Un estudio que no encuentra nada no es automáticamente un fracaso, y un estudio que encuentra algo no es automáticamente verdadero. Lo que distingue un resultado nulo fiable de uno inútil, y un descubrimiento real de un valor p fortuito, suele reducirse a un cálculo que la mayoría de los investigadores realiza antes de recopilar un solo dato. El análisis de potencia responde a una pregunta específica: dado el efecto mínimo que merece atención, ¿cuántos participantes, muestras u observaciones necesita un estudio para tener una buena probabilidad de detectarlo? Si se omite este cálculo, un estudio puede resultar demasiado pequeño para encontrar un efecto que realmente exista o, con menos frecuencia, demasiado grande de lo necesario, consumiendo presupuesto y tiempo de los participantes sin ningún beneficio real.

Los comités de ética, los revisores de revistas científicas y los comités de evaluación de subvenciones solicitan este número ahora, y con razón. Durante décadas, los ensayos publicados se realizaron con tamaños de muestra elegidos por costumbre, presupuesto o intuición, en lugar de mediante cálculos precisos, y la literatura científica sobre este patrón no es nada halagadora. Esta guía explica los cuatro números en los que se basa un análisis de potencia, realiza un cálculo completo con aritmética real, abarca el análisis de potencia para los cuatro diseños más utilizados por los investigadores y señala dónde suelen cometer errores matemáticos los estudios.

En palabras simples

Un análisis de potencia es un cálculo que se realiza antes de que comience un estudio, no después de que termine. Responde a una pregunta práctica: ¿Cuántas personas, animales o muestras se necesitan para que, si existe un efecto real, el estudio tenga una buena probabilidad de detectarlo? El cálculo requiere cuatro elementos que funcionen en conjunto: la importancia que se le da al efecto, el riesgo de una falsa alarma que se está dispuesto a aceptar, la fiabilidad con la que se desea detectar un efecto real y el tamaño de la muestra que hace que los otros tres valores sean consistentes entre sí. Si se realiza correctamente, un resultado nulo tiene sentido. Si se omite, un resultado nulo podría significar simplemente que el estudio nunca tuvo una oportunidad justa.

Qué decide realmente un análisis de potencia

Toda prueba de hipótesis tiene dos posibilidades de fallar. Un estudio puede rechazar una hipótesis nula verdadera, una falsa alarma que los estadísticos denominan error de tipo I, o puede no rechazar una hipótesis nula falsa, un error de tipo II. Alfa es el riesgo de un error de tipo I que un investigador acepta, casi siempre fijado en 0.05. La potencia analiza la misma prueba desde el ángulo opuesto. La potencia es igual a uno menos beta, donde beta es la tasa de error de tipo II, e indica la probabilidad de detectar correctamente un efecto que realmente existe.

Decisión de pruebaLa hipótesis nula es realmente cierta.La hipótesis nula es en realidad falsa.
Rechazar el nuloError de tipo I, tasa = α (normalmente 0.05)Detección correcta, tasa = potencia = 1 − β
No se rechaza el valor nulo.No detección correcta, tasa = 1 − αError de tipo II, tasa = β

El tamaño de la muestra es el factor clave. Manteniendo constantes el tamaño del efecto y el nivel de significancia (alfa), una muestra mayor aumenta la potencia estadística, ya que una mayor cantidad de datos reduce el ruido en torno a una estimación y facilita la distinción entre una diferencia real y el azar. Un análisis de potencia estadística trabaja esta relación a la inversa, partiendo de la potencia y el tamaño del efecto que el investigador desea alcanzar y determinando el tamaño de la muestra necesario para lograrlos.

Los cuatro números que sustentan un análisis de potencia

En un análisis de potencia, cuatro cantidades se determinan mutuamente, y al fijar tres de ellas se define la cuarta. El tamaño del efecto describe cuán grande es una diferencia o asociación que se considera significativa, expresado en una escala estandarizada para que pueda compararse entre resultados y estudios. Alfa establece la tolerancia para un falso positivo, casi siempre 0.05 en la investigación aplicada, a veces ajustada a 0.01 cuando una falsa alarma sería costosa o peligrosa. La potencia establece la tolerancia para no detectar un efecto real, convencionalmente 0.80 y cada vez más 0.90 para trabajos confirmatorios o de alto riesgo. El tamaño de la muestra se elimina una vez que se fijan las otras tres.

