¿Cómo se distingue entre un placebo y un tratamiento activo?

1 Las hipótesis nula y alternativa

El primer paso es formular dos hipótesis: la hipótesis nula y la hipótesis alternativa. La hipótesis nula es la suposición de que no hay diferencia entre el placebo y el tratamiento activo, y que cualquier diferencia observada se debe a una variación aleatoria. La hipótesis alternativa es la contraria, que hay una diferencia entre el placebo y el tratamiento activo, y la diferencia no se debe al azar. Por ejemplo, si está probando un nuevo analgésico, la hipótesis nula sería que el analgésico no tiene ningún efecto en la reducción del dolor, y la hipótesis alternativa sería que el analgésico sí reduce el dolor.

2 El valor p y el nivel de significación

El siguiente paso es calcular el valor p, que es la probabilidad de observar una diferencia entre el placebo y el tratamiento activo como extrema o más extrema que la observada, asumiendo que la hipótesis nula es cierta. Cuanto menor sea el valor p, menos probable es que la diferencia se deba al azar, y más probable es que la hipótesis alternativa sea verdadera. Para decidir si rechazar o aceptar la hipótesis nula, debe comparar el valor p con un nivel de significación, que es un umbral que se establece antes de realizar la prueba. El nivel de significación suele ser de 0,05, lo que significa que estás dispuesto a aceptar un 5% de posibilidades de tomar una decisión equivocada. Si el valor p es menor o igual que el nivel de significación, se rechaza la hipótesis nula y se concluye que hay una diferencia entre el placebo y el tratamiento activo. Si el valor p es mayor que el nivel de significación, no se rechaza la hipótesis nula y se concluye que no hay evidencia de una diferencia.

3 El intervalo de confianza y el tamaño del efecto

Otra forma de distinguir entre un placebo y un tratamiento activo es utilizar un intervalo de confianza y un tamaño del efecto. Un intervalo de confianza es un rango de valores que contiene la verdadera diferencia entre el placebo y el tratamiento activo con un cierto nivel de confianza, generalmente del 95%. Si el intervalo de confianza no incluye cero, significa que la diferencia es estadísticamente significativa. El tamaño del efecto es una medida de cuán grande o significativa es la diferencia, independientemente del tamaño de la muestra. Hay diferentes formas de calcular el tamaño del efecto, como la d de Cohen, que es la diferencia entre las medias divididas por la desviación estándar agrupada. Un tamaño de efecto mayor indica un efecto más fuerte del tratamiento activo.

4 La potencia y el tamaño de la muestra

El último paso es considerar la potencia y el tamaño de la muestra de la prueba. El poder es la probabilidad de rechazar la hipótesis nula cuando es falsa, o de encontrar una diferencia cuando la hay. El tamaño de la muestra es el número de participantes u observaciones en la prueba. La potencia y el tamaño de la muestra están relacionados: cuanto mayor sea el tamaño de la muestra, mayor será la potencia, y viceversa. Una potencia baja significa que tiene una alta probabilidad de perder una diferencia real o cometer un error de tipo II. Una potencia alta significa que tiene una alta probabilidad de detectar una diferencia real o evitar un error de tipo II. Puede utilizar un análisis de potencia para determinar el tamaño de muestra óptimo para la prueba, en función del tamaño del efecto, el nivel de significación y la potencia esperados.

5 Esto es lo que hay que tener en cuenta

Este es un espacio para compartir ejemplos, historias o ideas que no encajan en ninguna de las secciones anteriores. ¿Qué más te gustaría añadir?