Super buen vídeo!! Tantísimas gracias por compartir :)
3 года назад
Leticia, mil gracias a ti por comentarlo. Saber que ponerme a hacer trabajos como este cumple su objetivo y resulta útil o informativo a otras personas, es todo lo que busco. ¡Saludos!
4 года назад
Me pareció interesante su vídeo.
4 года назад+2
Mil gracias por tus palabras, José Antonio. Me alegra enormemente escuchar la opinión de un investigador como tú. En estos días estaré subiendo el segundo tutorial, dedicado a diseños factoriales; espero sea útil. Saludos desde Colombia.
4 года назад
@ Estaré atento para ver el segundo tutorial. Gracias por compartir su conocimiento a través de los vídeos. Saludos desde Puerto Rico.
Muchas gracias por la excelente explicación!!!! Tengo una duda, según entiendo, halla el tamaño de muestra necesario de acuerdo al diseño de muestreo,por ejemplo, es una prueba t o ANOVA pero estas pruebas se realizan cuando los datos se distribuyen de forma normal. En mi caso particular, de antemano se que mis datos raramente cumplen con los supuestos de normalidad, por tanto debo realizar pruebas no paramétricas. Es válido que use los mismos argumentos? Podría decirme que hacer? por favor. Gracias
3 года назад+4
Hola Amanda, mil gracias por tus amables palabras. Aunque, como verás, no tengo una respuesta muy concreta ni hay una solución mágica, sí hay varias cosas por decir, que espero te ayuden: 1. A pesar de que comúnmente se puede creer que para hacer un modelo lineal general (regresión, prueba t, ANOVA, etc) las variables deben tener una distribución aproximadamente normal, lo que realmente importa no es directamente la distribución de tus variables o de tu variable dependiente, sino la distribución de los residuos del modelo (el error o diferencia entre los valores *reales* de tu variable dependiente y los valores *predichos* por tu modelo). Esa distribución es algo que no puedes conocer sino hasta después de haber ajustado el modelo, y que podría ser mejor de lo que supones. 2. En cualquier caso, existen otras aproximaciones para analizar tus datos: (a) excluir valores atípicos puede ayudar, (b) hay técnicas para ajustar modelos robustos a violaciones de los supuestos de un modelo, (c) pruebas no paramétricas, y (d) modelos lineales generalizados que, a diferencia de los generales, no asumen una distribución residual normal, sino que puedes definir la distribución más apropiada. 3. Además, hay opciones para que un ANOVA sea aceptable, incluso cuando hay violaciones a los supuestos, como el de normalidad de los residuos: (a) siempre se pueden transformar los datos (e.g. hacer una transformación Box Cox, aunque esto puede dificultar ciertos aspectos de la interpretación de tu modelo) para que la distribución residual sea más apropiada para un análisis paramétrico, como un ANOVA, o, quizás mejor aún, (b) usar técnicas como el bootstrap que permiten tener conclusiones confiables así hayas violado ciertos supuestos. Utilizar técnicas de bootstrap para identificar los intervalos de confianza (disponer de IC ayudaría a evaluar los efectos de tus variables independientes incluso en ausencia de valores p), podría ser de gran ayuda para resolver estos problemas (véase, por ejemplo, Fox, 2016, capítulo 21). 4. No conozco técnicas para calcular tamaño de muestra para modelos lineales generalizados, pero quizás existan. En cualquier caso, es posible que pueda hacerse una simulación para determinar esto, a la manera que funciona Superpower (que explico en el tercer video de esta serie), aunque esto requeriría bastante tiempo y de alguien que sepa mucho de programación. 5. El análisis de poder para calcular un tamaño de muestra por supuesto no es la prueba misma (en tu caso, por ejemplo, el ANOVA), sino simplemente una estimación del tamaño de muestra requerido para lograr cierto poder estadístico asumiendo unos tamaños de efecto mínimos esperados o de interés, para que después tu prueba estadística provea resultados más confiables. En últimas, no creo que sea demasiado problemático si estimas la muestra pensando en un ANOVA, pero después usas un tipo de prueba diferente para analizar los datos, si ves que un ANOVA no es apropiado. Esto creo que sería verdad especialmente si calculas la muestra necesaria con base en efectos lo más pequeños posibles, pues esto te llevará a un tamaño de muestra mayor, lo que además genera modelos más estables y confiables, sobre todo si usas técnicas como bootstrap. Espero que esto te de algunas ideas... * Fox, J. (2016). Bootstrapping Regression Models. In Applied Regression Analysis and Generalized Linear Models (3rd ed., pp. 587-606). Sage. us.sagepub.com/sites/default/files/upm-binaries/68018_Fox_Chapter_21.pdf
Muchas gracias por el video, algo que aun no enetendi muy bien es cuando debo usar una "d de cohen" mayor o menor que factores debo tener en cuenta al momento de elegir una d cohen de 0.3 o 0.5?. Gracias
2 года назад+2
Hola. La verdad no es que haya una regla para eso. Típicamente depende del efecto que quieras o esperas detectar. Si tienes evidencia que te hace pensar, por ejemplo, que el efecto será de 0.3, sería buena idea hacer una estimación del tamaño de muestra necesario para detectar como significativo un efecto de ese tamaño. Alternativamente (y quizás mejor), puedes estimar cuál es el mínimo tamaño de efecto que considerarías relevante, y calcular el tamaño de muestra basándote en ese tamaño de efecto. Espero que esto te ayude. ¡Mucha suerte!