El 80 % se convirtió en el objetivo de potencia convencional, principalmente debido al influyente trabajo de Jacob Cohen sobre el tamaño del efecto y el tamaño de la muestra, y aún figura como el valor predeterminado en la mayoría de las guías de revistas y organismos financiadores. Un número creciente de metodólogos ahora aboga por un 90 %, dado que con frecuencia un efecto real resulta ser menor de lo que los investigadores esperaban inicialmente.

Cohen también propuso valores de referencia para efectos pequeños, medianos y grandes, y los investigadores de psicología, medicina y epidemiología siguen recurriendo a ellos cuando no existe una mejor estimación a partir de datos previos. Se trata de convenciones, no de leyes de la naturaleza. Un estudio piloto o el tamaño del efecto publicado en una investigación estrechamente relacionada siempre superan a una estimación genérica.

PruebaMedida del tamaño del efectoPequeñaMediaAncha
Comparación entre dos gruposD de Cohen0.20.50.8
Asociación entre dos variables continuasCorrelación r0.10.30.5
Comparación de tres o más medias de grupoLa f de Cohen0.100.250.40
Regresión múltiplef² de Cohen0.020.150.35
Asociación categóricaCohen0.100.300.50

Elegir la fila incorrecta en esa tabla es uno de los errores más comunes en un análisis de potencia estadística. Un efecto medio en un campo puede ser optimista o pesimista en otro, y optar por "medio" sin comprobar si coincide con los resultados de estudios similares es una suposición disfrazada de cálculo. Es importante comprender la relación entre alfa y significancia estadística antes de fijar estos valores, ya que ambas decisiones interactúan.

Los estudios con poca potencia estadística no son un problema hipotético.

Las consecuencias de omitir este paso están documentadas, no son teóricas. Un nuevo análisis de 71 ensayos clínicos publicados con resultados negativos reveló que 67 de ellos, el 94% de la muestra, presentaban un riesgo superior al 10% de no haber detectado una mejora real del 25% en el tratamiento, simplemente porque no reclutaron suficientes pacientes para observarla. Cincuenta de esos mismos 71 ensayos, el 70%, podrían haber pasado por alto una mejora de hasta el 50% (Freiman et al., 1978, New England Journal of Medicine ).

Un análisis de seguimiento realizado por Moher, Dulberg y Wells examinó 383 ensayos publicados en JAMA , The Lancet y el New England Journal of Medicine entre 1975, 1980, 1985 y 1990. Entre los 70 ensayos negativos de dos grupos con datos de resultados utilizables, solo el 16% tenía la potencia estadística para detectar una diferencia relativa del 25%, y solo el 36% podía detectar una diferencia relativa del 50%, cifras que apenas variaron a lo largo de quince años de publicación. La presentación de informes sí mejoró durante ese período. Los cálculos del tamaño de la muestra pasaron de aparecer en el 0% de estos artículos en 1975 al 43% en 1990, un progreso real, aunque el 43% todavía significa que la mayoría de los ensayos con resultados negativos no estaban mostrando su trabajo (Moher et al., 1994, JAMA ).

Hallazgo clave: El patrón no se limita a los ensayos clínicos ni al siglo XX. Un análisis ampliamente citado encontró que el poder estadístico promedio de los estudios de neurociencia es lo suficientemente bajo como para inflar los tamaños del efecto publicados y reducir la frecuencia con la que se replican los resultados (Button et al., 2013, Nature Reviews Neuroscience). Una auditoría de ensayos ortopédicos de 2021 llegó a una conclusión similar dos décadas después de que se señalara por primera vez el mismo problema en esa especialidad, describiendo la potencia inadecuada como una razón fundamental por la que los hallazgos publicados no se mantienen en la replicación (Reito et al., 2021, Reseñas de JBJS).

