SS_Logo

Diseños de experimentos en investigación para ciencias de la salud con apoyo de Stata

Autor: Felipe Benavides Martínez. PhD / Portafolio: Quantitative / Vie. 10 de Jun de 2022

Transcripción de este video

00:00:43:26 Somos un equipo autogestionado, responsable, proactivo y autónomo, con gran compromiso social, aportando el pensamiento científico y el desarrollo latinoamericano, promoviendo el uso de software para investigación en todas las áreas del conocimiento. Generamos contenido de alta calidad teniendo en cuenta las distintas necesidades del mercado. Realizamos actividades gratuitas constantemente. Abordamos temáticas vigentes, aplicaciones especializadas y elementos metodológicos que te permiten interactuar y generar redes para la difusión de tus proyectos.

00:01:10:26 Contamos con servicio de asesoría, consultoría y acompañamiento personalizado, certificaciones internacionales, entrenamientos especializados y talleres prácticos. Nuestro principal objetivo es promover el uso de tecnología en el campo investigativo, generando un impacto significativo en la región y de esta forma contribuir a la creación de comunidad para compartir conocimiento.

00:01:50:28 Te invitamos a ser parte de este gran equipo Software Shop. Visita nuestra página web y conoce nuestros servicios. Software Shop La empresa líder en la implementación de herramientas analíticas y software especializado en Latinoamérica, le da la bienvenida a esta presentación. En esta oportunidad tendremos el acompañamiento del instructor Felipe Benavides Pies Di e instructor del portafolio cuantitativo en Software Shop, con experiencia en la aplicación de modelos estadísticos para las ciencias de la salud biomédicas, agrícolas y ambientales.

00:02:24:11 Felipe ejerció la docencia universitaria en maestría y doctorado y realiza asesoría científica a grupos de investigación, sectores gubernamentales, ONG y empresas privadas para la creación, validación y aplicación de diseños experimentales y modelos bio estadísticos. Bienvenida. Saludos a todos los participantes que se conectan hoy para compartir este webcast titulado Diseño de experimentos y específicamente con ejemplos en Ciencias de la Salud.

00:02:50:14 Mi nombre es Philippe Benavides y voy a compartir con ustedes estos conceptos y esta práctica en Stata para que pueda ser de provecho para sus investigaciones, para su docencia, para sus proyectos, sus tesis, etc. Voy a estar pendiente del chat por si alguien tiene una pregunta. Pueden hacerlo a través del chat y yo voy a estar pendiente para responderlas.

00:03:21:09 Me gustaría también saber de dónde se conectan. Cuéntennos, por favor, a través del chat. De dónde se conectan y en qué, en qué área trabajan? En investigación, en docencia, en salud? En qué área de la salud? Entonces yo voy a ir leyendo para conocerles. Y vamos a empezar entonces con lo que nos convoca. Este es un webcast que está dividido en dos partes la primera parte del webcast.

00:03:48:19 Ustedes verán algunos conceptos básicos de El diseño del experiment de los experimentos de diseño experimental que. Qué es el diseño experimental? Cuáles son sus elementos? Cómo funciona? Cuál es su propósito en la investigación en ciencias de la Salud? En la segunda parte tomaremos un ejercicio con datos reales de un de un hospital.

00:04:28:06 Y utilizaremos un diseño experimental en específico que se llama Diferencias en diferencias para resolver una pregunta de investigación. Ya estoy leyendo sus respuestas. Antonio desde Bucaramanga. Rubén desde México. Ixtapa, Luka. Juan uno. Lazo desde Perú. Ingrid desde Colombia. Iván desde Chile. Muy bien. Qué bueno que haya personas participando en este webcast de tantos lugares y de tantos países.

00:05:16:27 Así que recuerden las preguntas. Estoy disponible para responderlas, ya sea durante la presentación o después de la presentación. Bueno, ustedes, tal como veo en las respuestas que están compartiendo a través del chat, trabajan con investigación en epidemiología, en salud pública, en odontología y seguramente todos han escuchado el concepto del diseño del diseño de experimentos. El diseño de experimentos es, pues una un componente fundamental en la investigación, porque permite básicamente encontrar relaciones causales entre variables dependientes y variables independientes.

00:05:52:15 O, dicho de otra forma, encontrar relaciones causa efecto a través de los diseños de experimentos. Nosotros podemos controlar la variación deseada. Lo que nosotros queremos investigar en en nuestro experimento. Pero también podemos controlar de alguna manera la variación indeseada. Aquellos factores alineados o aquellas variables que si bien no nos interesan para nuestra pregunta de investigación, sí afectan nuestra variable dependiente.

00:06:30:17 Entonces, toda esa variación aleatoria o sistemática o desconocida, simplemente hay que de alguna forma tratar de controlarla. Tercero, pues nos ayuda a organizar, a tener un sistema en nuestro proyecto, ya sea experimental o sirva o observacional, saber cuáles son las variables independientes, las dependientes, las unidades experimentales, la variable, las variables, etcétera nos ayuda a obtener conclusiones válidas y confiables.

00:07:04:01 Cuando un diseño de experimento, cuando una pregunta de investigación ha sido abordada con un diseño de experimentos adecuado, pues vamos a poder tener conclusiones válidas y confiables. De lo contrario no van a poder hacer, no van, no podrán ser ni válidas mi confianza. Y finalmente, un diseño de experimentos nos ayuda a tomar decisiones robustas con la importancia que esto tiene en ciencias de la salud, porque estamos hablando del bienestar, de la salud y de la vida.

00:07:46:11 O sea, como última causa, un buen diseño experimental salvaguarda la vida, porque esos resultados de nuestra investigación finalmente van a ser aplicados a tratamientos, a medicamentos, a operaciones, etcétera. Qué son las relaciones causa efecto? Las relaciones causa y efecto bueno, son un concepto con el que estamos relacionados de forma cotidiana. Hay toda. Todo fenómeno tiene una causa en la naturaleza, así mismo en las ciencias de la salud.

00:08:13:00 Y esto lo podemos ver ejemplificado en relaciones sensibles. Por ejemplo, los virus causan la enfermedad o la enfermedad es causada por los virus o por las bacterias también, o por los hongos también. Pero hay una relación cierto desde la causa que es el virus hacia la enfermedad, que es el efecto. Hay una causa que es una buena higiene.