Excelente contenido me sumo a las palabras de todos👏🏻👏🏻tengo una consulta si ese paquete puede calcular el tamaño del efecto de una media y desviacion estandar que se saca de un paper que no entregue el tamaño del efecto
3 года назад+2
Estimado Eduardo, mil gracias por tus amables palabras. En respuesta a tu pregunta, el paquete {pwr} no veo que tenga opciones para hacer esto. Sin embargo, hay muchas funciones en R que permiten calcular un tamaño de efecto a partir de medias, desviaciones estándar, y tamaño de muestra (n) de cada grupo (más la correlación entre grupos, cuando se trata de medidas repetidas). Por ejemplo, la función esc_mean_sd del paquete {esc} (puedes ver la información acá www.rdocumentation.org/packages/esc/versions/0.5.1/topics/esc_mean_sd ), es sencilla y útil, y puedes seleccionar el tipo de tamaño de efecto que deseas. Con esta función, puedes calcular el tamaño de efecto, y a partir de esto hacer el análisis de poder en {pwr}. Si tienes dudas, cuéntame y te doy instrucciones más detalladas, o un ejemplo concreto ya con el código. Mucha suerte
Buen día doctor, gracias por el video, esta muy bien explicado y se entiende muy bien, estoy trabajando con mi calculo de poder, yo ya tengo mi "n" y necesito el calculo para dos modelos, una es regresión lineal multivariada y el otro modelo es para una regresión logística condicional, mi pregunta es si ¿el paquete pwr sirve para obtener el calculo de poder de estos tipos de modelos?
2 года назад+3
Hola. Por favor disculpa mi demora en responder, pero por razones de trabajo no había podido entrar a responder comentarios de mis videos. Para responderte, no veo que {pwr} tenga opciones para estos tipos de análisis. Sin embargo, otros paquetes como {‘pwr2ppl} ( www.rdocumentation.org/packages/pwr2ppl/versions/0.3.0 ) pueden hacerlo (no he mirado ni usado el paquete, así que no conozco detalladamente las funciones, pero no debería ser particularmente difícil). Alternativamente, siempre puedes hacer simulaciones para estimar el poder (acá un ejemplo para una regresión logística: www.r-bloggers.com/2010/11/logistic-regression-simulation-for-a-power-calculation/ ), que es lo que hacen paquetes como {Superpower}. Espero que esto te ayude, mucha suerte!
![3. Poder estadístico y tamaño de muestra en R: Diseños factoriales [TUTORIAL Parte 2]](http://i.ytimg.com/vi/xCVU1H5OQl8/mqdefault.jpg)
![3. Poder estadístico y tamaño de muestra en R: Diseños factoriales [TUTORIAL Parte 2]](/img/tr.png)
Muchas gracias Dr, que vuelve a ayudarnos con sus valiosas explicaciones de Estadística con jamovi. Me da mucho, mucho gusto. Saludos
¡Gracias por tus amables palabras, Ramón! Un gusto para mí leerte
Muy buen vídeo, tienes un forma magnífica de explicar.