Tras cuatro décadas de metainvestigación, el mismo error se repite constantemente. Los estudios se diseñan en función del tamaño de muestra que permita el presupuesto o el periodo de reclutamiento, y luego se analizan como si ese número se hubiera elegido para detectar un efecto específico y preestablecido. Generalmente, no es así. El diseño y el análisis de los ensayos controlados aleatorizados dependen de que este aspecto sea correcto antes de la inclusión de un solo participante, ya que un ensayo no puede recuperarse estadísticamente una vez que tiene una potencia estadística insuficiente y está en marcha.

Cómo elegir el método para realizar el análisis de potencia

Existen tres métodos prácticos para determinar el tamaño de la muestra, y el más adecuado depende de la estandarización del diseño. Para diseños convencionales, se pueden utilizar comparaciones entre dos grupos, análisis de varianza unidireccional (ANOVA), correlaciones y regresión estándar; existen fórmulas analíticas que se aplican instantáneamente con software gratuito. G*Potencia, creado por un equipo de la Universidad Heinrich Heine de Düsseldorf y documentado en un artículo de métodos ampliamente citado, cubre la mayoría de estas pruebas a través de una interfaz de apuntar y hacer clic y sigue siendo la opción gratuita más comúnmente recomendada en cursos de métodos y guías de revistas (Faul et al., 2007, Métodos de investigación del comportamiento). Los usuarios de R obtienen cálculos equivalentes a través de la pwr paquete, que reproduce la salida de G*Power y se integra de forma natural en un script de análisis reproducible.

Consejo: Realice el cálculo en ambas direcciones antes de finalizar un protocolo. Calcule el tamaño de muestra necesario para alcanzar la potencia objetivo y, a continuación, calcule la potencia real que obtendría con el tamaño de muestra que su presupuesto o el plazo de reclutamiento permiten de forma realista. Es importante conocer la diferencia entre ambos valores antes de comenzar la recopilación de datos, no después.

Tanto las fórmulas como G*Power parten de un diseño bastante estándar. Cuando un estudio implica agrupamiento, pacientes anidados dentro de clínicas (por ejemplo), mediciones repetidas en la misma persona, datos faltantes planificados o un modelo no estándar como un análisis de efectos mixtos o bayesiano, las fórmulas cerradas dejan de ser fiables y la simulación se convierte en la opción más segura. Un análisis de potencia basado en simulación genera miles de conjuntos de datos sintéticos bajo un tamaño del efecto y un modelo de análisis supuestos, ejecuta la prueba estadística planificada en cada uno e informa la proporción de ejecuciones que alcanzan la significación estadística. Configurarlo lleva más tiempo que introducir números en G*Power, pero maneja una complejidad que las fórmulas cerradas no pueden.

Análisis de potencia para los cuatro diseños que realmente ejecutará.

A continuación se presentan los cuatro diseños que abarcan la mayoría de las investigaciones aplicadas, con la lógica de la fórmula que sustenta cada uno y un ejemplo real calculado con un tamaño del efecto medio, un alfa de 0.05 y una potencia del 80 %. Todas las cifras que se muestran a continuación provienen del mismo software estadístico que los investigadores utilizan para sus propios protocolos, no de una regla general.

Dos grupos independientes (prueba t)

Comparar la media entre dos grupos independientes (un grupo de tratamiento frente a un grupo de control, o un grupo expuesto frente a uno no expuesto) es el diseño que se suele utilizar en la mayoría de los debates sobre el tamaño de la muestra. La potencia estadística en este caso depende de la d de Cohen, la diferencia entre las medias de los grupos expresada en unidades de desviación estándar. La regresión logística permite realizar una comparación similar entre dos grupos cuando la variable de respuesta es binaria en lugar de continua , utilizando un cálculo relacionado pero distinto que se explica más adelante.

ANOVA unidireccional (medias de tres o más grupos)

Cuando una comparación abarca más de dos grupos, el análisis de varianza (ANOVA) reemplaza la prueba t y el tamaño del efecto se cambia a la f de Cohen, que resume la dispersión de las medias grupales en relación con la variabilidad dentro de cada grupo. Los diseños que incorporan agrupamiento además de múltiples grupos, como un ensayo que aleatoriza clínicas en lugar de pacientes individuales , requieren un ajuste adicional llamado efecto de diseño, que aumenta el tamaño de muestra necesario para tener en cuenta que los pacientes dentro del mismo grupo se parecen más entre sí que los pacientes en grupos diferentes.

