automáticos de la calidad de los datos de registro de EEG. Grandes cantidades de datos de baja calidad no ayudan a superar los errores de muestreo o estadísticos en los diseños experimentales. Sin embargo, tener acceso a más datos de alta calidad proporciona una solución para ayudar a evitar errores en:
Muestreo
Población
Significancia estadística
¿Quiere saber más sobre lo que la plataforma EmotivLAB podría hacer por su investigación?
EmotivLAB le permite crear su experimento, implementarlo de manera segura y confiable, reclutar de un panel global de participantes verificados y recopilar datos EEG de alta calidad, todo desde una sola plataforma. Haga clic aquí para obtener más información o solicitar una demostración.
Significancia estadística: tamaño(s) de la muestra y poder estadístico - Para comprender el mundo que nos rodea, los investigadores utilizan formalmente el método científico como una forma de separar las verdades sospechadas de las falsedades. La neurociencia cognitiva tiene como objetivo comprender cómo los sistemas genéticos, neurológicos y conductuales apoyan la capacidad de un organismo para sentir, interactuar, navegar y pensar sobre el mundo que lo rodea.
Esto significa que la neurociencia cognitiva diseña experimentos y recopila datos en todos los niveles de análisis. Los programas de investigación en todo el mundo que buscan profundizar nuestra comprensión del mundo natural evalúan periódicamente supuestos, o hipótesis, en una serie bien planificada de experimentos más pequeños. Estos experimentos tienden a examinar factores específicos que pueden o no influir en un resultado, al tiempo que minimizan la influencia de factores extraños como el entorno, la orientación sexual, la raza o el estado socioeconómico.
Escenario uno: un estudio de liberación de dopamina
In neurociencia cognitiva, la dopamina generalmente se considera un compuesto que "hace sentir bien". Su liberación en el núcleo accumbens (NuAc) se desencadena por comportamientos o cosas que nos motivan a actuar. Estos pueden incluir:
Comer una buena comida
Tiempo con los seres queridos
Sexo
Azúcar
Digamos que nos gustaría averiguar si los niveles máximos de dopamina en el NuAc ocurren antes, durante o después de la exposición a un estímulo visual deseado o familiar. Podemos utilizar el diseño experimental de EEG adaptado del estudio de Amatya Johanna Mackintosh. Podemos plantear la hipótesis de que la liberación de dopamina ocurre durante y alcanza su punto máximo ligeramente después de la exposición al estímulo visual familiar o deseado.
Ahora, lo más crítico es: ¿de dónde obtenemos los sujetos de prueba?
En situaciones experimentales, "población" se refiere al grupo colectivo total más grande que se está estudiando. Es poco práctico y poco probable que su laboratorio pueda diseñar una técnica para reclutar y recopilar datos sobre la liberación de dopamina en cientos de miles o millones de personas.
Por lo tanto, intentaremos recopilar datos de un grupo o muestra más pequeña y representativa para comprender la población. Para hacer eso, necesitaremos responder dos preguntas principales.
¿Cuántas personas deben incluirse en nuestra muestra?
¿Cómo se relaciona esto con la significancia práctica y el poder estadístico?
Analicémoslo a continuación.
Poder estadístico y efecto verdadero
El poder estadístico se define como la probabilidad de que una prueba detecte una diferencia estadísticamente significativa cuando realmente existe tal diferencia. También se le conoce como efecto verdadero.
El efecto verdadero es la piedra angular del diseño experimental. El informe de Cohen de 1988, prolífico por sus contribuciones al método científico, razonó que un estudio debería diseñarse para tener una probabilidad del 80% de detectar un efecto verdadero. Este 80% representa un diseño de prueba de alto poder (HP), mientras que cualquier valor cercano al 20% es un diseño de prueba de bajo poder (LP).
Cohen sugirió que los estudios siempre deberían tener menos del 20% de probabilidad de cometer un error de tipo II, conocido como falso negativo. También utiliza estos mismos rangos de directrices para descubrimientos perdidos, que ocurren cuando un investigador informa incorrectamente que no hay ningún efecto significativo cuando en realidad existe una diferencia.
¿Por qué es importante el poder estadístico?
Piense en este escenario. Si existe un efecto verdadero en 100 estudios diferentes con un poder del 80%, las pruebas estadísticas detectarán un efecto verdadero en 80 de los 100. Sin embargo, cuando un estudio tiene un poder de investigación del 20%, si hay 100 efectos genuinos no nulos en los resultados, se espera que estos estudios descubran sólo 20 de ellos.
