Significancia Estadística: Tamaño(s) de Muestra y Potencia Estadística
Quoc Minh Lai
Compartir:
Significado Estadístico: Tamaño de Muestra(s) y Poder Estadístico - Para entender el mundo que nos rodea, los investigadores utilizan formalmente el método científico como una manera de separar verdades sospechosas de falsedades. La Neurociencia Cognitiva busca entender 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 recoge datos en todos los niveles de análisis. Los programas de investigación en todo el mundo que buscan avanzar nuestra comprensión del mundo natural están probando regularmente supuestos, o hipótesis, en una serie bien planificada de experimentos más pequeños. Estos experimentos tienden a explorar factores específicos que pueden o no influir en un resultado mientras minimizan la influencia de factores externos, como el entorno, la orientación sexual, la raza o el estatus socioeconómico.
Escenario Uno: Un Estudio de Liberación de Dopamina
En Neurociencia Cognitiva, la dopamina se considera generalmente un compuesto que provoca “bienestar”. Su liberación en el Núcleo Accumbens (NuAc) es desencadenada por comportamientos o cosas que nos motivan a actuar. Estos pueden incluir:
Comer una buena comida
Tiempo con seres queridos
Sexo
Azúcar
Supongamos que queremos 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 usar el diseño experimental de EEG adoptado del estudio de Amatya Johanna Mackintosh. Podemos hipotetizar que la liberación de dopamina ocurre durante y alcanza su punto máximo poco después de la exposición a los estímulos visuales familiares o deseados.
Ahora, lo más crítico, ¿de dónde obtenemos sujetos de prueba?
En situaciones experimentales, "población" se refiere al grupo colectivo más grande que está siendo estudiado. No es práctico ni probable que su laboratorio pueda idear una técnica para reclutar y recopilar datos de liberación de dopamina de cientos de miles o millones de personas.
Por lo tanto, intentaremos recopilar datos de un grupo o muestra más pequeña y representativa para entender la población. Para hacerlo, necesitaremos responder dos preguntas principales.
¿Cuántas personas deben incluirse en nuestra muestra?
¿Cómo se relaciona esto con la significancia práctica y el poder estadístico?
Desglosémoslo a continuación.
Poder Estadístico y Verdadero Efecto
El poder estadístico se define como la probabilidad de que una prueba detecte una diferencia estadísticamente significativa cuando tal diferencia realmente existe. También se conoce como un 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 debe ser diseñado para tener un 80% de probabilidad 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 deben tener menos del 20% de probabilidad de cometer un error tipo II, conocido como falso negativo. También utiliza estos mismos rangos de pautas para descubrimientos perdidos, que ocurren cuando un investigador informa erróneamente que no hay efecto significativo cuando realmente existe una diferencia.
¿Por qué importa el Poder Estadístico?
Piense en este escenario. Si existe un efecto verdadero en 100 estudios diferentes con 80% de poder, 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 verdaderos efectos no nulos en los resultados, se espera que estos estudios descubran solo 20 de ellos.
Limitaciones del Poder Estadístico en la Investigación en Neurociencia
No es sorprendente que, debido a la naturaleza intensiva en recursos de la investigación en neurociencia, este campo tenga un poder estadístico mediano de alrededor del 21% y un promedio amplio de entre 8%-31%. El bajo poder estadístico en la investigación en neurociencia:
Siembra dudas sobre la replicabilidad de los hallazgos.
Conduce a un tamaño de efecto exagerado.
Reduce la probabilidad de resultados estadísticamente significativos que representen con precisión el efecto verdadero.
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.
Estableciendo un Grupo de Muestra Representativa(s)
Objetivo del Escenario Uno: Evitar errores de muestreo y errores tipo I y II en nuestra prueba con muestreo inclusivo y amplio.
¿Cuántas exploraciones del 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 al mundo real.
La capacidad de un experimento de neurocientífico para determinar efectos (poder estadístico) está relacionada con el tamaño de la muestra. Continuando con los parámetros del escenario 1, el objetivo sigue siendo recopilar suficientes datos para que podamos evaluar estadísticamente si hay un efecto verdadero en el momento de la liberación de dopamina después de mostrar estímulos visuales emocionalmente cargados. También necesitamos establecer criterios de inclusión en la muestra que minimicen el potencial de un error de muestreo.