00:08:58:07 Por ejemplo, lleva a tener una buena salud. Un medicamento puede ser el efecto o la causa de la disminución en el dolor o el consumo de grasas por encima de un nivel mínimo es causa de obesidad. Cuando nosotros hacemos investigar en Ciencias de la Salud, casi siempre estamos enmarcados en esta relación. Es una relación incluso filosófica, cierto, el principio de causalidad eficiente, pero siempre, digamos, se aplica en la investigación, ya sea cuantitativa o cualitativa, pero investigación que sea aplicada.

00:09:14:08 Vamos a tener esta relación de causas y efectos. Cómo hacemos para responder una pregunta de investigación en ciencias de la Salud que esté en este marco de causa efecto? Pues con un buen diseño experimental.

00:10:00:27 Otra otro elemento que mencionábamos al inicio de la presentación son las fuentes de variación, o sea, saber controlar un saber controlar. Todas aquellas fuentes de variación posibles a través de nuestro diseño experimental, nos permite obtener conclusiones válidas y esa variación puede ser debida a los factores de estudio, que es lo que a mí me interesa. Por ejemplo, si a mí lo que me está interesando es el efecto de un medicamento sobre el dolor de cabeza, entonces diferentes dosis de ese medicamento van a ser mi fuente de variación, pero también puede ser debido a variables controladas.

00:10:42:27 Por ejemplo, eh, la disminución en el dolor de cabeza depende también de la edad. Sí, pero yo. Yo en mi experimento, en mi experimento, la edad la controlo. Por ejemplo, asignando de forma aleatoria grupos que estén conformados por personas de edades que yo conozco o de edades homogéneas. También puede ser de vida esas fuentes de variación a variables no controladas, cosas que yo no sabía durante el experimento, por ejemplo, que habían personas propensas a la migraña o que habían personas con diabetes, y que yo no lo supe, sino que lo supe después.

00:11:12:15 Son variables no controladas. He variación debida a un error intrínseco. Yo puedo tener todas las personas de la misma edad, de la misma contextura física, del mismo sexo, de la misma situación de salud. Pero debido a que hay variación genética entre personas, pues no a todas. No todas van a reflejar el mismo. La misma disminución en el dolor de cabeza puede ser finalmente esa.

00:11:44:16 Esas fuentes de variación pueden ser debidas a errores, sistemas huecos, por ejemplo, de equipos que yo estoy utilizando o reactivos químicos que estoy utilizando, o también debido a errores aleatorios que es variación totalmente desconocida. Y cuáles son los diseños de cuáles son los elementos de un diseño experimental? Siempre ustedes deben tener en cuenta cuando hacen su diseño para responder su pregunta de investigación.

00:12:27:18 Siempre. Por favor, tengan en cuenta tres o seis cosas. Si ustedes tienen en cuenta estas seis cosas y se hacen una pregunta respecto a cada una de estas seis cosas, podrán diseñar un diseño? Podrán diseñar un experimento exitoso? Qué es lo primero? Saber cuáles son las variables dependientes. También se conocen como respuestas. Si es la variable que a mí me interesa, por ejemplo, disminución en el dolor de cabeza o por ejemplo altura o peso o grupo sanguíneo o días necesarios para la recuperación post cirugía.

00:13:01:26 Si todas estas cosas son es lo que yo me pregunto en mi investigación y es lo que yo quiero obtener como respuesta de mi experimento. Segundo, las variables independientes esto podemos llamarle también causa a las variables independientes y es mi efecto a las variables dependientes. Cuáles son las variables independientes? Son aquellas cosas que controlándola es a través de mi investigación, de mi experimento, generan una respuesta o generan un cambio en mis variables dependientes.

00:13:32:04 Volviendo al ejemplo, si yo estoy analizando el e, la disminución en el dolor de cabeza, cierto, pues mi variable independiente podría ser diferentes dosis de un medicamento nuevo para quitar el dolor de cabeza. Sí, bueno, tercero, las variables, que son aquellas que sin sin ser de mí, sin ser de interés para mi investigación en particular, pueden afectar la respuesta.

00:14:02:18 Entonces yo les decía anteriormente, la edad, las como habilidades que puede tener un paciente, etc como variables, entonces siempre tenerlas en cuenta. Cuarto, la unidad, ya sea la unidad experimental o la unidad observacional, cuál es esa unidad mínima de la cual yo estoy sacando información? En el caso del experimento del dolor de cabeza, pues serán personas, individuos, cierto?

00:14:54:09 En el caso, si yo estoy experimentando por ejemplo con con cicatrización, pues la unidad experimental serán las cicatrices, y si estoy experimentando con os biosíntesis, por ejemplo, en cirugías de fractura, mi unidad observacional va a ser el hueso en particular donde estoy experimental o observacional, donde hubo la fractura entonces experimental. Cuando yo hago un diseño de experimentos estoy manipulando las variables u observacional, cuando a pesar de estar analizando datos en una relación causa efecto, yo no generé los niveles, sino que los saqué de algo ya preexistente, o sea, no genere los niveles de variación adrede, sino los saque de datos preexistentes.

00:15:25:16 Y finalmente el es el contexto espacial donde estoy haciendo el estudio y el tiempo. El sexto punto cuando estoy haciendo el estudio, cuál es el el tiempo? El período, si es de segundos, minutos, días, meses, años, décadas y lo mismo el espacio. Si es en un hospital, si es en una clínica, si es si es en varios hospitales, si es a nivel de países, etcétera Y veamos entonces qué tipos de diseños hay.

00:16:06:16 Vamos a pensar en dos tipos de clasificación una, en una primera clasificación. Básicamente hay tres tipos de diseños experimentales e o de el de diseños de estudio. Vamos a llamarlo porque el diseño experimental es un tipo de esos diseños. Entonces está el diseño experimental, que es aquel en el cual yo específicamente digamos adrede genero, los genero en la variación de mi variable independiente, por ejemplo, dosis de un medicamento para suministrarle a pacientes asignados aleatoriamente a cada una de esas dosis.

00:16:37:16 Yo estoy generando diez miligramos por litro, después hago uno que es veinte miligramos por litro, después otro que es treinta miligramos por litro. Esa variación la estoy generando yo adrede en un, por ejemplo, en una alícuota química. En este caso hay otros estudios que son observacionales en los cuales yo no genero ningún elemento de la variación, sino que los saco ya o de la naturaleza o de condiciones preexistentes de datos.

00:17:16:16 Por ejemplo, si yo tengo pacientes con cáncer en y quiero medir la respuesta, por ejemplo a la A, a la quimioterapia y quiero verla, quiero ver la variación de esa respuesta. La quimioterapia en función de diferentes marcas del medicamento y yo tengo datos que provienen de diferentes clínicas o de diferentes de diferentes centros oncológicos. Pues voy a tomar ya los datos existentes y voy a, por ejemplo, hacer un análisis de varianza para comparar si entre marcas hay respuestas diferentes.

