¿Cómo tratar los datos de recuento (datos categóricos) cuando se han convertido en un índice?

Question

Estoy trabajando con datos de infección de enfermedades y no sé si tratar los datos como "categóricos" o "continuos".

• "Recuento de infecciones"
  • el número de casos de infección detectados en un periodo de tiempo determinado, el recuento se genera a partir de datos categóricos (es decir, nº de pacientes etiquetados como "infectados")

• "Días cama paciente"

  • suma del número total de días de estancia en la sala de todos los pacientes de esa sala, de nuevo, el recuento se genera a partir de datos categóricos (es decir, nº de pacientes etiquetados como "estancia en esa sala en particular").

• "infección por paciente y días cama"

  • "recuento de infecciones" / "días cama paciente" ambos eran originalmente datos de recuento, pero ahora se convierten en una tasa

Pregunta:

• ¿Puedo utilizar Chi-cuadrado aquí para evaluar si la diferencia en "infecciones por días cama paciente" es estadísticamente significativa o no?

---

Actualizaciones

He descubierto que puedo comparar la tasa de incidencia (o llamarla tasa de infección), pero haciendo algo como "diferencia de tasa de incidencia" (IRD) o "ratio de tasa de incidencia" (IRR). (Lo he encontrado en aquí )

• ¿Cuál es la diferencia entre el IRD y la prueba t?
• ¿Existe alguna prueba estadística complementaria para la TIR?

Answer 1

Una forma de proceder consiste en construir varios modelos nulos, cada uno de los cuales supone que los factores son independientes entre sí. El supuesto de independencia suele facilitar la construcción de estos modelos. Entonces, las densidades conjuntas predichas son los productos de las densidades marginales. En la medida en que los datos reales sean coherentes con estos modelos, sabremos que los factores son independientes. Si son mayores o menores que la predicción conjunta, se puede inferir que covarían positiva o negativamente. Tenga cuidado de considerar el número de observaciones en cada caso, y puede hacerlo formalmente tratando las poblaciones como hipergeométricas extendidas. Todo esto sigue el espíritu de la prueba exacta de Fisher, pero Fisher la formuló para poder modelizar situaciones más generales. Véase, por ejemplo, Discrete Multivariate Analysis: Theory and Practice, de Yvonne M. Bishop, Stephen E. Fienberg, Paul W. Holland, R.J. Light, F. Mosteller, y The Analysis of Cross-Classified Categorical Data, de Stephen E. Fienberg.