Cómo Evitar Errores de Muestreo
Dos términos son importantes de entender antes de avanzar.
Error de muestreo: Al muestrear, siempre hay una probabilidad de que los datos recopilados de los individuos seleccionados no representen a la población.
Significancia Estadística: La significancia estadística significa que nuestros datos y nuestros efectos observados son probablemente efectos verdaderos. En la mayoría de las ciencias biomédicas, la significancia estadística se establece con un nivel de significancia o valor p de 0.05. Esencialmente, esto significa que los científicos están 95% seguros del efecto observado en sus experimentos.
Considere si los datos muestran una relación (es decir, liberación de dopamina). Hay un 5% de posibilidad de que el efecto provenga del azar y no esté relacionado con la variable (estímulos visuales). Esto sería un Error Tipo I. Alternativamente, hay un 5% de probabilidad de que nuestros datos recopilados puedan no mostrar relación entre la liberación de dopamina y los estímulos visuales cuando, de hecho, hay un efecto verdadero: un falso negativo o Error Tipo II.
Establecer cuidadosamente los criterios de inclusión tiene un impacto mayor porque hay un punto de rendimientos decrecientes después de un cierto tamaño de muestra.
Esperamos recopilar datos que representen a todos los humanos, y queremos que nuestras conclusiones sean tanto prácticamente significativas como estadísticamente significativas. Para diseñar nuestro conjunto de muestras de manera exitosa, se deben tener en cuenta y evitar un error de muestreo, un error tipo I (falso positivo) o un error tipo II (falso negativo).
Nuestro experimento está probando la siguiente hipótesis:
Hipótesis nula - No hay relación o efecto entre el momento de la liberación de dopamina en el NAc y el estímulo visual emocionalmente valente.
Hipótesis - Existe una relación entre el momento de la liberación de dopamina en el NAc y el estímulo visual emocionalmente valente, y la liberación máxima de dopamina ocurre después de ver los estímulos visuales.
Hay una relación entre el momento de la liberación de dopamina en el NAc y los estímulos visuales valentes emocionalmente. Cuando los datos no son estadísticamente significativos:
Nuestra hipótesis es rechazada.
No se encuentra un efecto o diferencia verdadera.
Nuestros efectos observados son igual de probables de resultar del azar.
¿Entendiendo la Población?
Limitaciones prácticas en el diseño experimental.
En la investigación en neurociencia, un criterio de inclusión formal generalmente intenta aleatorizar y/o igualar la probabilidad de inclusión en toda la población para evitar errores de muestreo. Debemos evitar seleccionar individuos solo porque son los más cercanos o accesibles para recoger datos, ya que esta es la receta para un error de muestreo.
El mejor enfoque para la generación de conjuntos de muestras es utilizar criterios de inclusión que aleatoricen e igualen la probabilidad de selección en toda la población. Por ejemplo, utilizando datos censales, podríamos obtener información de contacto de 50 individuos seleccionados al azar en cada condado de Ohio. Esto minimizaría el sesgo de selección porque los nombres se elegirían aleatoriamente de manera equitativa en todas las áreas geográficas.
Establecer el diseño experimental, aumentar el tamaño de la muestra y realizar completamente un criterio de inclusión sin sesgos, aleatorizado y aplicado de manera equitativa, puede rápidamente encontrarse con limitaciones prácticas. Este es un problema para la investigación científica a todos los niveles, desde ejercicios académicos hasta universidades de investigación completas. Usualmente, limitaciones presupuestarias y de tiempo son las primeras en forzar compromisos . Colectivamente, estos problemas en torno a 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 verdadero, lo que conduce 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 al aumentar el tamaño de la muestra. Esto aumenta la probabilidad de detectar un efecto verdadero. Elegir un tamaño de muestra apropiado es vital para diseñar investigaciones que:
Realicen descubrimientos prácticos.
Avancen nuestra comprensión de los innumerables procesos en el cerebro.
Desarrollen terapias efectivas.