00:17:44:12 Yo no estoy generando las marcas en este caso, si no es una, no es una res, no es algo generado por mis manos, por mi diseño, sino que ya está. Y yo tomo eso y lo analizo. Eso se llama un estudio observacional. Y hay otra forma que esos nuevos estudios cuasi experimentales que tienen elementos tanto de lo experimental como de lo observacional.

00:18:25:18 Y en cuanto a, hay otra forma de de categorizar diferentes tipos de diseños de estudio que pueden ser cualquiera de estos tres cierto e que está en función más bien de las variables que de que se tiene, de cómo están estructuradas esas variables que cuál era la respuesta que uno quiere obtener. Entonces ahí ustedes van a encontrar en la literatura, por ejemplo diseño completo al azar, diseño en parcelas divididas, panel longitudinal, diseño factorial, etcétera Cualquiera, cualquiera de estos diseño, diseños e incluso otros diseños.

00:19:13:01 En este webcast vamos a ver un caso especial de un diseño cuasi experimental que se llama Diferencias en diferencias y que se utiliza para cuando tenemos datos transversales repetidos, que son los datos transversales repetidos. Quien? Quien sabe. A ver, voy a volver al chat. Entonces quien sabe que es un qué? Son datos de tipo transversales repetidos, un estudio con datos transversales que implica la medición de una variable de respuesta en función de una variable predictor o factor o independiente.

00:19:47:28 Recordemos esto siempre es bueno tenerlo como memo técnica, variable dependiente, factor y variable predictor son lo mismo y por el otro lado, las variables dependientes o de respuesta son lo mismo también. Entonces, en un diseño de datos transversales repetidos tengo la respuesta de una variable dependiente medida entre medida en función en medida en función de un factor, pero además medida también en el tiempo.

00:20:15:21 Puedo tener, por ejemplo, dos puntos en el tiempo o tres puntos en el tiempo. Por ejemplo, tengo dos grupos de pacientes, a uno le suministro un medicamento, al otro grupo es el control, no le suministro el medicamento. Y además voy a medir eso en el tiempo que pasa en el tiempo uno que pasa en el tiempo dos que pasa en el tiempo tres.

00:20:45:14 Es cierto, y entonces yo debo tener en cuenta algo importante, y es que independiente del suministro del medicamento, hay variación en el tiempo y en el tiempo las cosas pueden cambiar si hay variables que en el tiempo mejoran naturalmente. Pensemos, por ejemplo, en el dolor si yo me. Si yo me pego con un martillo en el dedo, pues me va a doler, cierto, va a haber un peak de dolor, pero con el tiempo ese dolor va a ir disminuyendo.

00:21:16:10 Entonces, si yo utilizo un medicamento para el dolor, debo tener en cuenta, de todas formas, que el dolor de todo hace de todas formas iba a disminuir sin el medicamento. Cierto? Por lo tanto, debo saber cual fue específicamente el efecto del medicamento y el efecto de que del tiempo, porque con el tiempo los dolores de este tipo, a menos de que sea algo muy grave, pero con el tiempo se pasan, uno entiende que hay una variación en el tiempo.

00:21:47:26 Veámoslo aquí en un en un gráfico para poder pasar al ejemplo en Stata y que quede muy muy fácilmente comprendido. Tenemos un gráfico aquí en el eje X. Tenemos el tiempo, cierto? Por parece que esta medido. Bueno, en años tenemos en el eje ye una variable de resultado que puede ser el dolor o puede ser cualquier cosa que ustedes se imaginen en su en su área de investigación.

00:22:28:24 Y tenemos dos trata dos grupos, un grupo de tratamiento al que le suministramos, por ejemplo un medicamento y un grupo de control al que no se lo suministran. Cierto, estos grupos van evolucionando en el tiempo con el tratamiento y sin el tratamiento, y luego en el año, en un primer año hacemos una medición, o sea aquí donde dice año cero hacemos una medición, aquí dice intervención del programa, o sea, puede ser, también puede, puede.

00:22:56:20 Pueden pasar dos cosas que fue cuando empezamos a suministrar el medicamento si o que sea la primera medición después de haberlo empezado a suministrar, puede ser cualquiera de los casos y luego en el año uno también vamos a hacer después. Después de un año volvemos a hacer una medición. Entonces qué ocurre en el grupo de tratamiento aquí, que es el que tiene el el medicamento, cierto?

00:23:27:11 Fíjense que independientemente vamos a vamos a asumir que esta línea gris aquí es la intervención del programa. Para este caso en particular fue cuando se inició el suministro del medicamento. De todas formas, antes del suministro del inicio del suministro del medicamento, esta variable venía creciendo año tras año. Venía creciendo lo mismo que en el grupo control. Esa variable venia creciendo.

00:23:53:08 Sin embargo, cuando se inició el el programa de suministro de medicamento para el grupo de tratamiento, fíjense que el crecimiento fue mucho mayor que lo que uno esperaría bajo condiciones de no tratamiento. Cómo sabemos la que no es? Cómo sabemos qué es lo que hubiese pasado? Cómo sabemos qué es lo que hubiese pasado si no hubiésemos suministrado el tratamiento?

00:24:14:11 Pues nos lo dice el grupo Control. Cierto. Esto es lo que hubiese pasado si no hubiese habido el tratamiento. Por lo tanto, la diferencia entre esta línea y la azul, que es un valor real que estamos viendo en el grupo de tratamiento entre el año y el año uno y la diferencia entre el año cero y el año uno.

00:24:38:17 Para el grupo de control, esa es. Esa es realmente el impacto de este medicamento. Si no, podría ser solamente la diferencia entre el año cero y el año uno. Por qué no? Por qué no podría ser? Qué dicen ustedes? Qué pasaría si yo diseño un experimento en el cual finalmente voy a comparar para el grupo de tratamiento el año cero contra el año uno?

00:25:04:06 Recuerden que hablábamos en nuestra primera diapositiva sobre la importancia de tener un buen diseño para sacar una conclusión válida y confiable. Qué pasaría si yo trato de responder la pregunta solamente comparando? Bueno, cuál es la pregunta? Cuál es el efecto de este medicamento? En cualquier cosa vamos a pensar que es en el dolor de cabeza. Qué pasa si comparo solamente el año cero contra el año uno?