Correlación (Asociación entre dos variables continuas)

Para comprobar si dos variables continuas varían conjuntamente, como la presión arterial y la edad, o la puntuación de un cuestionario y una medida de resultado, se utiliza directamente el coeficiente de correlación de Pearson (r) como indicador del tamaño del efecto. Elegir la prueba adecuada desde el principio es más importante de lo que parece, ya que una relación que en teoría parece lineal, pero que no lo es en los datos reales, requiere un enfoque no paramétrico diferente, a menudo menos potente.

Regresión múltiple (prueba de predictores de un resultado)

Los modelos de regresión que prueban varios predictores a la vez, o un solo predictor mientras se ajustan por covariables, utilizan el coeficiente f² de Cohen, una razón que compara la varianza explicada por los predictores de interés con la varianza restante. La regresión multivariable en la investigación clínica suele requerir más participantes que una simple comparación de dos grupos una vez que se incluyen varias covariables en el modelo, y la regresión logística para un resultado binario tiene su propia regla general adicional, además del cálculo de potencia estándar, que a menudo se expresa como aproximadamente diez eventos observados por variable predictora.

DiseñoTamaño de efecto medioTamaño de muestra requerido
Dos grupos independientes (prueba t)d = 0.564 por grupo (N = 128)
ANOVA unidireccional, 3 gruposf = 0.2553 por grupo (N = 159)
Correlación (r de Pearson)r = 0.3N = 85
Regresión múltiple, 5 predictoresf² = 0.15N = 92
Tabla de chi-cuadrado de 2×2w = 0.3N = 88

Todas las cifras se calcularon a α = 0.05, bilateral y con una potencia del 80%, utilizando R. stats y pwr paquetes que coinciden con la salida de G*Power para las mismas entradas.

Un ejemplo práctico que puedes reutilizar

Aquí está el cálculo completo que hay detrás de la primera fila de esa tabla, realizado a mano para que la lógica sea visible en lugar de estar oculta dentro de un software.

Imaginemos un ensayo con dos grupos que compara una nueva intervención con la atención estándar en una variable de resultado continua. Según la literatura previa, una diferencia estandarizada de d de Cohen = 0.5 es el efecto mínimo detectable, un efecto medio convencional. El nivel de significancia (alfa) se establece en 0.05 bilateral, el umbral estándar, con una potencia del 80 %, lo que implica una probabilidad del 80 % de detectar dicho efecto si realmente existe.

La fórmula de aproximación normal para una comparación entre dos grupos es n por grupo igual a 2 veces el cuadrado de (z para alfa sobre 2, más z para potencia), dividido por d al cuadrado. Los valores estándar son 1.96 para z con una potencia de 0.025 y 0.84 para z con una potencia del 80 %.

n por grupo = 2 × (1.96 + 0.84)² ÷ 0.5²
    = 2 × (2.80)² ÷ 0.25
    = 2 × 7.84 ÷ 0.25
    = 15.68 ÷ 0.25
    = 62.8, redondeado a 63 participantes por grupo

Esa aproximación normal se acerca bastante, pero no es exactamente lo que calculan G*Power o R. Ambos utilizan la distribución t no central exacta en lugar del atajo anterior, que es ligeramente más conservador. Al ejecutar las mismas entradas, d = 0.5, alfa = 0.05 bilateral, potencia del 80%, a través de R power.t.test La función devuelve 63.8 por grupo, redondeando al alza. 64 participantes por grupo, 128 en total, el número que una sección de métodos realmente reportaría y la misma cifra que produce G*Power para este diseño.

La diferencia entre la respuesta aproximada y la exacta es importante por una razón. Confiar en un método aproximado en lugar del método exacto que utiliza el software es el tipo de pequeño error que se acumula. Reclutar solo 40 participantes por grupo en lugar de 64, una diferencia que puede parecer insignificante en una hoja de cálculo presupuestaria, reduce la potencia estadística para el mismo efecto d = 0.5 a poco menos del 60 %, en lugar del 80 % previsto en el estudio. Esto equivale prácticamente a lanzar una moneda al aire para no detectar un efecto real y moderado, y es precisamente el patrón de errores que Freiman y Moher documentaron a lo largo de décadas de ensayos publicados.