Superando Desafíos en la Investigación Contemporánea en Neurociencia: La Plataforma EmotivLAB
Los diseños experimentales de la investigación en neurociencia deben esforzarse por establecer tamaños de grupos de muestra más grandes y mejores criterios de inclusión para lograr una significancia estadística confiable. Con acceso a una plataforma habilitada por crowdsourcing como EmotivLAB, los investigadores tienen acceso a individuos potencialmente mucho más diversos y representativos: mejorando el tamaño de la muestra y la inclusividad de todos los demográficos con un esfuerzo logístico adicional mínimo para los grupos de investigación.
La investigación moderna en neurociencia puede ser vulnerable a errores de muestreo debido a los recursos limitados disponibles para reclutar un grupo diverso para el conjunto de muestras experimental. El concepto del "grupo WEIRD" encapsula el problema. La mayoría de las investigaciones universitarias se realizan con un presupuesto limitado en sujetos experimentales que generalmente son occidentales, educados y de países industrializados, ricos y democráticos. Sin embargo, el equipo de recolección de datos remotos, como la plataforma de EEG de EmotivLAB, permite a los investigadores llegar más allá del campus universitario para reclutar grupos de muestra que reflejen mejor la población.
La plataforma de EmotivLAB y el equipo remoto de EEG no solo están ayudando a los investigadores a expandir la diversidad de individuos incluidos en grupos de muestras experimentales. También median los problemas con respecto al tamaño general de la muestra y el alcance geográfico hacia las poblaciones objetivo.
La plataforma EmotivLAB libera a los investigadores de las limitaciones actuales y les permite enfocar su energía en diseñar experimentos y analizar los resultados. Nuestra plataforma empareja el experimento con los individuos más adecuados en la población objeto. No es necesario gastar tiempo reclutando participantes, coordinándolos y programándolos, y realizando la recogida de datos en el laboratorio. Todo lo que se requiere es que se especifique la demografía deseada en la plataforma en línea, y EmotivLAB pondrá el experimento a disposición de los contribuyentes que mejor se ajusten a los parámetros deseados. Los participantes pueden llevar a cabo los experimentos en sus propios hogares, utilizando su propio equipo. Su familiaridad con el headset elimina la necesidad de que los investigadores proporcionen instrucciones sobre su uso.
Más allá de eso, la plataforma EmotivLAB proporciona control de calidad y evaluación de datos de grabación de EEG automatizados. Grandes cantidades de datos de baja calidad no ayudan a superar 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
¿Quieres aprender más sobre lo que la plataforma EmotivLAB podría hacer por tu investigación?
EmotivLABS te permite construir tu experimento, desplegar tu experimento de manera segura y confiable, reclutar de un panel global de participantes verificados y recopilar datos de EEG de alta calidad, todo desde una sola plataforma. Haz clic aquí para aprender más o solicitar una demostración.
Significado Estadístico: Tamaño de Muestra(s) y Poder Estadístico - Para entender el mundo que nos rodea, los investigadores utilizan formalmente el método científico como una manera de separar verdades sospechosas de falsedades. La Neurociencia Cognitiva busca entender 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 recoge datos en todos los niveles de análisis. Los programas de investigación en todo el mundo que buscan avanzar nuestra comprensión del mundo natural están probando regularmente supuestos, o hipótesis, en una serie bien planificada de experimentos más pequeños. Estos experimentos tienden a explorar factores específicos que pueden o no influir en un resultado mientras minimizan la influencia de factores externos, como el entorno, la orientación sexual, la raza o el estatus socioeconómico.
Escenario Uno: Un Estudio de Liberación de Dopamina
En Neurociencia Cognitiva, la dopamina se considera generalmente un compuesto que provoca “bienestar”. Su liberación en el Núcleo Accumbens (NuAc) es desencadenada por comportamientos o cosas que nos motivan a actuar. Estos pueden incluir:
Comer una buena comida
Tiempo con seres queridos
Sexo
Azúcar
Supongamos que queremos 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 usar el diseño experimental de EEG adoptado del estudio de Amatya Johanna Mackintosh. Podemos hipotetizar que la liberación de dopamina ocurre durante y alcanza su punto máximo poco después de la exposición a los estímulos visuales familiares o deseados.