00:25:32:29 Voy a ver su respuesta. Inicia Diana Mendoza dice Si solo compara año, entonces no mide el impacto del medicamento. Eso lo hace con el grupo de control a Andrés Trujillo, dice con perfecto factual Carlos el Delta ha cambiado y el efecto es diferente del año cero al año uno el resultado puede verse influenciado por el tiempo. Por ahí va la respuesta.

00:25:57:12 Todo está correcto, pero la respuesta va más por aquí. Si yo solamente comparo el año cero contra el año uno, yo no voy a, yo no podré saber, o sea, yo obtendré, tendré un cálculo y tendré un impacto. Pero yo no podré saber si ese impacto se debe a que esta variable naturalmente aumente en el tiempo, cierto? O si se debe realmente al medicamento.

00:26:23:16 Porque lo que estoy viendo si comparo estas dos cosas, o sea año cero contra un año uno, estoy viendo una, una adición de efectos, está esta sumado el efecto del tiempo con el efecto del medicamento. Por lo tanto, lo que tengo, lo que tengo que hacer a través del diseño de diferencias en diferencias es limpiar el efecto del tiempo para que me quede solamente el efecto del medicamento.

00:26:35:01 Si se entiende bien, me gustaría saber si esa idea se ha entendido para pasar entonces inmediatamente a nuestro ejemplo en Stata.

00:27:13:20 Marlene dice si, Diego dice si. Cediel dice si Hernán, pues muy bien. Entonces como se entendió muy fácilmente esto, vamos a ver cuál es el ejemplo en Stata, entonces en esta ta e vamos a hacer el siguiente ejercicio hay un proveedor, hay un proveedor de servicios de salud que se inventó un nuevo protocolo de admisión hospitalario y se quiere medir el nivel de satisfacción de ese paciente.

00:27:58:17 Cierto? A ese nuevo protocolo, si se quiere saber si el paciente al paciente le gusta, se siente satisfecho con ese nuevo protocolo, cierto? Comparando con el antiguo protocolo que el mejor protocolo es nuevo, el nuevo protocolo es mejor. Eso genera más satisfacciones a los clientes. Eso puede ser importante, por ejemplo, para fidelización de clientes en los hospitales, para el bienestar del cliente, para mejora en los protocolos previos a una cirugía, etcétera Que si el paciente está bien, está satisfecho, pues eso influye en el nivel de recuperación que pueda tener a una cirugía, por ejemplo.

00:28:28:08 Listo, tenemos unos datos reales que son de Estados Unidos y esos datos reales para esta pregunta investigación están compuestos de los siguientes elementos son cuarenta y seis hospitales y en esos cuarenta y seis hospitales se se midió el nivel de satisfacción como variable de respuesta en una escala de cero a cinco, en función del factor procedimiento antiguo versus procedimiento nuevo sea.

00:29:00:12 Se midió el nivel de satisfacción en pacientes tanto antes del del del procedimiento nuevo como después e. La intervención se realizó en marzo, o sea marzo de ese año en particular fue cuando inició el el nuevo protocolo de admisión. El tiempo de evaluación se realizó desde enero hasta julio. Cierto, y tenemos un total de pacientes de siete mil trescientos sesenta y ocho.

00:29:42:16 La pregunta que nos hacemos es si el nuevo procedimiento mejora el nivel de satisfacción del nivel de satisfacción del paciente. Qué pasa? Como tenemos un tiempo, cierto desde enero hasta julio y tenemos unos hospitales, cuarenta y seis hospitales diferentes, pues si yo comparo solamente la satisfacción en función del factor, o sea, antes del procedimiento nuevo contra procedimiento antiguo, pues yo no voy a saber si realmente esta respuesta se debe a ese, a ese factor o si realmente se debe a cambios en el tiempo o a cambios en los hospitales.

00:30:20:23 Porque no todos los hospitales estarán pues haciendo el procedimiento de la misma forma. Listo, voy a hasta aquí, llegamos con las diapositivas y ahora voy a abrir, voy a dejar de compartir esta pantalla para abrir. Stata Yo ya abrí directamente mis datos aquí los datos se llaman e osc os as o sp o h o sp desde punto dta y son datos de acceso abierto que ustedes pueden encontrar en en los data sets de Stata a través del comando web USA.

00:30:42:12 Si quieren pueblo pues ok desde aquí, así pueden descargar estos datos. Bueno y vamos a explorarlo, saber qué es lo que tienen estos estos datos.

00:31:13:00 Cuando voy aquí a este icono de aquí, eso significa que voy a explorar los datos. Repito, entonces este icono de aquí, yo puedo explorar los datos para quienes son nuevos con estatus es data, tiene eso es un software muy amigable, muy fácil de utilizar, pero también muy poderoso y ampliamente utilizado por grupos de investigación y universidades que trabajan en Ciencias de la Salud.

00:31:40:15 Yo creería que es el software que he preferido a nivel de investigación en Ciencias de la Salud. Tenemos un panel de un menú panel con diferentes opciones. Tenemos una ventana de revisión aquí, esta aquí que es donde van a ir saliendo los comandos que vamos a ejecutando. Tenemos una consola, fíjense aquí que es donde nos van a ir saliendo resultados de tablas y de estadísticos.

00:32:22:02 Tenemos un comando, entonces aquí escribo mis comandos, excepto para análisis gráficos. Ok, tenemos aquí una ventana que es de variables. Cuales son las variables? Fíjense que aquí ya tengo cargado hospital, frecuencia, mes, procedimiento, satisfacción. Y aquí tenemos una ventana que nos indica qué tipo de variable es cada una. Algo que yo siempre resalto de Stata es el poder que le da a uno la interacción entre.

00:32:51:14 Voy a escribirlo aquí. La interacción entre escribir códigos y usar herramienta. Usar interfaz gráfica, usar botones. Bueno, sí. O sea, poder hacer. Generar las estadísticas de acá. Por ejemplo, estadísticas, sumarios, estadísticas descriptivas. Si yo lo hago a través de aquí, me va a salir a mí aquí, cual es? Me van a me va a salir en la consola.

00:33:26:21 Cuál es el código que se necesita para escribir? Para hacer lo que hice a través del menú gráfico y cuando lo hago a través de los códigos, los códigos se van guardando aquí de tal manera que yo los puedo ir reutilizando y reciclando posteriormente, o sea, no tengo que volverlos a escribir todos. Eso es algo fantástico de Stata que ayuda muchísimo a la pedagogía de Ana al analizar datos, aprender a analizar datos y también aprender a enseñar para enseñarles a otros como hacerlo.