Deficiencias del poder estadístico en la investigación en neurociencia
Como era de esperar, debido a la naturaleza intensiva en recursos de la investigación de neurociencia, este campo tiene un poder estadístico medio de alrededor del 21% y un promedio de un amplio rango de 8% a 31%. El bajo poder estadístico en la investigación en neurociencia:
Siembra dudas sobre la replicabilidad de los hallazgos.
Conduce a un tamaño del efecto exagerado.
Reduce la probabilidad de obtener resultados estadísticamente significativos que representen con precisión el efecto real.
Como tal, el estado actual de la investigación en neurociencia está atrapado por el problema del poder estadístico porque estos valores están muy por debajo del umbral teórico de Cohen.
Establecimiento de un grupo de muestra representativa(s)
Objetivo del escenario uno: evitar errores de muestreo y errores de tipo I y II en nuestra prueba con un muestreo inclusivo y grande.
¿Cuántos escaneos de cerebro humano deben incluirse en nuestro conjunto de muestras si queremos que el experimento sea prácticamente significativo? La significancia práctica se refiere a si los resultados de un experimento se aplican o no al mundo real.
La capacidad del experimento de un neurocientífico para determinar los efectos (poder estadístico) está relacionada con el tamaño de la muestra. Siguiendo con los parámetros del escenario 1, el objetivo sigue siendo recopilar suficientes datos para poder evaluar estadísticamente si existe un efecto real en el tiempo de liberación de dopamina después de mostrar estímulos visuales cargados emocionalmente. También necesitamos establecer criterios de inclusión en la muestra que minimicen la posibilidad de un error de muestreo.
Cómo evitar errores de muestreo
Es importante comprender dos términos antes de seguir adelante.
Error de muestreo: al realizar un muestreo, siempre existe la posibilidad de que los datos recopilados de las personas seleccionadas no representen a la población.
Significancia estadística: la significancia estadística significa que nuestros datos y nuestros efectos observados son probablemente efectos reales. En la mayoría de las ciencias biomédicas, la significancia estadística se establece con un nivel de significancia o valor p de .05. Básicamente, esto significa que los científicos tienen un 95% de confianza en el efecto observado en sus experimentos.
Considere si los datos muestran una relación (es decir, liberación de dopamina). Existe un 5% de probabilidad de que el efecto sea casual y no esté relacionado con la variable (estímulo visual). Esto sería un error de tipo I. Alternativamente, existe un 5% de probabilidad de que nuestros datos recopilados no muestren ninguna relación entre la liberación de dopamina y los estímulos visuales cuando, de hecho, existe un efecto verdadero: un falso negativo o error de tipo II.
Establecer cuidadosamente los criterios de inclusión tiene un mayor impacto porque hay un punto de rendimientos decrecientes a partir de cierto tamaño de muestra.
Esperamos recopilar datos que representen a todos los seres humanos y queremos que nuestras conclusiones tengan importancia tanto práctica como estadística. Para diseñar con éxito nuestro conjunto de muestras, se debe tener en cuenta y evitar un error de muestreo, un error de tipo I (falso positivo) o un error de tipo II (falso negativo).
Nuestro experimento está probando la siguiente hipótesis:
Hipótesis nula - No hay relación ni efecto entre el momento de la liberación de dopamina en el NAc y el estímulo visual de valencia emocional.
Hipótesis - Existe una relación entre el momento de la liberación de dopamina en el NAc y el estímulo visual de valencia emocional, y el pico de liberación de dopamina ocurre después de ver los estímulos visuales.
Existe una relación entre el momento de la liberación de dopamina en el NAc y el estímulo visual con valencia emocional. Cuando los datos no son estadísticamente significativos:
Nuestra hipótesis es rechazada.
No se encuentra un efecto verdadero o diferencia.
Es igual de probable que nuestros efectos observados sean consecuencia del azar.
¿Entendiendo la población?
Limitaciones prácticas en el diseño experimental.
En la investigación en neurociencia, un criterio de inclusión formal normalmente intenta aleatorizar y/o igualar la probabilidad de inclusión en toda la población para evitar errores de muestreo. Debemos evitar seleccionar personas sólo porque son las más cercanas o las más accesibles para recopilar datos, ya que esa es la receta para un error de muestreo.
El mejor enfoque para generar un conjunto de muestras es utilizar criterios de inclusión que igualen aleatoriamente la probabilidad de selección en toda la población. Por ejemplo, utilizando datos del censo, podríamos obtener información de contacto de 50 personas seleccionadas al azar en cada condado de Ohio. Esto minimizaría el sesgo de selección porque los nombres se elegirían al azar por igual en todas las áreas geográficas.