Ahora, lo más crítico, ¿de dónde obtenemos sujetos de prueba?
En situaciones experimentales, "población" se refiere al grupo colectivo más grande que está siendo estudiado. No es práctico ni probable que su laboratorio pueda idear una técnica para reclutar y recopilar datos de liberación de dopamina de cientos de miles o millones de personas.
Por lo tanto, intentaremos recopilar datos de un grupo o muestra más pequeña y representativa para entender la población. Para hacerlo, necesitaremos responder dos preguntas principales.
¿Cuántas personas deben incluirse en nuestra muestra?
¿Cómo se relaciona esto con la significancia práctica y el poder estadístico?
Desglosémoslo a continuación.
Poder Estadístico y Verdadero Efecto
El poder estadístico se define como la probabilidad de que una prueba detecte una diferencia estadísticamente significativa cuando tal diferencia realmente existe. También se conoce como un 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 debe ser diseñado para tener un 80% de probabilidad 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 deben tener menos del 20% de probabilidad de cometer un error tipo II, conocido como falso negativo. También utiliza estos mismos rangos de pautas para descubrimientos perdidos, que ocurren cuando un investigador informa erróneamente que no hay efecto significativo cuando realmente existe una diferencia.
¿Por qué importa el Poder Estadístico?
Piense en este escenario. Si existe un efecto verdadero en 100 estudios diferentes con 80% de poder, 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 verdaderos efectos no nulos en los resultados, se espera que estos estudios descubran solo 20 de ellos.
Limitaciones del Poder Estadístico en la Investigación en Neurociencia
No es sorprendente que, debido a la naturaleza intensiva en recursos de la investigación en neurociencia, este campo tenga un poder estadístico mediano de alrededor del 21% y un promedio amplio de entre 8%-31%. El bajo poder estadístico en la investigación en neurociencia:
Siembra dudas sobre la replicabilidad de los hallazgos.
Conduce a un tamaño de efecto exagerado.
Reduce la probabilidad de resultados estadísticamente significativos que representen con precisión el efecto verdadero.
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.
Estableciendo un Grupo de Muestra Representativa(s)
Objetivo del Escenario Uno: Evitar errores de muestreo y errores tipo I y II en nuestra prueba con muestreo inclusivo y amplio.
¿Cuántas exploraciones del 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 al mundo real.
La capacidad de un experimento de neurocientífico para determinar efectos (poder estadístico) está relacionada con el tamaño de la muestra. Continuando con los parámetros del escenario 1, el objetivo sigue siendo recopilar suficientes datos para que podamos evaluar estadísticamente si hay un efecto verdadero en el momento de la liberación de dopamina después de mostrar estímulos visuales emocionalmente cargados. También necesitamos establecer criterios de inclusión en la muestra que minimicen el potencial de un error de muestreo.
Cómo Evitar Errores de Muestreo
Dos términos son importantes de entender antes de avanzar.
Error de muestreo: Al muestrear, siempre hay una probabilidad de que los datos recopilados de los individuos seleccionados no representen a la población.
Significancia Estadística: La significancia estadística significa que nuestros datos y nuestros efectos observados son probablemente efectos verdaderos. En la mayoría de las ciencias biomédicas, la significancia estadística se establece con un nivel de significancia o valor p de 0.05. Esencialmente, esto significa que los científicos están 95% seguros del efecto observado en sus experimentos.
Considere si los datos muestran una relación (es decir, liberación de dopamina). Hay un 5% de posibilidad de que el efecto provenga del azar y no esté relacionado con la variable (estímulos visuales). Esto sería un Error Tipo I. Alternativamente, hay un 5% de probabilidad de que nuestros datos recopilados puedan no mostrar relación entre la liberación de dopamina y los estímulos visuales cuando, de hecho, hay un efecto verdadero: un falso negativo o Error Tipo II.
Establecer cuidadosamente los criterios de inclusión tiene un impacto mayor porque hay un punto de rendimientos decrecientes después de un cierto tamaño de muestra.