00:34:00:12 Bueno, muy bien, por eso, por esa razón les recomiendo mucho utilizar Stata para hacer sus análisis de datos en Ciencias de la Salud. Además también de que es es un programa que está en el Top tres de análisis de datos en el mundo para Ciencias de la Salud y tiene prácticamente todo lo que se necesita, todas las herramientas, las baterías de análisis, tanto estadísticos como de generación de gráficos, incluso también machine learning.

00:34:37:06 Bueno, vamos a ver los datos. Click aquí Editor de datos, explorar. Y qué tenemos? Tenemos la primera columna de la primera variable vice hospital. Si nos desplazamos hacia abajo, fíjense. Hospital uno. Hospital dos. Hospital tres. Hospital cuatro. Y si vamos hasta la última fila, vamos a tener hospital cuarenta y seis. O sea, tenemos cuarenta y seis hospitales. El hecho de que se repitan aquí cuarenta y seis, cuarenta y seis, quiere decir que cada una de estas filas es un paciente al que se midió la satisfacción.

00:35:04:13 Tenemos una frecuencia que en este caso no la vamos a utilizar. Si yo quiero borrar una variable que no voy a utilizar, puedo darle clic aquí en clic derecho en frecuencia le doy descartar las variables seleccionadas y se me elimina porque para este ejemplo en particular no lo voy a utilizar. Volvemos al panel de exploración. Tenemos entonces el hospital, tenemos el mes.

00:35:47:29 Recuerden que tenemos una, una variable de tiempo, o sea, las mediciones se pudieron haber hecho entre enero y julio. Aquí si se es el primer semestre, un tiempo desde enero hasta junio, primer semestre tenemos el procedimiento. Recuerden que es el procedimiento de admisión. El viejo Old y también el nuevo cierto? O sea, dentro de cada hospital tenemos, dentro de cada hospital tenemos una medición para cada paciente, para el procedimiento antiguo.

00:36:22:18 Cierto? Y el procedimiento nuevo dentro de cada. Dentro de cada hospital, vamos a encontrar eso antiguo y nuevo. Y tiene que cumplirse la condición también de que también exista el antiguo y el nuevo para cada mes, no importa que sean individuos, pacientes diferentes, pero tiene que haber una medición dentro de cada hospital. Es una medición de satisfacción para cada mes que sea de del viejo procedimiento y del nuevo procedimiento.

00:36:52:00 Sé que puede sonar un poco complicado, pero les aseguro que va a quedar completamente entendido ya con el ejemplo del análisis de datos. Bueno, vamos a hacer algunos gráficos entonces, siempre primera, primera recomendación que yo les hago como analistas de datos, como investigadores en Ciencias de la Salud, siempre primero, gráficamente, entonces vamos a vamos a ver qué es, qué es lo vamos a graficar, vamos a ir aplicando qué pasa con la satisfacción, cierto?

00:37:29:05 En función de diferentes procedimientos, de diferentes meses y de diferentes hospitales. Bueno, para vamos a empezar con un gráfico sencillo, con un gráfico de barras, vamos a gráficos, gráficos de barra listo. Vamos primero a elegir qué tipo de gráfico, un gráfico de sumario estadístico, el más sencillo, qué tipo de medidas vamos a escoger? La media promedio y las variables.

00:37:56:11 Vamos a ver la media de satisfacción porque es nuestra variable de respuesta. La satisfacción del paciente, que recuerden, se mide en una escala de cero a cinco y aquí categorías yo le voy a decir que me muestren el promedio de satisfacción en función de, por ejemplo, el hospital o qué.

00:38:28:23 Fíjense que tengo una variación, son cuarenta y seis, voy a ser un poco más pequeña las etiquetas del eje X para que se pueda observar un poco mejor. Voy a ponerle un pequeño, un poco más pequeño. Ahí está. Fíjense que son cuarenta y seis hospitales. Voy a rotar un poquito aquí para que no se confunda el número cuarenta y seis Hospital es cierto.

00:39:03:01 Y el nivel promedio de satisfacción entre hospitales es es muy diferente. Por lo tanto, esa el efecto del nuevo procedimiento sobre la satisfacción tiene que incluir al hospital. Por qué? Porque fíjense que la satisfacción en este hospital, en el hospital nueve, es muy baja en comparación, por ejemplo, a este hospital treinta y siete Sí. O sea que la satisfacción independien temente del nuevo procedimiento ya es alta, muy, muy alta, eh?

00:39:25:09 Perdón, no es de cero a cinco, sino de cero, seguramente de cero a seis, siendo el seis el más alto. Entonces ya es. Ya es suficientemente alta, independiente. Y eso es independiente de que sea el nuevo procedimiento, sino que pues eso no es, es un hospital donde, donde atienden bien, reciben bien, tratan bien al paciente, mientras que seguramente este no, no lo es.

00:39:51:03 Ok, ya sé. Entonces ya tengo en mi mente la idea de que el hospital es una variable importante, donde hay bastante variación de la satisfacción. Voy a voy a hacer lo mismo ahora, pero para ver la diferencia entre meses, entonces qué hago? Fíjense, simplemente tomo acá, hago clic en la ventana de revisión para que me genere el mismo comando.

00:40:25:11 Se acuerdan que les decía cuando yo hago algo a través del menú gráfico me genera el comando, entonces de qué me sirve eso que simplemente puedo cambiar la variable dependiente que antes era el hospital, ahora voy a poner el mes, entonces voy a ver la satisfacción promedio en el mes. Y qué es lo que observo aquí? Pareciera que hay una tendencia, fíjense, pareciera que hay una tendencia a que la satisfacción del paciente aumenta desde enero hasta julio.

00:41:18:27 Y aquí sí me gustaría que ustedes me respondan. Por qué creen que pasa eso? Les recuerdo que estos son datos de la de Estados Unidos. Entonces, bien, piensen un poquito por qué la satisfacción del paciente puede aumentar desde enero hasta julio en el primer semestre? Lisa. Me escuchas por ahí? Sí, señor. Se te escucha. Correcto? Perfecto. Es que no logro encontrar el panel flotante de de Son Home, pero sí se escuchan muy bien.

00:41:54:16 Ok, bueno, es que no puedo ver las respuestas tampoco porque se me perdió el panel flotante. Pero bueno, eh. Qué? Que qué respuestas tenemos en el chat? Por qué creen que la satisfacción cierto C en la atención hospitalaria mejora desde enero hasta julio? Disculpa, Felipe, por favor, intenta con la tecla escape del equipo para que aparezca allá. Iván Listo?

