ERRORES

Hoy quería introducir una entrada sobre algo muy báscio en investigación y que debemos conocer sobradamente para poder minimizarlos al máximo: los errores.

Podemos encontrar o cometer dos tipos de errores: el error aleatorio y el error sistemático.

Error Aleatorio

El primero, el error aleatorio, afecta a la precisión de las estimaciones y se produce cuando el estudio se realiza sobre una muestra probabilística de la población y no sobre el universo de estudio. Es lógico, si se trabaja con muestras es difícil esperar que los reultados coincidan exactamente con lo que ocurre en la población. 

Este error es inevitable, pero la estadística nos presta instrumentos para minimizarlo:

• Cálculo del tamaño mínimo de la muestra necesario para poder detectar como estadísticamente significativa una diferencia (en la primera fase)

• Uso de pruebas o test de hipótesis (en la segunda fase)

• Cálculo de intervalos de confianza (en la tercera fase)

 De esta forma se consigue que los diseños tengan la mayor precisión posible.

Error Sistemático

El error sistemático o sesgo desplaza artificialmente las diferencias observadas en el estudio de las verdaderas, se muestree o no. La presencia de este tipo de errores afecta a la validez interna del diseño, es decir, la credibilidad de las conclusiones respecto a los individuos estudiados. Estos errores son evitables y debemos controlarlos al máximo, cuanto mejor diseñemos el estudio, menor posibilidad de sesgos tendremos, de ahí la importancia de la etapa conceptual (entre otras cosas).

Los sesgos pueden agruparse en tres categorías:

• Sesgo de selección: se produce cuando las personas incluidas en el estudio difieren en alguna característica relevante de la población a la que se pretende aplicar las conclusiones. Este tipo de errores pueden modificar los resultados del estudio. Un ejemplo característico de este tipo de error son las negativas a participar y los abandonos. Otro ejemplo de este tipo de sesgo podría ser que estudie sujetos que no cumplan las características que yo he determinado previamente, por ejemplo, si estoy haciendo un estudio sobre adolescentes, establezco como adoleste a los menores de 16 años, y tomo algunas muestras que no cumplen ese requisito. Es importante determinar criterios de inclusión y exclusión y cumplirlos.

• Sesgo de clasificación o de información: este sesgo es producto de cualquier ejercicio de medición. Es muy importante determinar cuáles son las variables que voy a tener en cuenta y cómo las voy a medir. Por ejemplo, si voy a medir la fiebre, tengo que especificar qué considero como fiebre (por ejemplo, más de 37,5) y debe ser un criterio acogido por todos los observadores. Este sesgo puede diluir las diferencias existentes, en este caso sería no diferencial o, exagerarlas, en cuyo caso sería diferencial. Un ejemplo de sesgo no diferencial sería cuando las personas mienten en cuanto a habitos socialmente no admitidos, de modo que mezclamos erróneamente gente con o sin la exposición, lo que dificulta encontrar asociaciones. El típico caso del sesgo diferencial es el de las madres con niños nacidos con malformaciones, porque es muy probable que recuerden con más intensidad las exposiciones ocurridas durante el embarazo que las que tuvieron hijos sanos, por lo que se sobreestima el verdadero riesgo asociado.

• Sesgo de confusión: es el único de los tres que se puede controlar en la fase de análisis, mientras que los otros dos sólo pueden controlarse en la fase de diseño. Este error se produce cuando no tengo en cuenta variables que sí influyen y son predictoras del efecto. Un ejemplo del sesgo de confusión podría producirse si en un estudio que relaciona el cáncer de vejiga con la dieta rica en grasas yo no tengo en cuenta el tabaquismo o ciertas exposiciones laborales que pueden producir cáncer. Estas variables confundentes pueden distorsionar los resultados de mi estudio.

 Como podemos observar, es necesario preveer una gran cantidad de factores antes de llevar a cabo el estudio, con el fin de evitar los errores, de modo que los resultados sean fiables y tengan validez interna, ya que, de lo contrario, las conclusiones de nuestro estudio no serán tenidas en cuenta y por tanto, nuestro trabajo y todo el esfuerzo realizado será inútil.