Tamaño de la muestra por grupoPotencia alcanzada (d = 0.5, α = 0.05)
4059.8%
6480.2%
8690.0%

Para un diseño que coincida con una de las filas de la tabla anterior, la calculadora gratuita de tamaño de muestra de Editverse realiza este cálculo exacto sin necesidad de tener R o G*Power instalados localmente, y la guía paso a paso para usarla explica cada campo de entrada.

Errores que silenciosamente invalidan un análisis de potencia

  • Calcular la potencia a posteriori a partir de tu propio resultado. La potencia estadística calculada a posteriori a partir del valor p del propio estudio es, matemáticamente, simplemente una versión reescalada de dicho valor p. No aporta información relevante y la mayoría de los metodólogos desaconsejan su publicación.
  • Estimar el tamaño del efecto sin datos piloto ni base bibliográfica. Optar por "medio" simplemente porque suena razonable convierte un cálculo en una conjetura disfrazada de científico de laboratorio.
  • Ignorar la deserción prevista o los datos faltantes. Un análisis de potencia proporciona el tamaño de muestra necesario para el análisis, no el tamaño de muestra inscrito. La deserción prevista debe sumarse al número calculado, no incorporarse posteriormente.
  • No se realizan ajustes por agrupamiento, medidas repetidas ni comparaciones múltiples. Cada uno de estos cambios modifica el tamaño efectivo de la muestra o el alfa que realmente se está utilizando, y omitir el ajuste erosiona silenciosamente la potencia que un estudio cree tener.
  • Tratar el análisis de potencia como un requisito que se debe cumplir una sola vez ante un comité de ética. Agregar un grupo de tratamiento, cambiar el resultado principal o revisar el plan de análisis a mitad del estudio debería dar lugar a un nuevo cálculo, y ese paso se omite con más frecuencia de la que debería.
  • Confundir la significación estadística con la significación práctica. Una muestra muy grande puede tener la potencia estadística suficiente para detectar una diferencia demasiado pequeña como para tener importancia clínica o práctica, lo cual constituye en sí mismo un tipo de fallo de diseño.

Cómo redactar su análisis de poder para un manuscrito o una solicitud de subvención.

La sección de métodos debe contener información suficiente para que un revisor o el estadístico del comité de evaluación pueda verificar el análisis de potencia, y no solo dar por sentado que se realizó. Esto implica especificar la procedencia del tamaño del efecto asumido (estudio piloto, metaanálisis publicado o diferencia mínima clínicamente importante declarada), junto con los objetivos de alfa y potencia, y el software o la fórmula exactos utilizados.

  • Indique la magnitud del efecto y su origen. La afirmación “Asumimos un efecto medio, d = 0.5, basándonos en [estudio previo]” es verificable. La afirmación “Asumimos un efecto razonable” no lo es.
  • Informe explícitamente sobre alfa y potencia. No permita que el lector deduzca estas conclusiones basándose únicamente en el tamaño final de la muestra.
  • Nombra el software y pruébalo. G*Power, R's pwr Los paquetes PASS y nQuery pueden producir valores ligeramente diferentes en los extremos, por lo que nombrar la herramienta permite que otra persona reproduzca la cifra.
  • Informe la cifra final con honestidad, incluyendo cualquier incremento por abandono escolar o agrupamiento de alumnos. Si se inscribieron menos participantes de los previstos en el cálculo, indíquelo y analice directamente la potencia resultante en lugar de dejar que un revisor lo note.

Los evaluadores de subvenciones leen esta sección con atención por una razón. Una sección sobre el enfoque estadístico que no tiene coherencia es una de las razones más comunes y evitables por las que una propuesta recibe una puntuación baja en cuanto a rigor, y una revisión de propuestas de subvención centrada en el cumplimiento detecta este tipo de deficiencias mucho antes de la presentación, en lugar de dejar que sea culpa de un evaluador desafortunado.

Obtén ayuda práctica con tu análisis de potencia.

Algunos análisis de potencia son rutinarios. Otros implican agrupamiento, datos faltantes o un modelo tan complejo que un cálculo estándar no resistiría una revisión. Los estadísticos de Editverse manejan ambos extremos de este espectro.