Esperamos recopilar datos que representen a todos los humanos, y queremos que nuestras conclusiones sean tanto prácticamente significativas como estadísticamente significativas. Para diseñar nuestro conjunto de muestras de manera exitosa, se deben tener en cuenta y evitar un error de muestreo, un error tipo I (falso positivo) o un error tipo II (falso negativo).
Nuestro experimento está probando la siguiente hipótesis:
Hipótesis nula - No hay relación o efecto entre el momento de la liberación de dopamina en el NAc y el estímulo visual emocionalmente valente.
Hipótesis - Existe una relación entre el momento de la liberación de dopamina en el NAc y el estímulo visual emocionalmente valente, y la liberación máxima de dopamina ocurre después de ver los estímulos visuales.
Hay una relación entre el momento de la liberación de dopamina en el NAc y los estímulos visuales valentes emocionalmente. Cuando los datos no son estadísticamente significativos:
Nuestra hipótesis es rechazada.
No se encuentra un efecto o diferencia verdadera.
Nuestros efectos observados son igual de probables de resultar del azar.
¿Entendiendo la Población?
Limitaciones prácticas en el diseño experimental.
En la investigación en neurociencia, un criterio de inclusión formal generalmente intenta aleatorizar y/o igualar la probabilidad de inclusión en toda la población para evitar errores de muestreo. Debemos evitar seleccionar individuos solo porque son los más cercanos o accesibles para recoger datos, ya que esta es la receta para un error de muestreo.
El mejor enfoque para la generación de conjuntos de muestras es utilizar criterios de inclusión que aleatoricen e igualen la probabilidad de selección en toda la población. Por ejemplo, utilizando datos censales, podríamos obtener información de contacto de 50 individuos seleccionados al azar en cada condado de Ohio. Esto minimizaría el sesgo de selección porque los nombres se elegirían aleatoriamente de manera equitativa en todas las áreas geográficas.
Establecer el diseño experimental, aumentar el tamaño de la muestra y realizar completamente un criterio de inclusión sin sesgos, aleatorizado y aplicado de manera equitativa, puede rápidamente encontrarse con limitaciones prácticas. Este es un problema para la investigación científica a todos los niveles, desde ejercicios académicos hasta universidades de investigación completas. Usualmente, limitaciones presupuestarias y de tiempo son las primeras en forzar compromisos . Colectivamente, estos problemas en torno a 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 verdadero, lo que conduce 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 al aumentar el tamaño de la muestra. Esto aumenta la probabilidad de detectar un efecto verdadero. Elegir un tamaño de muestra apropiado es vital para diseñar investigaciones que:
Realicen descubrimientos prácticos.
Avancen nuestra comprensión de los innumerables procesos en el cerebro.
Desarrollen terapias efectivas.
Superando Desafíos en la Investigación Contemporánea en Neurociencia: La Plataforma EmotivLAB
Los diseños experimentales de la investigación en neurociencia deben esforzarse por establecer tamaños de grupos de muestra más grandes y mejores criterios de inclusión para lograr una significancia estadística confiable. Con acceso a una plataforma habilitada por crowdsourcing como EmotivLAB, los investigadores tienen acceso a individuos potencialmente mucho más diversos y representativos: mejorando el tamaño de la muestra y la inclusividad de todos los demográficos con un esfuerzo logístico adicional mínimo para los grupos de investigación.
La investigación moderna en neurociencia puede ser vulnerable a errores de muestreo debido a los recursos limitados disponibles para reclutar un grupo diverso para el conjunto de muestras experimental. El concepto del "grupo WEIRD" encapsula el problema. La mayoría de las investigaciones universitarias se realizan con un presupuesto limitado en sujetos experimentales que generalmente son occidentales, educados y de países industrializados, ricos y democráticos. Sin embargo, el equipo de recolección de datos remotos, como la plataforma de EEG de EmotivLAB, permite a los investigadores llegar más allá del campus universitario para reclutar grupos de muestra que reflejen mejor la población.
La plataforma de EmotivLAB y el equipo remoto de EEG no solo están ayudando a los investigadores a expandir la diversidad de individuos incluidos en grupos de muestras experimentales. También median los problemas con respecto al tamaño general de la muestra y el alcance geográfico hacia las poblaciones objetivo.