00:42:21:01 Perfecto y gracias. Andrés dice. Va mejorando con el tiempo los modelos de atención durante tiempo por la temporada. Conforme se continúa el tratamiento, hay una mejor percepción de salud y el paciente está más satisfecho. La razón es la siguiente en Estados Unidos, en enero es invierno y en enero por el invierno. En los meses de invierno los dos hospitales están.

00:42:59:15 O sea, hay más demanda de servicios de salud por enfermedades respiratorias. Sí. Entonces los hospitales en invierno están llenos en Estados Unidos por enfermar por el efecto de las enfermedades respiratorias. Entonces con un hospital lleno con las enfermeras, teniendo que atender tantas personas, con las personas están un poco, digamos, incluso hay un estudio que muestra el la apertura del profesional de la medicina al paciente y es efectivamente en invierno es más difícil.

00:43:27:27 Entonces naturalmente el paciente va a sentir ese efecto. No? Pero a medida que pasan los meses y se pasa de la primavera al verano, la la demanda de servicios hospitalarios disminuye y digamos, habiendo menos pacientes en el hospital, pues los profesionales van a estar más holgados, van a tener más tiempo de dedicarle en promedio a cada paciente. Por lo tanto, esa es la razón.

00:44:00:26 O sea, eso que estamos viendo aquí es algo que pasa todos los años, es estacional, entonces tenemos una tendencia de tipo estacional en la satisfacción. Por lo tanto, yo debo tener en cuenta esto en el estudio. Por qué? Porque si yo comparo solamente el con procedimiento nuevo y versus procedimiento viejo, pues estoy es estoy omitiendo que hay un aumento en la satisfacción promedio con el tiempo, y eso sería peligrosísimo.

00:44:34:22 Y ahora, finalmente lo voy a hacer. Perdona y pregunta. Ustedes siguen viendo estatua en mi pantalla? Sí, señor. Listo. Y ahora, finalmente. Entonces lo voy a hacer con el ya, con el procedimiento, entonces cambio aquí, fíjense lo fácil que es proceder, proceder. Ok, entonces cuál es el nivel de satisfacción con el viejo procedimiento? Es como de tres punto cinco más o menos, y con el nuevo es de cuatro punto cuatro aproximadamente.

00:45:16:01 Ahorita podemos calcular esos promedios, pero lo importante es que estamos viendo que sí hay. Si yo comparara solamente esto, por ejemplo, hiciera un análisis de varianza o una prueba de T para comparar esas dos medias que de hecho podemos hacerlo. Vámonos a aquí y podemos hacer un una regresión, por ejemplo de el de la satisfacción en función solamente de el procedimiento que vamos a encontrar.

00:45:48:28 Vamos a encontrar entonces que hay una probabilidad, el valor de P. Hay un efecto significativo, cierto? Y hay un efecto significativo. El valor promedio de la satisfacción con el nuevo procedimiento es superior al valor promedio del viejo procedimiento de admisión hospitalaria. Entonces uno podría decir engaño, engañas, engañada mente que el efecto cuando cuando vemos aquí el con el coeficiente.

00:46:28:09 Fíjense, el efecto del procedimiento es de cero punto noventa y uno. Hay un efecto significativo de mejorar la satisfacción del paciente con el nuevo procedimiento. Pero estoy olvidando que hay un efecto también del tiempo y el efecto del hospital. En palabras así, bien coloquiales y bien cotidianas, le estamos echando culpa completamente al. O sea, le estamos. Le estamos echando una culpa de cero punto noventa y uno al procedimiento, cuando en realidad tiene unos cómplices que son el mes y el hospital.

00:46:57:27 Entonces seguramente el procedimiento no tiene cero punto noventa y uno, sino que tiene menos cierto. Y aquí están enmascarados esos dos efectos. Pero como yo utilicé un diseño incorrecto, en este caso sería un diseño completamente al azar. Si individuos asignados al azar, al nuevo y al viejo procedimiento, pues cuidado, ojo aquí, porque yo no puedo hacer esto. Yo podría hacer también lo mismo, cierto?

00:47:32:11 Una regresión de la satisfacción en función del mes. Y fíjense lo mismo voy al valor de PEG, diferencias significativas y cuando voy a ver que qué nivel, digámoslo así, que nivel de culpa tiene una culpa de cero punto diez. Por lo tanto, si yo estoy viendo que el mes tiene un efecto aquí significativo, pues eso es una evidencia también de que debo incluirlo en un modelo que en el que esté el procedimiento.

00:47:57:24 Y puedo hacerlo, puedo hacerlo. Finalmente con el hospital, cierto? El hospital que dice el hospital que tiene un efecto también significativo. Fíjense si con una culpa, digámoslo así de menos, cero punto cero uno es un poquito más baja, pero de todas formas es significativa. Por lo tanto, son dos variables que yo debo tener en cuenta. Ahora, yo qué podría hacer?

00:48:40:24 Podría hacer una regresión múltiple en el que la satisfacción está en función del hospital. El procedimiento, perdón? El procedimiento, el hospital y el mes, por cierto, el problema es que aquí tenemos solamente efectos auditivos y ya vimos que en el modelo de diferencias en diferencias nosotros necesitamos es limpiar la diferencia que hay del momento uno al momento dos, el antes y el después.

00:49:13:21 En el grupo control tenemos que limpiarle la diferencia, que hay perdón en el grupo de tratamiento, tenemos que limpiarle la diferencia que hay entre el punto A y el punto B del tiempo del grupo Control. Entonces es tampoco nos sirve simplemente una regresión múltiple. Entonces para eso en esta etapa existe y se ha implementado en esta versión de seis diecisiete, específicamente el el modelo de diferencias en diferencias que me que es lo que me va a generar el modelo de diferencias en diferencias que me va a limpiar.

00:49:56:03 Estadísticamente ese efecto del grupo control es efecto del group, eh, perdón, me va limpiar estadísticamente ese efecto del tiempo que está en el grupo tratamiento a través de lo que pasó en el grupo Control, entonces voy a ir a Estadísticas, análisis, efectos de tratamiento, respuesta continua. Y aquí vamos a ir a diferencias en diferencias. Cuáles son las entradas que me piden una variable dependiente, que es la satisfacción.

00:50:20:05 Cierto, es la satisfacción del paciente en una escala de cero a seis me pide unas variables independientes que en este caso son variables. No tengo, por lo tanto no voy a utilizar. Me pide una variable para la ecuación del tratamiento. Cuál es la variable tratamiento? En otras palabras, es esto y es la variable cuál es? A ver si sí, si estamos claros con lo que aprendimos.