Análisis estadístico de tesis y manuscritos

$600

Los estadísticos con doctorado se encargan del análisis de potencia, la justificación del tamaño de la muestra y el plan de análisis completo en SPSS, R o STATA.

Ver detalles →

Edición de propuestas de subvención y revisión de cumplimiento

$1,190

Antes de enviar la solicitud, compruebe que el análisis de potencia que ha presentado se ajusta a sus objetivos, a su plan de análisis y a los requisitos de su entidad financiadora.

Ver detalles →

Preguntas frecuentes sobre el análisis de potencia

¿Qué tamaño de muestra necesito para un tamaño del efecto medio?

Depende del diseño, pero como referencia, para detectar un efecto medio (d de Cohen = 0.5) entre dos grupos independientes con una potencia convencional del 80 % y un nivel de significancia alfa de 0.05, se necesitan 64 participantes por grupo, 128 en total. Un ANOVA unidireccional entre tres grupos con un efecto medio comparable requiere aproximadamente 53 participantes por grupo. Los efectos mayores requieren muchos menos participantes, y los efectos menores requieren muchísimos más, razón por la cual adivinar incorrectamente el tamaño del efecto es un error tan costoso.

¿Debo usar el 80% o el 90% de la potencia?

El 80 % sigue siendo el valor predeterminado en la mayoría de las investigaciones publicadas y en la mayoría de las plantillas de las agencias de financiación, pero acepta una probabilidad de uno entre cinco de no detectar un efecto real. Los ensayos confirmatorios y los estudios de registro especifican cada vez más una potencia del 90 %, lo que aumenta sustancialmente el tamaño de la muestra requerido, aproximadamente entre un 30 % y un 40 % más que el cálculo equivalente del 80 % para una prueba t de dos grupos.

¿Cuál es la diferencia entre el poder a priori y el poder post hoc?

El análisis de potencia a priori se realiza antes de la recopilación de datos y responde a la pregunta que debe responder el diseño de un estudio: ¿Qué tamaño de muestra se necesita para detectar un efecto específico? La potencia post hoc, u observada, se calcula a posteriori a partir del resultado del estudio y su propio valor p, y la mayoría de los metodólogos la consideran poco informativa, ya que matemáticamente es solo una transformación del valor p ya disponible, en lugar de una nueva evidencia sobre algo.

¿Puedo realizar un análisis de potencia para un estudio que ya he completado?

Solo de forma limitada y retrospectiva. Es posible calcular el tamaño de muestra necesario para un tamaño de efecto específico, lo cual resulta útil para planificar un estudio de seguimiento o replicación, pero calcular la potencia a partir de un efecto y un valor p ya observados no aporta información convincente al revisor sobre el estudio finalizado.

¿Es aplicable el análisis de potencia a la investigación cualitativa?

No. El análisis de potencia es un concepto estadístico frecuentista basado en pruebas de hipótesis, valores p y distribuciones de muestreo, ninguno de los cuales se aplica a los métodos cualitativos. Los investigadores cualitativos justifican el tamaño de la muestra de manera diferente, generalmente mediante la saturación temática, el punto en el que las entrevistas o fuentes de datos adicionales dejan de generar nuevos códigos o temas.

¿Qué tamaño del efecto debo usar si no tengo datos piloto?

Un tamaño del efecto publicado de un estudio estrechamente relacionado o un metaanálisis sobre el mismo resultado siempre es mejor opción que una estimación genérica. Cuando no existe ninguno de los dos, el efecto medio convencional de Cohen es una alternativa válida, pero la sección de métodos debe indicar claramente que se trata de una convención y no de una estimación basada en la población específica del estudio, ya que es probable que un revisor pregunte al respecto.

¿Cómo afecta la deserción o el abandono escolar al cálculo?

Un análisis de potencia proporciona el tamaño de muestra necesario para el análisis, no para el reclutamiento. Si se espera que el 15 % de los participantes abandonen el estudio o se pierdan durante el seguimiento, se debe dividir el tamaño de muestra objetivo entre 0.85 para obtener el objetivo de reclutamiento. Un estudio que necesita 128 participantes para el análisis, con una tasa de abandono prevista del 15 %, debería reclutar aproximadamente 151 participantes.

¿G*Power es gratis?

