Métodos estadísticos robustos para maximizar la precisión de tu investigación

Cualquier investigador habrá escuchado hablar alguna vez de las pruebas de hipótesis paramétricas clásicas (e.g. t de Student, ANOVA, regresión por mínimos cuadrados). Son el tipo de pruebas más utilizado aunque requieren que se cumplan sus supuestos (e.g. normalidad y homogeneidad de varianza) para que realmente generen buenos resultados. Los datos reales no suelen cumplir con estos supuestos, y, como consecuencia, disminuye la capacidad de detectar efectos reales (i.e. afecta al -valor, además del tamaño del efecto y a los intervalo de confianza estimados). ¡Toda la interpretación de tus datos puede ser errónea!. Pero no hay que alarmarse, tenemos una solución.

Los métodos estadísticos robustos son técnicas modernas que hacen frente a estos problemas, son sencillos y se encuentran disponibles en softwares gratuitos como R. Sin embargo, debemos reconocer que su desconocimiento hace que raramente sean utilizados por los investigadores.

¿Por qué son desconocidos? La mayoría de los investigadores no son conscientes de las serias limitaciones de los métodos clásicos, y no saben cómo comprobar los supuestos de la estadística clásica y/o no están familiarizados con las alternativas modernas.

Problemas con los métodos clásicos.

Revisemos los principales problemas con los métodos paramétricos clásicos para entender su importancia.

1. Los datos reales suelen ser multimodales, asimétricos y con largas colas en su distribución de valores, por lo que raramente son normales.
2. La igualdad de varianza poblacional (i.e. homogeneidad de varianza u homocedasticidad) suele no cumplirse, debido a la naturaleza de los diseños experimentales y de las muestras.
3. Variabilidad inherente a los datos. Los grupos definidos por un factor pre-existente pueden tener varianzas diferentes. Por ejemplo, la respuesta a un test cognitivo es más variable en personas mayores que en los jóvenes. 

Los estadísticos robustos son capaces de disminuir la tasa de error tipo I y también mejorar la potencia de la prueba cuando los datos no son normales ni homogéneos.

¿Por qué se utilizan poco los métodos modernos?

Los motivos más comunes son:

1. Falta de familiaridad.
2. Falta de corroboración de los supuestos clásicos.
3. Erróneo argumento de la resistencia.
4. Errónea utilización de las transformaciones.
5. Errónea utilización de las pruebas no-paramétricas clásicas.
6. Conceptos erróneos acerca de los métodos modernos.

Hay poco que perder y mucho que ganar.

Los métodos robustos modernos son diseñados para obtener un buen desempeño cuando los supuestos clásicos se cumplen y también cuando se incumplen. Por lo tanto, hay poco que perder y mucho que ganar a la hora de utilizar estas técnicas en lugar de las clásicas. Una estrategia alternativa es utilizar ambos métodos y decidir en función de la evidencia de los resultados.

Si deseas maximizar la potencia y precisión de tu investigación recuerda que el Máster de Estadística Aplicada con R software de Máxima Formación es el único en el que podrás aprender técnicas robustas de vanguardia mediante ejemplos con datos reales utilizando R software.

En Máxima Formación te ofrecemos la oportunidad de actualizar tus conocimientos de estadística con herramientas capaces de lidiar con datos complejos, para que trabajes con total seguridad y confianza en tu investigación.

Este texto es una adaptación del artículo:

Erceg-Hurn, D. M., & Mirosevich, V. M. (2008). Modern robust statistical methods: an easy way to maximize the accuracy and power of your research. American Psychologist, 63(7), 591.