La plataforma EmotivLAB libera a los investigadores de las limitaciones actuales y les permite enfocar su energía en diseñar experimentos y analizar los resultados. Nuestra plataforma empareja el experimento con los individuos más adecuados en la población objeto. No es necesario gastar tiempo reclutando participantes, coordinándolos y programándolos, y realizando la recogida de datos en el laboratorio. Todo lo que se requiere es que se especifique la demografía deseada en la plataforma en línea, y EmotivLAB pondrá el experimento a disposición de los contribuyentes que mejor se ajusten a los parámetros deseados. Los participantes pueden llevar a cabo los experimentos en sus propios hogares, utilizando su propio equipo. Su familiaridad con el headset elimina la necesidad de que los investigadores proporcionen instrucciones sobre su uso.
Más allá de eso, la plataforma EmotivLAB proporciona control de calidad y evaluación de datos de grabación de EEG automatizados. Grandes cantidades de datos de baja calidad no ayudan a superar 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
¿Quieres aprender más sobre lo que la plataforma EmotivLAB podría hacer por tu investigación?
EmotivLABS te permite construir tu experimento, desplegar tu experimento de manera segura y confiable, reclutar de un panel global de participantes verificados y recopilar datos de EEG de alta calidad, todo desde una sola plataforma. Haz clic aquí para aprender más o solicitar una demostración.
Significado Estadístico: Tamaño de Muestra(s) y Poder Estadístico - Para entender el mundo que nos rodea, los investigadores utilizan formalmente el método científico como una manera de separar verdades sospechosas de falsedades. La Neurociencia Cognitiva busca entender 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 recoge datos en todos los niveles de análisis. Los programas de investigación en todo el mundo que buscan avanzar nuestra comprensión del mundo natural están probando regularmente supuestos, o hipótesis, en una serie bien planificada de experimentos más pequeños. Estos experimentos tienden a explorar factores específicos que pueden o no influir en un resultado mientras minimizan la influencia de factores externos, como el entorno, la orientación sexual, la raza o el estatus socioeconómico.
Escenario Uno: Un Estudio de Liberación de Dopamina
En Neurociencia Cognitiva, la dopamina se considera generalmente un compuesto que provoca “bienestar”. Su liberación en el Núcleo Accumbens (NuAc) es desencadenada por comportamientos o cosas que nos motivan a actuar. Estos pueden incluir:
Comer una buena comida
Tiempo con seres queridos
Sexo
Azúcar
Supongamos que queremos 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 usar el diseño experimental de EEG adoptado del estudio de Amatya Johanna Mackintosh. Podemos hipotetizar que la liberación de dopamina ocurre durante y alcanza su punto máximo poco después de la exposición a los estímulos visuales familiares o deseados.
Ahora, lo más crítico, ¿de dónde obtenemos sujetos de prueba?
En situaciones experimentales, "población" se refiere al grupo colectivo más grande que está siendo estudiado. No es práctico ni probable que su laboratorio pueda idear una técnica para reclutar y recopilar datos de liberación de dopamina de cientos de miles o millones de personas.
Por lo tanto, intentaremos recopilar datos de un grupo o muestra más pequeña y representativa para entender la población. Para hacerlo, necesitaremos responder dos preguntas principales.
¿Cuántas personas deben incluirse en nuestra muestra?
¿Cómo se relaciona esto con la significancia práctica y el poder estadístico?
Desglosémoslo a continuación.
Poder Estadístico y Verdadero Efecto
El poder estadístico se define como la probabilidad de que una prueba detecte una diferencia estadísticamente significativa cuando tal diferencia realmente existe. También se conoce como un 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 debe ser diseñado para tener un 80% de probabilidad 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 deben tener menos del 20% de probabilidad de cometer un error tipo II, conocido como falso negativo. También utiliza estos mismos rangos de pautas para descubrimientos perdidos, que ocurren cuando un investigador informa erróneamente que no hay efecto significativo cuando realmente existe una diferencia.
¿Por qué importa el Poder Estadístico?