Sí. G*Power es gratuito, desarrollado y mantenido por investigadores de la Universidad Heinrich Heine de Düsseldorf, y abarca pruebas t, ANOVA, correlación, regresión, chi-cuadrado y varios diseños menos comunes a través de una aplicación de escritorio descargable para Windows y Mac.

¿Qué ocurre si mi diseño no se ajusta a una fórmula estándar?

El análisis de potencia basado en simulación es la solución estándar para cualquier problema que una fórmula cerrada no pueda resolver con precisión, incluyendo modelos de efectos mixtos, diseños agrupados o multinivel y análisis bayesianos. Su configuración requiere más tiempo que la de G*Power, pero funciona prácticamente con cualquier diseño que pueda codificarse y analizarse en R o un entorno similar.

Puntos Clave

  • ✓ Fije tres de los siguientes parámetros: tamaño del efecto, alfa, potencia y tamaño de la muestra, y un análisis de potencia resolverá el cuarto.
  • ✓ 0.05 alfa y 80 % de potencia son puntos de partida convencionales, no reglas fijas.
  • ✓ Décadas de ensayos publicados, desde una auditoría de 1978 hasta un reanálisis de 2021, siguen encontrando el mismo problema de potencia insuficiente.
  • ✓ El paquete pwr de G*Power y R cubre los diseños estándar de forma gratuita; la simulación cubre el resto.
  • ✓ Un cálculo detallado debe mostrar sus pasos aritméticos, no solo el resultado final.
  • ✓ Aumentar el objetivo de matriculación para tener en cuenta la deserción prevista antes de fijar un plan de captación.
  • ✓ Informar sobre el tamaño del efecto, su origen, alfa, potencia y software utilizado, cada vez.

¿Necesitas que revisen tu análisis de potencia antes de enviarlo?

Los estadísticos de Editverse revisan las justificaciones del tamaño de la muestra, las secciones sobre el enfoque de las subvenciones y los planes de análisis completos para investigadores de todos los campos.

Obtenga asistencia estadística
Consulta Gratis

Referencias

  1. Freiman JA, Chalmers TC, Smith H Jr, Kuebler RR. La importancia de beta, el error tipo II y el tamaño de la muestra en el diseño e interpretación del ensayo controlado aleatorizado. Encuesta de 71 ensayos “negativos”. N Engl J Med. 1978;299(13):690-694. https://pubmed.ncbi.nlm.nih.gov/355881/
  2. Moher D, Dulberg CS, Wells GA. Potencia estadística, tamaño de la muestra y su presentación en ensayos controlados aleatorios. JAMA. 1994;272(2):122-124. https://pubmed.ncbi.nlm.nih.gov/8015121/
  3. Button KS, Ioannidis JPA, Mokrysz C, et al. Fallo de potencia: por qué un tamaño de muestra pequeño socava la fiabilidad de la neurociencia. Nat Rev Neurosci. 2013;14(5):365-376. https://pubmed.ncbi.nlm.nih.gov/23571845/
  4. Faul F, Erdfelder E, Lang AG, Buchner A. G*Power 3: un programa flexible de análisis de potencia estadística para las ciencias sociales, del comportamiento y biomédicas. Métodos de comportamiento. 2007;39(2):175-191. https://pubmed.ncbi.nlm.nih.gov/17695343/
  5. Reito A, Raittio L, Helminen O. Revisión del tamaño de la muestra y la potencia estadística de los ensayos controlados aleatorios en ortopedia después de dos décadas. JBJS Rev. 2021; 9 (3). https://pubmed.ncbi.nlm.nih.gov/32224628/
  6. Universidad Heinrich Heine de Düsseldorf. G*Power: software de análisis de potencia estadística. https://www.psychologie.hhu.de/arbeitsgruppen/allgemeine-psychologie-und-arbeitspsychologie/gpower
  7. Champely S, et al. pwr: Funciones básicas para el análisis de potencia. The Comprehensive R Archive Network. https://cran.r-project.org/package=pwr
  8. Escuela de Salud Pública de la Universidad de Boston. Determinación de la potencia estadística y el tamaño de la muestra. https://sphweb.bumc.bu.edu/otlt/mph-modules/bs/bs704_power/bs704_power_print.html