Muchas gracias! Me alegra enormemente que te haya gustado.
Muy bueno tu video, gracias por compartir tus conocimientos
Con muchísimo gusto, Edwin. Espero lo encuentres muy útil. Saludos!
Super buen vídeo!! Tantísimas gracias por compartir :)
Leticia, mil gracias a ti por comentarlo. Saber que ponerme a hacer trabajos como este cumple su objetivo y resulta útil o informativo a otras personas, es todo lo que busco. ¡Saludos!
Me pareció interesante su vídeo.
Mil gracias por tus palabras, José Antonio. Me alegra enormemente escuchar la opinión de un investigador como tú. En estos días estaré subiendo el segundo tutorial, dedicado a diseños factoriales; espero sea útil. Saludos desde Colombia.
@ Estaré atento para ver el segundo tutorial. Gracias por compartir su conocimiento a través de los vídeos. Saludos desde Puerto Rico.
Hola Juan David, puedo hacerte una consulta sobre Power en muestras pequeñas?
Disculpa mi tremenda demora en responderte. Si aún tienes dudas, cuéntame.
Muchas gracias por la excelente explicación!!!! Tengo una duda, según entiendo, halla el tamaño de muestra necesario de acuerdo al diseño de muestreo,por ejemplo, es una prueba t o ANOVA pero estas pruebas se realizan cuando los datos se distribuyen de forma normal. En mi caso particular, de antemano se que mis datos raramente cumplen con los supuestos de normalidad, por tanto debo realizar pruebas no paramétricas. Es válido que use los mismos argumentos? Podría decirme que hacer? por favor. Gracias
Hola Amanda, mil gracias por tus amables palabras. Aunque, como verás, no tengo una respuesta muy concreta ni hay una solución mágica, sí hay varias cosas por decir, que espero te ayuden:
1. A pesar de que comúnmente se puede creer que para hacer un modelo lineal general (regresión, prueba t, ANOVA, etc) las variables deben tener una distribución aproximadamente normal, lo que realmente importa no es directamente la distribución de tus variables o de tu variable dependiente, sino la distribución de los residuos del modelo (el error o diferencia entre los valores *reales* de tu variable dependiente y los valores *predichos* por tu modelo). Esa distribución es algo que no puedes conocer sino hasta después de haber ajustado el modelo, y que podría ser mejor de lo que supones.
2. En cualquier caso, existen otras aproximaciones para analizar tus datos: (a) excluir valores atípicos puede ayudar, (b) hay técnicas para ajustar modelos robustos a violaciones de los supuestos de un modelo, (c) pruebas no paramétricas, y (d) modelos lineales generalizados que, a diferencia de los generales, no asumen una distribución residual normal, sino que puedes definir la distribución más apropiada.
3. Además, hay opciones para que un ANOVA sea aceptable, incluso cuando hay violaciones a los supuestos, como el de normalidad de los residuos: (a) siempre se pueden transformar los datos (e.g. hacer una transformación Box Cox, aunque esto puede dificultar ciertos aspectos de la interpretación de tu modelo) para que la distribución residual sea más apropiada para un análisis paramétrico, como un ANOVA, o, quizás mejor aún, (b) usar técnicas como el bootstrap que permiten tener conclusiones confiables así hayas violado ciertos supuestos. Utilizar técnicas de bootstrap para identificar los intervalos de confianza (disponer de IC ayudaría a evaluar los efectos de tus variables independientes incluso en ausencia de valores p), podría ser de gran ayuda para resolver estos problemas (véase, por ejemplo, Fox, 2016, capítulo 21).
4. No conozco técnicas para calcular tamaño de muestra para modelos lineales generalizados, pero quizás existan. En cualquier caso, es posible que pueda hacerse una simulación para determinar esto, a la manera que funciona Superpower (que explico en el tercer video de esta serie), aunque esto requeriría bastante tiempo y de alguien que sepa mucho de programación.
5. El análisis de poder para calcular un tamaño de muestra por supuesto no es la prueba misma (en tu caso, por ejemplo, el ANOVA), sino simplemente una estimación del tamaño de muestra requerido para lograr cierto poder estadístico asumiendo unos tamaños de efecto mínimos esperados o de interés, para que después tu prueba estadística provea resultados más confiables.