Piense en este escenario. Si existe un efecto verdadero en 100 estudios diferentes con 80% de poder, 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 verdaderos efectos no nulos en los resultados, se espera que estos estudios descubran solo 20 de ellos.
Limitaciones del Poder Estadístico en la Investigación en Neurociencia
No es sorprendente que, debido a la naturaleza intensiva en recursos de la investigación en neurociencia, este campo tenga un poder estadístico mediano de alrededor del 21% y un promedio amplio de entre 8%-31%. El bajo poder estadístico en la investigación en neurociencia:
Siembra dudas sobre la replicabilidad de los hallazgos.
Conduce a un tamaño de efecto exagerado.
Reduce la probabilidad de resultados estadísticamente significativos que representen con precisión el efecto verdadero.
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.
Estableciendo un Grupo de Muestra Representativa(s)
Objetivo del Escenario Uno: Evitar errores de muestreo y errores tipo I y II en nuestra prueba con muestreo inclusivo y amplio.
¿Cuántas exploraciones del 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 al mundo real.
La capacidad de un experimento de neurocientífico para determinar efectos (poder estadístico) está relacionada con el tamaño de la muestra. Continuando con los parámetros del escenario 1, el objetivo sigue siendo recopilar suficientes datos para que podamos evaluar estadísticamente si hay un efecto verdadero en el momento de la liberación de dopamina después de mostrar estímulos visuales emocionalmente cargados. También necesitamos establecer criterios de inclusión en la muestra que minimicen el potencial de un error de muestreo.
Cómo Evitar Errores de Muestreo
Dos términos son importantes de entender antes de avanzar.
Error de muestreo: Al muestrear, siempre hay una probabilidad de que los datos recopilados de los individuos seleccionados no representen a la población.
Significancia Estadística: La significancia estadística significa que nuestros datos y nuestros efectos observados son probablemente efectos verdaderos. En la mayoría de las ciencias biomédicas, la significancia estadística se establece con un nivel de significancia o valor p de 0.05. Esencialmente, esto significa que los científicos están 95% seguros del efecto observado en sus experimentos.
Considere si los datos muestran una relación (es decir, liberación de dopamina). Hay un 5% de posibilidad de que el efecto provenga del azar y no esté relacionado con la variable (estímulos visuales). Esto sería un Error Tipo I. Alternativamente, hay un 5% de probabilidad de que nuestros datos recopilados puedan no mostrar relación entre la liberación de dopamina y los estímulos visuales cuando, de hecho, hay un efecto verdadero: un falso negativo o Error Tipo II.
Establecer cuidadosamente los criterios de inclusión tiene un impacto mayor porque hay un punto de rendimientos decrecientes después de un cierto tamaño de muestra.
Esperamos recopilar datos que representen a todos los humanos, y queremos que nuestras conclusiones sean tanto prácticamente significativas como estadísticamente significativas. Para diseñar nuestro conjunto de muestras de manera exitosa, se deben tener en cuenta y evitar un error de muestreo, un error tipo I (falso positivo) o un error tipo II (falso negativo).
Nuestro experimento está probando la siguiente hipótesis:
Hipótesis nula - No hay relación o efecto entre el momento de la liberación de dopamina en el NAc y el estímulo visual emocionalmente valente.
Hipótesis - Existe una relación entre el momento de la liberación de dopamina en el NAc y el estímulo visual emocionalmente valente, y la liberación máxima de dopamina ocurre después de ver los estímulos visuales.
Hay una relación entre el momento de la liberación de dopamina en el NAc y los estímulos visuales valentes emocionalmente. Cuando los datos no son estadísticamente significativos:
Nuestra hipótesis es rechazada.
No se encuentra un efecto o diferencia verdadera.
Nuestros efectos observados son igual de probables de resultar del azar.
¿Entendiendo la Población?
Limitaciones prácticas en el diseño experimental.
En la investigación en neurociencia, un criterio de inclusión formal generalmente intenta aleatorizar y/o igualar la probabilidad de inclusión en toda la población para evitar errores de muestreo. Debemos evitar seleccionar individuos solo porque son los más cercanos o accesibles para recoger datos, ya que esta es la receta para un error de muestreo.
