Esta sección proporciona una visión detallada de los conceptos de Validez y Fiabilidad en el análisis de datos, así como las técnicas y herramientas necesarias para medir la concordancia y reproducibilidad entre observaciones o evaluaciones. Se introduce el Coeficiente de Correlación Intraclase (CCI), un indicador clave de fiabilidad, y se explican sus diferentes tipos, limitaciones e interpretaciones.

A lo largo de la sección, se enseñan métodos específicos de análisis como el método Bland-Altman para evaluar la concordancia, y se comparan sus aplicaciones con el CCI. Se incluyen además alternativas no paramétricas, como la regresión Passing-Bablok, y otras medidas de acuerdo como el Índice Kappa de Cohen y el Coeficiente de Concordancia W de Kendall, útiles en diferentes contextos de análisis.

Se ofrecen guías prácticas sobre cómo realizar estos análisis en programas estadísticos como SPSS, MedCalc, y Matlab, lo que facilita su aplicación en investigaciones científicas y análisis de datos.

Al completar esta sección, los estudiantes comprenderán los fundamentos y aplicaciones de los coeficientes de concordancia y fiabilidad, y sabrán aplicar herramientas estadísticas para evaluar estos parámetros de forma efectiva.

Esta sección abarca un conjunto de lecciones orientadas al análisis de eventos y la comparación de proporciones en estudios de grupos. Inicia con una introducción general al análisis de eventos y prosigue con el cálculo de intervalos de confianza para una proporción utilizando SPSS.

Las lecciones incluyen el uso de tablas 2x2 para evaluar proporciones entre dos grupos y aplican pruebas estadísticas como Chi-cuadrado, Fisher y McNemar para variables dicotómicas, permitiendo analizar diferencias significativas en distribuciones. Además, se detalla la magnitud de estas diferencias, distinguiendo entre prevalencia y riesgo, y proporcionando cálculos para métricas como la razón de riesgo y el Odds Ratio.

El uso de SPSS es recurrente para guiar el cálculo del Riesgo Relativo y el Odds Ratio, lo que facilita el análisis de datos para estudios comparativos. Al finalizar esta sección, los estudiantes tendrán una comprensión sólida de cómo evaluar la asociación entre eventos y comparar riesgos entre grupos.

Esta sección se centra en la regresión logística binomial y sus aplicaciones prácticas en análisis de datos. Comienza con una introducción a los conceptos básicos de este tipo de regresión, donde se explica su utilidad en situaciones de respuesta binaria (presencia/ausencia, éxito/fracaso). A continuación, se introduce el ratio de la odd y se detalla por qué este parámetro es crucial para interpretar los resultados en modelos logísticos.

Se desarrolla una explicación del modelo logístico, cubriendo su estructura matemática y cómo transforma probabilidades en log-odds para ajustarse a una regresión lineal. Después, se presenta un listado de supuestos necesarios para aplicar este tipo de modelo correctamente.

Para facilitar el aprendizaje práctico, se incluyen lecciones sobre el uso de SPSS, explicando cómo verificar estos supuestos, cómo interpretar el ajuste del modelo, y cómo ejecutar el análisis e interpretar los resultados. Finalmente, se ofrecen consideraciones adicionales para usuarios de otras herramientas como Jamovi y Jasp, ampliando la accesibilidad para distintos programas de análisis estadístico.

Esta sección aborda conceptos esenciales para evaluar la eficacia de modelos de clasificación en análisis estadístico, enfocándose en medidas de rendimiento como la sensibilidad, especificidad y las curvas ROC. Se inicia con una explicación de estas métricas y su importancia en la interpretación de modelos predictivos, seguido de un ejemplo práctico de estudio que utiliza regresión logística binomial para ilustrar cómo calcular y aplicar estas métricas en investigaciones reales.

Luego, se presentan guías prácticas para calcular curvas ROC en SPSS y el índice de Youden, una herramienta útil para determinar el criterio de corte óptimo que maximiza la sensibilidad y especificidad. La sección continúa con una introducción a los valores predictivos positivos y negativos (VPP y VPN), explicando su relevancia en estudios de diagnóstico y cómo la prevalencia puede afectar su interpretación.

