Podcast sobre Estadística: Diseños de Estudio y Muestreo

Kapitoly

Introducción: ¿Qué separa un 7 de un 10?

Observacional vs. Experimental

Los Pilares de un Experimento

Definiendo la Estadística

Estadística Descriptiva vs. Inferencial

Escalas de Medición

Tipos de Estudios

Parámetros vs. Estadísticas

Tipos de Muestreo Probabilístico

Conglomerados y Etapas Múltiples

Los Peligrosos Sesgos

Resumen y Despedida

Přepis

Lucía: Hablemos de la diferencia entre aprobar y sacar la nota máxima en epidemiología. Muchos saben definir un estudio observacional... pero muy pocos pueden explicar por qué un estudio experimental bien diseñado es el estándar de oro para probar causalidad. Esa diferencia es lo que vamos a ver ahora.

Mateo: Exacto. Entender esto no solo te da puntos extra, te da una nueva forma de ver cualquier noticia de salud que leas.

Lucía: Estás escuchando Studyfi Podcast. Mateo, empecemos por lo básico: ¿qué son los estudios prospectivos y retrospectivos?

Mateo: ¡Claro! Es simple. Prospectivos miran hacia el futuro, la recolección de datos empieza hoy y sigue hacia adelante. Retrospectivos, en cambio, miran hacia atrás. Usan registros que ya existen para analizar algo que ya pasó.

Lucía: Entendido. Pero la gran división, la que siempre aparece en los exámenes, es entre observacionales y experimentales. ¿Cuál es la clave?

Mateo: La clave es una palabra: intervención. En un estudio observacional, solo miras. Como ver la relación entre fumar y el cáncer. No le dices a nadie que fume, solo observas lo que pasa. El problema es que pueden haber variables de confusión.

Lucía: ¿Variables de confusión? Suena a que es algo que complica los resultados.

Mateo: Totalmente. Podría ser que la gente que fuma también bebe más alcohol, y es el alcohol lo que influye. En cambio, en un estudio experimental, el investigador interviene. Asigna tratamientos.

Lucía: O sea, tú decides quién recibe qué. Eso suena mucho más controlado.

Mateo: Exacto. Reduce los sesgos y es la mejor forma de acercarse a una relación de causalidad. Es menos realista, porque es un entorno controlado, pero mucho más potente.

Lucía: Y para que un experimento sea potente, necesita algunos elementos clave, ¿verdad? Como el famoso grupo control.

Mateo: ¡Fundamental! Es el grupo que no recibe el tratamiento, o recibe un placebo. Y es clave para medir el famoso "efecto placebo".

Lucía: ¿El efecto de sentirte mejor solo porque crees que te están tratando?

Mateo: ¡Ese mismo! El cerebro es muy poderoso. Luego está la aleatorización. Se asignan los participantes a los grupos al azar para evitar sesgos y balancear esas variables de confusión de las que hablamos.

Lucía: Y por último, la replicación. Supongo que no vale con hacer el experimento una sola vez con dos personas.

Mateo: ¡Para nada! Necesitas varias unidades por tratamiento para reducir el efecto del azar y estar más seguro de tus resultados.

Lucía: Todo esto se apoya muchísimo en la estadística. ¿Cómo la definimos de forma simple?

Mateo: Piénsalo así: la estadística es la ciencia de los datos. Nos da las herramientas para recolectar, resumir, analizar e interpretar información para tomar decisiones, incluso con incertidumbre.

Lucía: Y dentro de eso, tenemos conceptos básicos como población y muestra.

Mateo: Correcto. La población es el grupo total que te interesa estudiar. Como es muy grande, tomas una muestra, que es un subconjunto representativo. La unidad de análisis es cada elemento de esa población, y la variable es la característica que mides en ellos.

Lucía: Y aquí vienen otros dos conceptos que siempre caen: estadística descriptiva e inferencial.

Mateo: ¡Sí! La descriptiva, como su nombre indica, describe. Resume los datos de tu muestra con tablas, gráficos y promedios. Te dice "esto es lo que encontré".

Lucía: ¿Y la inferencial?

Mateo: La inferencial va un paso más allá. Usa esa muestra para sacar conclusiones sobre toda la población. Aquí es donde hablamos de probabilidades y márgenes de error. Es predecir el comportamiento del todo a partir de una pequeña parte.

Lucía: Perfecto. Entonces, con estas herramientas, ya podemos empezar a analizar los datos en sí. ¿Qué sigue ahora?

Lucía: ...y por eso es tan crucial. Pero, Mateo, hablemos de las variables. ¿Cómo las organizamos?

Mateo: ¡Gran pregunta! Una forma es según su función. Tienes la variable *explicativa*, que influye en algo, como el ingreso. Y la *respuesta*, que es el resultado, como el consumo.

Lucía: Claro, más ingreso, más consumo. Simple.

Mateo: Exacto. Pero ¡cuidado! Existe la variable *de confusión*. Imagina la edad. Afecta tanto tu ingreso como tu consumo y puede distorsionar todo. Es como el amigo que se mete en todas las fotos.

Lucía: ¡El "photobomber" estadístico! Entendido. ¿Hay más clasificaciones?

Mateo: ¡Claro! Según su escala de medición. Está la *nominal*, que solo clasifica, como el género. Y la *ordinal*, que introduce un orden, como "muy satisfecho" o "poco satisfecho".

Lucía: Ok, y luego se pone más preciso, ¿no?