El mejor enfoque para la generación de conjuntos de muestras es utilizar criterios de inclusión que aleatoricen e igualen la probabilidad de selección en toda la población. Por ejemplo, utilizando datos censales, podríamos obtener información de contacto de 50 individuos seleccionados al azar en cada condado de Ohio. Esto minimizaría el sesgo de selección porque los nombres se elegirían aleatoriamente de manera equitativa en todas las áreas geográficas.
Establecer el diseño experimental, aumentar el tamaño de la muestra y realizar completamente un criterio de inclusión sin sesgos, aleatorizado y aplicado de manera equitativa, puede rápidamente encontrarse con limitaciones prácticas. Este es un problema para la investigación científica a todos los niveles, desde ejercicios académicos hasta universidades de investigación completas. Usualmente, limitaciones presupuestarias y de tiempo son las primeras en forzar compromisos . Colectivamente, estos problemas en torno a 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 verdadero, lo que conduce 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 al aumentar el tamaño de la muestra. Esto aumenta la probabilidad de detectar un efecto verdadero. Elegir un tamaño de muestra apropiado es vital para diseñar investigaciones que:
Realicen descubrimientos prácticos.
Avancen nuestra comprensión de los innumerables procesos en el cerebro.
Desarrollen terapias efectivas.
Superando Desafíos en la Investigación Contemporánea en Neurociencia: La Plataforma EmotivLAB
Los diseños experimentales de la investigación en neurociencia deben esforzarse por establecer tamaños de grupos de muestra más grandes y mejores criterios de inclusión para lograr una significancia estadística confiable. Con acceso a una plataforma habilitada por crowdsourcing como EmotivLAB, los investigadores tienen acceso a individuos potencialmente mucho más diversos y representativos: mejorando el tamaño de la muestra y la inclusividad de todos los demográficos con un esfuerzo logístico adicional mínimo para los grupos de investigación.
La investigación moderna en neurociencia puede ser vulnerable a errores de muestreo debido a los recursos limitados disponibles para reclutar un grupo diverso para el conjunto de muestras experimental. El concepto del "grupo WEIRD" encapsula el problema. La mayoría de las investigaciones universitarias se realizan con un presupuesto limitado en sujetos experimentales que generalmente son occidentales, educados y de países industrializados, ricos y democráticos. Sin embargo, el equipo de recolección de datos remotos, como la plataforma de EEG de EmotivLAB, permite a los investigadores llegar más allá del campus universitario para reclutar grupos de muestra que reflejen mejor la población.
La plataforma de EmotivLAB y el equipo remoto de EEG no solo están ayudando a los investigadores a expandir la diversidad de individuos incluidos en grupos de muestras experimentales. También median los problemas con respecto al tamaño general de la muestra y el alcance geográfico hacia las poblaciones objetivo.
La plataforma EmotivLAB libera a los investigadores de las limitaciones actuales y les permite enfocar su energía en diseñar experimentos y analizar los resultados. Nuestra plataforma empareja el experimento con los individuos más adecuados en la población objeto. No es necesario gastar tiempo reclutando participantes, coordinándolos y programándolos, y realizando la recogida de datos en el laboratorio. Todo lo que se requiere es que se especifique la demografía deseada en la plataforma en línea, y EmotivLAB pondrá el experimento a disposición de los contribuyentes que mejor se ajusten a los parámetros deseados. Los participantes pueden llevar a cabo los experimentos en sus propios hogares, utilizando su propio equipo. Su familiaridad con el headset elimina la necesidad de que los investigadores proporcionen instrucciones sobre su uso.
Más allá de eso, la plataforma EmotivLAB proporciona control de calidad y evaluación de datos de grabación de EEG automatizados. Grandes cantidades de datos de baja calidad no ayudan a superar 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
¿Quieres aprender más sobre lo que la plataforma EmotivLAB podría hacer por tu investigación?
EmotivLABS te permite construir tu experimento, desplegar tu experimento de manera segura y confiable, reclutar de un panel global de participantes verificados y recopilar datos de EEG de alta calidad, todo desde una sola plataforma. Haz clic aquí para aprender más o solicitar una demostración.
