¿Qué concluir cuando usted no puede encontrar una asociación en un estudio epidemiológico?

Question

Normalmente cuando alguien encuentra una asociación en un estudio epidemiológico de las personas se apresuran a señalar que no prueba la causalidad, que hay problemas de falta de co-fundadores, que es, en el mejor de generación de hipótesis y en el peor de los espurios. Esto lleva a que la gente no poner mucho peso en las asociaciones encontradas en los estudios epidemiológicos.

Lo que si se va al revés? Decir que ya tengo una teoría, tal vez con algunos pequeños estudios anteriores para la copia de seguridad e incluso una buena explicación teórica para el efecto. Entonces hago un grande, bien alimentado, estudio epidemiológico y no encuentran la asociación de la que predice la teoría. Cuánto peso puedo poner en el resultado ahora?

Intuitivamente me parece que el resultado sería bastante contundente, a pesar de ser sólo un estudio epidemiológico. Pero yo desde hace mucho han aprendido a no confiar en mi intuición, cuando se trata de estadísticas.

Hacer todas las debilidades de asociaciones que se encontraron en los estudios epidemiológicos también se aplican a cuando no encuentran una asociación?

Answer 1

Sí, las debilidades de las asociaciones encontradas en los estudios epidemiológicos también se aplican a un fracaso para encontrar una asociación. Ya has eliminado el primer go-a problema, que de un estudio de poca potencia, así que por el momento sólo estamos hablando de sesgo. Dos de las cuestiones que pueden significar que su estudio es de no encontrar una verdadera asociación:

• Los factores de confusión. Existen situaciones donde una variable de confusión va a conducir un resultado hacia el valor nulo. Para efectos positivos, esto es la confusión de la variable está negativamente asociada con la exposición y el resultado. Para los efectos negativos, a la inversa. Esto podría conducir fácilmente, dependiendo de la fuerza de la confusión, una relación real a la baja lo suficiente que no puede encontrar.
• Error en la clasificación. No diferencial de la clasificación errónea es cuando todo el mundo en su estudio tiene una probabilidad igual de ser en la categoría equivocada. Esto tiende a la unidad estimaciones hacia el valor nulo. La clasificación errónea diferencial, donde las categorías son más propensos a ser clasificados de forma incorrecta, puede conducir a resultados hacia o lejos de el nula.

Así que no, los resultados de un solo estudio no debería ser tomada como definitiva "a prueba", de una forma o de otra, de una relación causal.

Answer 2

Creo que vale la pena distinguir algunos aspectos del problema:

• Precisión: Si usted tiene un mayor tamaño de muestra, suelen ser capaces de estimar los parámetros con mayor precisión si se define este en un frecuentista sentido en términos de pequeños intervalos de confianza o en un Bayesiano de sentido en términos de pequeños intervalos de confianza. Por lo tanto, si usted realiza una epidemiológicos estudio observacional con una muestra más grande tendrá una mayor precisión en la descripción de la magnitud de un parámetro de interés. Esto es cierto si el parámetro es un coeficiente de correlación simple o un coeficiente de regresión en un modelo más amplio con muchos otros predictores. También es cierto si el parámetro de interés se deriva de un estudio observacional o de un estudio experimental. Así, por ejemplo, usted podría tener una estimación precisa de la correlación entre el consumo de chocolate y el Índice de Masa Corporal. Asociaciones, si la causal o no, son reales y muy interesante.

• Generalización: sin Embargo, incluso si usted sabe el valor de un parámetro en la muestra en particular, aún existen problemas de generalización. En epidemiología, hay un montón de cuestiones relacionadas con la generalización a través del tiempo, la cultura, los grupos sociales, y así sucesivamente. A menudo hemos teorías y evidencia empírica que nos guía en este proceso de generalización. Por ejemplo, se puede argumentar que es seguro para generalizar un chocolate-IMC asociación a lo largo de un período de tiempo razonable, pero que tal vez a través de las naciones es más complejo, tal vez debido a los diferentes hábitos de alimentación y ejercicio, etc.

• La causalidad versus asociación: sin Embargo, usted parece ser particular interesado en la inferencia causal. En un nivel básico, la ausencia de una asociación en un estudio observacional no prueba la ausencia de causalidad, así como la presencia de una asociación en un estudio observacional no prueba causalidad. Aunque los estudios observacionales mostró ninguna relación entre, por ejemplo, el chocolate y el IMC, esto no impediría que los estudios experimentales de mostrar que cuando los niños eran alimentados con más chocolate, poner en el peso. La asociación o la falta de asociación en un estudio observacional puede ser informativa en cuanto a los procesos causales, pero no es definitivo. Usted todavía necesita para pensar acerca de la teorizado subyacen a los procesos causales.

Answer 3

Bien, en física somos muy utilizados a lo que dices y a mí al menos, de hecho es mucho más emocionante cuando esto sucede cuando algún investigador confirma la teoría. En estos casos usted solo informar que: no se ha encontrado ninguna evidencia de lo que predice la teoría.

Después de comprobar los resultados y las fallas possibe de su estudio, también es buena práctica para la elaboración de sus propias suposiciones sobre por qué la teoría de la falla en su caso (al menos cualitativamente).