00:50:55:15 Cuál es la variable del tratamiento? Voy a ver el chance. Cuál es la variable del tratamiento aquí? Cuál sería el procedimiento? Muy bien, excelente, entonces. Procedimiento. Cierto? El procedimiento es binario. Por qué? Porque solamente está el procedimiento viejo y el procedimiento nuevo. No tenemos un procedimiento continuo. Por ejemplo, dos, cuatro, seis, ocho, diez. Si fuesen dosis. Sí, dosis de dentro de un medicamento.

00:51:13:29 Entonces serían, por ejemplo, dos miligramos, tres miligramos, cuatro miligramos, cinco miligramos, y eso sería continuo. Pero en este caso es binario. Y finalmente tenemos los grupos y el tratamiento. Cuál es la variable de grupo de para la cual identificamos que sí hay diferencias?

00:51:50:13 Ah, perdón, aquí est satis ya. Gracias. Leticia, Leticia, Maribel. Cuál es la variable de de grupo? Hospitales, efectivamente. Y cuál es la variable de tiempo o en meses? Ok, nos nos pide otras opciones, por ejemplo el tipo de agregación de las variables. Calcular los valores de P con bootstrap salvage, con bootstrap, que lo vamos a hacer, pero ahora solamente vamos a saber los los valores por defecto.

00:52:29:12 Vamos ok. Y qué obtenemos? Tenemos empieza desde aquí. Número de grupos y tratamientos tiempo entonces. Variable de tiempo meses control es el procedimiento cero tratamiento es la le asigno un valor de uno. El grupo es el hospital en el cual hay veintiocho hospitales que quedaron dentro del grupo control, dieciocho dentro del grupo Tratamiento y en el tiempo fíjense, solamente tenemos dos antes de y después de.

00:52:59:22 Cierto uno en este caso lo asignó como uno y cuatro. El modelo que dice el modelo de regresión de diferencias en diferencias, el tipo de datos son transversales repetidos en inglés es repiten cross seccional, número de observaciones siete mil seiscientos treinta y dos y vamos a observar un parámetro que se llama el ATP, que es el atención en la TEC.

00:53:30:21 Es una medida de efecto ajustada, cierto? Voy a repetirlo. Una medida de efecto de un factor ajustada por variables de efecto, por variables de grupo o por efectos de grupo y por efectos de tiempo. Entonces, qué es lo que nos va a mostrar en la templates? Nos va a mostrar el efecto del procedimiento hospitalario limpio, tanto del del efecto de los hospitales como del efecto de los meses.

00:53:59:02 Y aquí tenemos el coeficiente cero punto setenta y tres. Aquí tiene una culpa de cero punto setenta y tres ya limpia. Recuerdan cuánto habíamos dicho? Si nosotros hacemos un análisis de varianza simple, asumiendo un diseño completamente autorizado, cuál era la culpa que tenía el. El. El procedimiento? Voy a leer el chat. Cero punto noventa y tres cero punto noventa y cuatro.

00:54:27:22 Algo así. O sea, le estábamos echando al procedimiento más culpa de la que realmente tenía. Y eso es inadecuado. Por qué? Porque si usted le va a vender este, no, si usted es el, digamos, el inventor del nuevo procedimiento, usted tiene la patente y usted la va a vender y la vende con un modelo malo, pues usted va a vender más de lo que realmente es, usted va a vender más de lo que realmente es.

00:54:51:28 Por lo tanto, está mintiendo, no está siendo honesto y también puede pasar lo contrario, que es menos, que era menos de lo que es. Por ejemplo, cuando hay interacción multiplicativo entre variables, sin embargo, tenemos un coeficiente bueno ya de cero punto setenta y tres es significativo. Aquí está, es significativo. Y el intervalo de confianza nos dice que va de ese efecto.

00:55:25:15 Va de cero punto cincuenta y cinco a cero punto noventa. Voy a ver en Chad a ver si hay preguntas y dice Puedes mostrar cómo llegamos? A diferencia de diferencias, esta es la diferencia de diferencias. Este coeficiente es diferencia de diferencias. Bueno, ahorita podemos ver preguntas adicionales. Voy a avanzar porque ya son las doce, he se deben cumplir dos supuestos para que estos resultados sean aplicables.

00:55:55:16 Uno es el supuesto de tendencias paralelas que habla de que las tendencias de la variable satisfacción antes de la intervención crezcan, manera paralela entre los dos grupos. Por qué? Porque si uno crece más rápido que el otro, cierto. Si el grupo control, por ejemplo, la satisfacción aumenta más rápido, entonces yo no voy a poder utilizar esa tendencia para limpiar la otra porque son pendientes diferentes.

00:56:37:15 Entonces, para comprobar esa, esa, esa, ese supuesto, voy a utilizar el comando Start Trends en Top Pinterest. Es al revés Start Betty premio. Cierto? Y me hace una prueba de tendencias paralelas. La hipótesis nula es que las tendencias son paralelas y por lo tanto aquí, como la probabilidad, como el valor de P es menor, es mayor a cero punto cero cinco.

00:57:08:01 De hecho, es casi cero punto cinco. Entonces no se rechaza la hipótesis nula. Por lo tanto, si se cumple el supuesto de tendencias paralelas y hay otro supuesto que es el supuesto de comportamiento que quiere decir que una vez se aplicó la intervención, se asume que el comportamiento de las dos de los dos grupos, por ejemplo, sigue siendo lineal, porque si ya se comporta de otra forma no lineal, entonces tampoco funcionaría.

00:57:41:20 Y para eso utilizamos el comando Start Granger, que es una prueba de Granger de causalidad. La hipótesis nula dice que no hay efecto en la anticipación del tratamiento y aceptamos la hipótesis nula porque es de cero punto setenta y dos. Por lo tanto, se cumplen los dos supuestos y tengo yo entonces ya más certeza de que puedo aplicar este para está los resultados de este modelo para sacar válidas y confiables.

00:58:22:20 Finalmente voy a utilizar voy a hacer el gráfico del modelo con el comando adelante para que lo podamos ver gráficamente. Aquí tenemos dos tipos de gráfico, un gráfico que son las las de los valores observados, los promedios observados y otro gráfico en el que a esos valores observados le ajusta un modelo de tendencia. Vamos a quedarnos por ahora con los observados?

00:58:48:22 Bueno, la diferencia básicamente es que acá estandariza, los intercepto a un mismo punto. Por eso las dos líneas, fíjense, empiezan en un mismo punto. Qué es lo que tenemos acá? Línea vamos a identificar los ejes. Primero mesh en el eje X Nivel de satisfacción del cliente en el eje Y. Esto está, por supuesto, promediado por hospital. Cierto. Y qué vemos?