Mateo: Sí. La de *intervalo* tiene distancias iguales, como la temperatura. Pero no puedes decir que 20 grados es "el doble de calor" que 10. Y la de *razón*, como el ingreso, tiene un cero absoluto y permite todas las operaciones.

Lucía: Perfecto. ¿Y qué hay de los estudios?

Mateo: Se dividen por finalidad y tiempo. Por finalidad, tienes los *descriptivos*, que solo describen, y los *analíticos*, que buscan causa-efecto.

Lucía: Y por tiempo, ¿los que son una foto del momento y los que son como una película?

Mateo: ¡Exactamente! Los *transversales* son la foto, miden todo en un solo momento. Los *longitudinales* son la película, siguen los datos a lo largo del tiempo para ver la evolución.

Lucía: Genial. Entonces, una vez que tenemos claro el diseño y las variables, supongo que el siguiente paso es enfrentarnos a la recolección de datos...

Lucía: Y con eso, llegamos a nuestro último gran tema de hoy. Uno que es fundamental para casi cualquier estudio: el muestreo estadístico.

Mateo: Exacto. Es una herramienta poderosísima. Porque, seamos sinceros, casi nunca podemos estudiar a *toda* una población. Sería como intentar contar cada grano de arena en una playa. ¡Imposible!

Lucía: Totalmente. Ahí es donde entra el censo, ¿no? Que es justo ese intento de estudiar a todos.

Mateo: Justo. Un censo busca datos de cada unidad de la población, pero es increíblemente costoso y lento. Por eso, las encuestas, que usan una muestra, son mucho más comunes. Son más baratas, rápidas y nos permiten estudiar más variables.

Lucía: Entendido. Y aquí es donde aparecen dos palabras que a veces confunden: parámetro y estadística. ¿Cuál es la diferencia clave?

Mateo: ¡Gran pregunta! Piensa en esto: el **parámetro** es el valor real y verdadero de toda la población. Es el número que *queremos* conocer, pero que casi nunca podemos calcular directamente.

Lucía: Como la altura promedio de *todos* los estudiantes del país.

Mateo: ¡Exactamente! Y la **estadística** es el valor que calculamos a partir de nuestra *muestra*. Es una estimación de ese parámetro. Usamos una parte para entender el todo. La clave de todo es que esa muestra sea representativa.

Lucía: Claro, la representatividad. Que la muestra sea un mini-reflejo de la población. ¿Cómo logramos eso? Supongo que no es solo eligiendo a nuestros amigos.

Mateo: Definitivamente no. Eso sería una muestra por conveniencia, y no es representativa. Para hacerlo bien, usamos el muestreo probabilístico, donde cada individuo tiene una probabilidad conocida de ser elegido.

Lucía: Y el más básico es el muestreo aleatorio simple, ¿verdad? Como meter todos los nombres en un sombrero.

Mateo: Ese mismo. Todos tienen la misma chance. Pero a veces necesitamos más estructura. Por ejemplo, el **muestreo estratificado**, donde dividimos la población en grupos homogéneos, o estratos, y luego hacemos un sorteo en cada grupo.

Lucía: Suena útil para asegurar que tienes, por ejemplo, hombres y mujeres en tu muestra.

Mateo: Justo. Luego está el **muestreo sistemático**. Es más simple: eliges un punto de partida al azar y luego seleccionas, digamos, a cada décima persona de una lista. Es eficiente, pero ¡cuidado! Si hay un patrón oculto en la lista, puede salir mal.

Lucía: Okay, y ¿qué pasa con el muestreo por conglomerados?

Mateo: ¡Ah, ese es interesante! Aquí, en vez de elegir individuos, elegimos grupos enteros que son heterogéneos por dentro, como familias o escuelas. Seleccionas al azar unos cuantos de esos grupos y entrevistas a *todos* los que están dentro.

Lucía: O sea, en el estratificado eliges *algunos* de *todos* los grupos, y en el de conglomerados eliges *todos* de *algunos* grupos. ¿Correcto?

Mateo: ¡Perfecta manera de resumirlo! Y a veces, combinamos todo esto. Se llama **muestreo multietápico**. Por ejemplo, eliges regiones al azar, luego ciudades, luego barrios, y finalmente hogares. Es como un zoom progresivo.

Lucía: Pero incluso con el mejor plan, las cosas pueden salir mal. Hablemos de los sesgos.

Mateo: El archienemigo de cualquier estudio. Tienes el **sesgo de selección**, cuando tu método de muestreo deja fuera a ciertos grupos. Luego, el **sesgo de no respuesta**, que ocurre cuando la gente que elegiste no contesta... y son diferentes a los que sí lo hacen.

Lucía: Y por último, el **sesgo de respuesta**, donde la gente miente o responde lo que cree que quieres oír.

Mateo: Exacto. Es la deseabilidad social. Siempre hay que estar alerta a esos tres fantasmas.

Lucía: Wow, qué recorrido. Entonces, para resumir: el muestreo nos permite estudiar una población de forma eficiente. La clave es que la muestra sea representativa.

Mateo: Así es. Vimos los métodos probabilísticos como el aleatorio simple, estratificado, sistemático y por conglomerados, que nos ayudan a lograrlo. Y siempre, siempre, debemos vigilar los sesgos de selección, no respuesta y respuesta.

Lucía: Un arsenal de herramientas increíble para cualquier investigador. Mateo, muchísimas gracias por aclarar todo esto. Y a todos los que nos escuchan, ¡gracias por acompañarnos en Studyfi Podcast! Sigan estudiando, sigan curiosos y nos encontramos en el próximo episodio.

Mateo: ¡Hasta la próxima!