Establecer el diseño experimental, aumentar el tamaño de la muestra y aplicar plenamente un criterio de inclusión imparcial, aleatorio e igualitario puede chocar rápidamente con las limitaciones prácticas. Este es un problema para la investigación científica a todos los niveles, desde actividades académicas hasta universidades de investigación consolidadas. Por lo general, las restricciones presupuestarias y de plazos son las primeras en obligar a un compromiso. Colectivamente, estas cuestiones relacionadas con la significancia estadística son áreas activas de investigación.
¿Cuál es el tamaño del efecto verdadero?
Debido al bajo poder estadístico de la investigación en neurociencia, tendemos a sobreestimar el tamaño del efecto real, lo que lleva a la baja reproducibilidad de muchos estudios. Además, la complejidad inherente de la investigación en neurociencia hace que el poder estadístico sea crítico.
Un método que el campo puede adoptar es aumentar el poder de un estudio aumentando el tamaño de la muestra. Esto aumenta la probabilidad de detectar un efecto real. Elegir un tamaño de muestra adecuado es vital para diseñar una investigación que:
Realice descubrimientos prácticos.
Haga avanzar nuestra comprensión de los innumerables procesos en el cerebro.
Desarrolle terapias eficaces.
Superando desafíos en la investigación contemporánea en neurociencia: la plataforma EmotivLAB
Los diseños experimentales de investigación en neurociencia deberían esforzarse por establecer grupos de muestra de mayor tamaño y mejores criterios de inclusión para lograr una significación estadística fiable. Con el acceso a una plataforma crowdsourced como EmotivLAB, los investigadores disponen de acceso a sujetos potencialmente mucho más diversos y representativos, lo que mejora el tamaño de la muestra y la inclusión de todos los grupos demográficos con un esfuerzo logístico adicional mínimo para los grupos de investigación.
La investigación en neurociencia moderna puede ser vulnerable a errores de muestreo debido a los recursos limitados disponibles para reclutar un grupo diverso para el conjunto muestra experimental. El concepto de "grupo WEIRD" resume este problema. La mayor parte de la investigación universitaria se realiza con presupuestos muy reducidos y con sujetos experimentales que, por lo general, son occidentales, educados y proceden de países industrializados, ricos y democráticos. Sin embargo, los equipos de recopilación remota de datos, como la plataforma de EEG de EmotivLAB, permiten a los investigadores llegar más allá del campus universitario para reclutar grupos de muestra que reflejen mejor a la población.
La plataforma de EmotivLAB y los equipos EEG portátiles no sólo ayudan a los investigadores a ampliar la diversidad de las personas incluidas en los grupos muestra experimentales. También mitiga los problemas relativos al tamaño general de la muestra y el alcance geográfico de las poblaciones objetivo.
La plataforma EmotivLAB libera a los investigadores de las limitaciones actuales y les permite centrar su energía en diseñar experimentos y analizar los resultados. Nuestra plataforma empareja el experimento con las personas más adecuadas del grupo de sujetos. No es necesario dedicar tiempo a reclutar participantes, coordinarlos, programarlos y realizar la recogida de datos en el laboratorio. Lo único que se requiere es que el grupo demográfico deseado se especifique en la plataforma online, y EmotivLAB pondrá el experimento a disposición de los colaboradores que mejor se ajusten a los parámetros deseados. Los participantes pueden realizar los experimentos en sus propios hogares, utilizando sus propios equipos. Su familiaridad con el auricular elimina la necesidad de que los investigadores les den instrucciones sobre su uso.
Más allá de eso, la plataforma EmotivLAB proporciona control y evaluación automáticos de la calidad de los datos de registro de EEG. Grandes cantidades de datos de baja calidad no ayudan a superar los errores de muestreo o estadísticos en los diseños experimentales. Sin embargo, tener acceso a más datos de alta calidad proporciona una solución para ayudar a evitar errores en:
Muestreo
Población
Significancia estadística
¿Quiere saber más sobre lo que la plataforma EmotivLAB podría hacer por su investigación?
EmotivLAB le permite crear su experimento, implementarlo de manera segura y confiable, reclutar de un panel global de participantes verificados y recopilar datos EEG de alta calidad, todo desde una sola plataforma. Haga clic aquí para obtener más información o solicitar una demostración.
Continúa leyendo