00:59:39:12 Que primero, a medida que aumentan los meses, cierto? Hay una tendencia de aumentar la satisfacción. No, eso es evidente y afortunadamente lo tuvimos en cuenta en el modelo de diferencias en diferencias para poder limpiar el efecto real del tratamiento. Luego tenemos la línea azul, que es el control, o sea, aquellos pacientes que fueron ingresados a los hospitales con el procedimiento viejo y la línea roja, que es el tratamiento, aquellos pacientes que fueron ingresados a los hospitales con el procedimiento nuevo, entonces efectivamente estamos viendo que hay una perdón y esa línea vertical roja es el momento en el que se hizo la intervención, o sea el mes de marzo quince.

01:00:25:02 Entonces que qué ocurre? Que a medida de que, a medida que la medida de marzo, a partir de marzo, claro, en el grupo tratamiento la satisfacción aumenta tremendamente, considerablemente. Si yo quisiera ver las diferencias en diferencias gráficamente, yo puedo. Si empiezo a editar aquí, voy a hacer una línea, fíjense entre el punto A del control y el punto B del control, y voy a hacer una línea también entre el punto A del tratamiento, perdón, la anterior era del control, ahora lo voy a hacer para el punto del punto A, del tratamien al punto B del tratamiento.

01:00:52:19 Este es el F, esta es la diferencia que hay del punto A al punto B en el tratamiento. Y esta es la diferencia que hay del del punto A del control al punto B del control. Si a esta diferencia de aquí yo le quito esta diferencia de acá, supongamos que aquí se va a ver, aquí es como cuatro punto cuatro más o menos, y aquí es como tres punto cinco más o menos, o sea cuatro punto cuatro menos, tres punto cinco.

01:01:24:26 Quién puede hacer en la calculadora esa, esa suma, esa resta, perdón? Cuatro punto cuatro menos tres punto cinco es el efecto, es la El resultado de esa resta es el efecto de el tratamiento. El efecto del procedimiento en el grupo de tratamiento. Sí. Vamos a ver si alguien hizo la resta. Es cero punto nueve. Ese es el efecto del grupo de tratamiento.

01:01:47:05 Y cuál es el efecto en el grupo control? Sería más o menos Aquí estoy. Estoy aproximándome. Tres punto siete menos tres punto cuatro. Esa es la diferencia en el grupo de control. Cuanto es tres punto siete menos tres punto cuatro. Cero punto tres. Es cierto. Entonces la diferencia acá es cero punto nueve. La diferencia acá es cero punto tres.

01:02:16:27 Finalmente, fíjese que el nombre es diferencia de diferencia. Entonces la resta de las restas anteriores cero punto nueve menos cero punto tres es cero punto seis, o sea, el efecto real es de cero punto seis. Y esa es la diferencia de diferencias, por supuesto, pues aquí lo hicimos así aproximado para que ustedes pudieran verlo gráficamente en el en la pantalla y listo.

01:02:49:15 Eso es lo que son, un modelo de diferencias en diferencias en el cual yo le limpio el efecto de una variable de tiempo y de una variable de grupo cierto al efecto que a mí me interesa, que en este caso es el procedimiento. Así que bueno, espero que haya hayan entendido y espero que esto realmente sirva de utilidad para sus investigaciones, para sus proyectos, para sus tesis, etcétera Y quedo atento si tienen preguntas.

01:02:56:11 Y sí, si es que puedo responderlas, entonces la responderé.

01:03:31:18 Gracias Felipe. Alguien nos preguntaba en el chat si los comandos que te utilizaste se pueden utilizar en estrato dieciséis, si también se pueden en estrato dieciséis. Ok, se puede hacer la gráfica de tendencias paralelas. Es esta. Esta es la gráfica de tendencias paralelas. Vale, perfecto. Eso no lo habían hecho algún momento, pero tengo más preguntas por acá. Creo que te ibas contestando a medida que vas haciendo los ejercicios.

01:03:34:14 Alguien preguntó Esta es una muy buena pregunta.

01:04:11:07 Dice Edel Ramos Si tenemos un diseño donde sólo hay un tiempo y no grupo, se puede usar las posibilidades para eso. Tú las puedes ver aquí mismo, en la apps, en las opciones del análisis de diferencias, en diferencias. Recuerden efecto de tratamiento Respuesta continua Diferencias en diferencias la combinación de de estas variables las las puedes ver aquí fíjate opciones grupos y tratamiento que observa tienes tienes una variable de grupo y una variable de tiempo que son las que utilizamos.

01:04:49:12 Hay dos variables de grupo, o sea sin variable de tiempo tienes la opción de dos variables de grupo y una variable de tiempo y tienes la opción de tres variables de grupo sin variable de tiempo. Entonces voy a ver nuevamente cuál era tu pregunta en específico. Se ve bien, creo que se me perdió. Creo que la pregunta era que si se podía usar cuando no hay variable de tiempo, si se puede usar o si uno es estratégico, uno puede utilizar una variable dummy para el tiempo e ingresarla aquí como si fuera variable de grupo.

01:05:20:23 También sucede con el con el tiempo. Uno. Estos truquitos los va aprendiendo y y funcionan bien. Perfecto Felipe, algo adicional que quieres agregar antes de finalizar la presentación del día de hoy, agradecerles por su participación, por su interés y recordarles que estamos siempre haciendo. Webcast de Análisis Estadístico y Bioestadística y Modelación para Ciencias en las Ciencias de la Salud.

01:05:51:20 Estén pendientes. No se, no se los pierdan si ya están en el. En la lista de correos de software pues van a haber en un aproximadamente en un mes. Tenemos el próximo. Hasta pronto. Gracias. Para mayor información respecto al software o en temas relacionados, no dude en contactarnos a través del correo electrónico, entrenamientos a software, guion, ya.com o visitar nuestra página web triple OLE o Punto Software, guión shop punto com.

Diseños de experimentos en investigación para ciencias de la salud con apoyo de Stata


Posterior a la configuración de una buena pregunta de investigación en ciencias de la salud en ocasiones será necesario decidir un diseño experimental adecuado para responder. Los diseños experimentales permiten controlar las posibles fuentes de variación e incertidumbre en una investigación, lo cual permite obtener conclusiones razonables y objetivas.

Etiquetas relacionadas

  • Investigación
  • Investigadores
  • Proyectos de investigación

¡Comparte este video con tus colegas!

Compartir

Ver más

Cotizar
Próximos
Eventos

X

Mis cotizaciones:

Comentarios a tu solicitud:

Cotizar