Al final, se explica cómo calcular e interpretar los VPP y VPN, permitiendo a los estudiantes comprender cómo estos valores ayudan a evaluar la precisión de los modelos de predicción en distintos contextos.

Esta sección explora los conceptos de confusión e interacción en el contexto de la investigación clínica, temas clave para interpretar correctamente los resultados de estudios. Se inicia con una introducción a la confusión, explicando cómo la presencia de variables confusoras puede llevar a conclusiones incorrectas si no se controlan adecuadamente.

Para clarificar el concepto, se presenta un ejemplo práctico que ilustra cómo las variables de confusión pueden afectar los resultados de una investigación. La sección también destaca la importancia de los datos demográficos y otras características de la muestra, ya que estas variables frecuentemente actúan como posibles confusores y deben considerarse al diseñar y analizar estudios.

Además, se detallan los criterios para identificar y clasificar variables de confusión, proporcionando una base para distinguirlas de otras variables. Posteriormente, se introduce el concepto de interacción y se ofrece un resumen comparativo entre confusión e interacción, ayudando a los estudiantes a entender sus diferencias y a interpretar adecuadamente los efectos observados en estudios clínicos.

Esta sección aborda el ANOVA de 2 factores, un método estadístico utilizado para analizar cómo dos factores independientes influyen en una variable dependiente y si existe una interacción entre ellos. Comienza con una introducción al concepto de interacción, lo cual es clave para entender los efectos conjuntos de ambos factores.

Luego, se explican los supuestos necesarios para realizar el ANOVA de 2 vías, así como qué hacer en caso de que no se cumplan. Este aspecto es fundamental para asegurar la validez del análisis estadístico.

En la parte práctica, se detallan los primeros pasos en SPSS para realizar un ANOVA de 2 factores, incluyendo la evaluación de la normalidad en las celdas, interpretación de la presencia de interacción, y el análisis de efectos principales tanto simples como en ausencia de interacción.

Al final de esta sección, los estudiantes estarán capacitados para realizar y entender un ANOVA de 2 factores en SPSS, interpretando correctamente los efectos de interacción y los efectos principales.

Esta sección se enfoca en el Análisis de Supervivencia, una técnica estadística que se utiliza para estudiar el tiempo hasta que ocurre un evento de interés, como la muerte o la recaída en pacientes. Inicia con una introducción general sobre este análisis, resaltando su importancia en estudios médicos y de ciencias sociales.

Posteriormente, se presenta el Test de Kaplan-Meier, un método específico dentro del análisis de supervivencia que permite estimar la probabilidad de supervivencia en diferentes puntos del tiempo. Esta técnica es esencial para analizar y comparar tasas de supervivencia en distintos grupos.

La parte práctica de la sección incluye una guía para realizar el Análisis de Kaplan-Meier en SPSS, lo cual facilita el cálculo de curvas de supervivencia y su interpretación. Finalmente, se proporcionan pautas para la redacción de resultados, ayudando a los estudiantes a comunicar los hallazgos del test de manera efectiva.

Al finalizar esta sección, los estudiantes tendrán una comprensión completa del análisis de supervivencia y del uso del test de Kaplan-Meier en investigaciones científicas.

Esta sección explora la diferencia entre significancia clínica y estadística en ciencias de la salud. Comienza con una introducción al concepto de significancia clínica y su importancia frente a la significancia estadística. Se detalla qué significa ser "clínicamente significativo" en el contexto de la salud, abordando métodos específicos para determinar dicha significancia.

La sección también examina cómo llevar la evidencia científica a la práctica clínica diaria y el concepto de cambios clínicamente relevantes usando métodos de distribución. Introduce el Índice de Cambio Fiable (ICF) o Reliable Change Index (RCI), un método para evaluar si los cambios observados son significativos y confiables.

Finalmente, se explican otros índices y métodos para clasificar la respuesta al tratamiento y evaluar cambios en pacientes, incluyendo los métodos de anclaje para establecer significancia clínica.

Al finalizar, los estudiantes tendrán una comprensión sólida de cómo evaluar y aplicar la significancia clínica en tratamientos médicos y en la interpretación de resultados.