En últimas, no creo que sea demasiado problemático si estimas la muestra pensando en un ANOVA, pero después usas un tipo de prueba diferente para analizar los datos, si ves que un ANOVA no es apropiado. Esto creo que sería verdad especialmente si calculas la muestra necesaria con base en efectos lo más pequeños posibles, pues esto te llevará a un tamaño de muestra mayor, lo que además genera modelos más estables y confiables, sobre todo si usas técnicas como bootstrap.
Espero que esto te de algunas ideas...
* Fox, J. (2016). Bootstrapping Regression Models. In Applied Regression Analysis and Generalized Linear Models (3rd ed., pp. 587-606). Sage. us.sagepub.com/sites/default/files/upm-binaries/68018_Fox_Chapter_21.pdf
@ muchísimas gracias Dr.!!! excelente su explicación nuevamente, ha sido de mucha ayuda.
Muchas gracias por el video, algo que aun no enetendi muy bien es cuando debo usar una "d de cohen" mayor o menor que factores debo tener en cuenta al momento de elegir una d cohen de 0.3 o 0.5?. Gracias
Hola. La verdad no es que haya una regla para eso. Típicamente depende del efecto que quieras o esperas detectar. Si tienes evidencia que te hace pensar, por ejemplo, que el efecto será de 0.3, sería buena idea hacer una estimación del tamaño de muestra necesario para detectar como significativo un efecto de ese tamaño. Alternativamente (y quizás mejor), puedes estimar cuál es el mínimo tamaño de efecto que considerarías relevante, y calcular el tamaño de muestra basándote en ese tamaño de efecto. Espero que esto te ayude. ¡Mucha suerte!
Excelente contenido me sumo a las palabras de todos👏🏻👏🏻tengo una consulta si ese paquete puede calcular el tamaño del efecto de una media y desviacion estandar que se saca de un paper que no entregue el tamaño del efecto
Estimado Eduardo, mil gracias por tus amables palabras. En respuesta a tu pregunta, el paquete {pwr} no veo que tenga opciones para hacer esto. Sin embargo, hay muchas funciones en R que permiten calcular un tamaño de efecto a partir de medias, desviaciones estándar, y tamaño de muestra (n) de cada grupo (más la correlación entre grupos, cuando se trata de medidas repetidas). Por ejemplo, la función esc_mean_sd del paquete {esc} (puedes ver la información acá www.rdocumentation.org/packages/esc/versions/0.5.1/topics/esc_mean_sd ), es sencilla y útil, y puedes seleccionar el tipo de tamaño de efecto que deseas. Con esta función, puedes calcular el tamaño de efecto, y a partir de esto hacer el análisis de poder en {pwr}. Si tienes dudas, cuéntame y te doy instrucciones más detalladas, o un ejemplo concreto ya con el código. Mucha suerte
Buen día doctor, gracias por el video, esta muy bien explicado y se entiende muy bien, estoy trabajando con mi calculo de poder, yo ya tengo mi "n" y necesito el calculo para dos modelos, una es regresión lineal multivariada y el otro modelo es para una regresión logística condicional, mi pregunta es si ¿el paquete pwr sirve para obtener el calculo de poder de estos tipos de modelos?
Hola. Por favor disculpa mi demora en responder, pero por razones de trabajo no había podido entrar a responder comentarios de mis videos.
Para responderte, no veo que {pwr} tenga opciones para estos tipos de análisis. Sin embargo, otros paquetes como {‘pwr2ppl} ( www.rdocumentation.org/packages/pwr2ppl/versions/0.3.0 ) pueden hacerlo (no he mirado ni usado el paquete, así que no conozco detalladamente las funciones, pero no debería ser particularmente difícil). Alternativamente, siempre puedes hacer simulaciones para estimar el poder (acá un ejemplo para una regresión logística: www.r-bloggers.com/2010/11/logistic-regression-simulation-for-a-power-calculation/ ), que es lo que hacen paquetes como {Superpower}. Espero que esto te ayude, mucha suerte!
@ muchas gracias por responderme, voy a explorar el paquete, saludos.
Hola Juan David, puedo hacerte una consulta sobre Power en muestras pequeñas?
Disculpa mi tremenda demora en responderte. Si aún tienes dudas, cuéntame.