Actividad 1 Diseño de Fármacos

1.Modelo estadístico de un factor efectos fijos.
Un modelo de efectos fijos es un modelo estadístico que representa las cantidades

observadas en las variables explicativas que son tratadas como si las cantidades fueran no-
aleatorias. A menudo, la misma estructura del modelo, que suele ser una regresión lineal,
puede ser tratado como cualquiera de los tres tipos, dependiendo del punto de vista del
analista, aunque puede haber una elección natural en cualquier situación dada.
En el análisis de datos de panel, el estimador de efectos fijos se utiliza para referirse a un
estimador para los coeficientes en el modelo de regresión. Si suponemos efectos fijos,
imponemos que los efectos del tiempo son independientes para cada entidad que
posiblemente esté correlacionada con los regresores.
2.Los supuestos del modelo.
Hay dos supuestos comunes hechos sobre el efecto individual específico, el supuesto de
efectos aleatorios y la asunción de efectos fijos.
La hipótesis de efectos aleatorios (hecho en un modelo de efectos aleatorios), es que los
efectos específicos individuales no están correlacionados con las variables independientes.
El supuesto del modelo de efectos fijos es que el efecto específico individual está
correlacionado con las variables independientes. Si la hipótesis de efectos aleatorios se
mantiene, el modelo de efectos aleatorios es más eficiente que el modelo de efectos fijos. Sin
embargo, si este supuesto no se cumple el modelo de efectos aleatorios no es consistente.
3.Conformación de la tabla ANOVA
Usualmente, los resultados del ANOVA se muestran en una tabla de ANOVA. Una tabla de
ANOVA incluye:
• Fuente: las fuentes de variación incluyendo el factor examinado (en nuestro caso, el
lote), el error y el total.
• GL: grados de libertad de cada fuente de variación.
• Suma de cuadrados: la suma de los cuadrados (SC) de cada fuente de variación junto
con el total de todas las fuentes.
• Media de los cuadrados: la suma de los cuadrados dividida por los correspondientes
grados de libertad asociados.
• Razón F: la media de los cuadrados del factor (lote) dividida por la media de los
cuadrados del error.
• Prob > F: el valor p.
Tabla 1. Ejemplo de tabla de ANOVA.
4.Comprobación de los supuestos del modelo
Para saber cuál de los dos modelos es mejor, utilizamos una prueba "F" restrictiva, también
conocida como la prueba de Chow en la que RSSR es la suma de cuadrados de residuos que
se obtiene de la estimación M.C.O. en el modelo agrupado y RSSU es la suma de cuadrados
de los residuos de la estimación por mínimos cuadrados de las variables dicótomas.
Para probar la Hipótesis:
Ho = v1 = v2 =........= vi = 0.
H1 = v1 ≠ v2 ≠........≠ vi ≠ 0.
Calcular:
Si F > Fa (N-1, NT-N-K), rechazar Ho; de lo contrario, no se rechace, donde F∞(N-1) y

Fa (NT-N-K) y (N-1) son los grados de libertad del numerador y del denominador,
respectivamente, y α es el nivel de significancia. Alternativamente, si el valor p-value del F
obtenido de la ecuación es suficientemente bajo, se puede rechazar Ho.
En relación con el modelo (iv), el modelo (i) asume un intercepto común para todos los países
(es decir, no incluye variables dicotómicas por país). Como ya se vio la hipótesis nula es que
v1 = v2 = ... = vi = 0 (o sea, que todas las variables dicotómicas por país son iguales a cero). Si
la prueba se rechaza, significa que al menos algunas variables dicotómicas sí pertenecen al
modelo, y por lo tanto es necesario utilizar el método de efectos fijos.
El valor "p" nos indica que podemos rechazar la Ho, por lo que es preferible usar el método
efectos fijos al modelo agrupado (pooled).
Como podemos observar, ya no es necesaria la prueba Hausman para determinar si el

modelo es de efectos fijos o es de efectos aleatorios, ya que queda demostrado que el modelo
óptimo es el de efectos fijos.
5.Comparación entre tratamientos.
Primero debemos asociar o comparar, pero debemos saber las diferencias de estos, se sabe
que ambos buscan establecer semejanzas o diferencias entre elementos, pero, en las
pruebas de comparación evalúan estas relaciones entre uno o varios grupos. Veamos un par
de ejemplos para identificar el tipo de preguntas que intentan responder ambos tipos de
técnicas:
➢ Asociación.
¿Existe algún tipo de relación significativa entre las variables?, ¿cómo es esta relación
(positiva o negativa) ?, ¿qué tan fuerte es la relación (magnitud)?, ¿la relación se mantiene
si controlamos la influencia de terceras variables?
➢ Comparación.
¿Cuál es el promedio/variabilidad de la variable de estudio en la población?, dado un
conjunto de poblaciones ¿son similares?, ¿entre cuáles de ellas hay diferencias
significativas?, ¿qué variables explican esas diferencias? y ¿existe interacción entre las
variables explicativas?
6. Ejemplo
Queremos estudiar el efecto de un fármaco que presuntamente reduce la presión arterial. El

problema puede estar planteado de dos maneras distintas según se consideren muestras
relacionadas o independientes:
• Se toman 30 pacientes hipertensos al azar, se les suministra el fármaco a 15 de ellos y
a los otros 15 se les aplica un placebo. Transcurrido un tiempo se miden las presiones
sanguíneas de ambos grupos y se contrasta si las medias son iguales o no.
• variable respuesta: presión sanguínea (numérica)
• variable explicativa: grupo (categórica: tratamiento y placebo). Las dos muestras
están formadas por individuos distintos, sin relación entre sí: muestras
independientes.
• Se administra el fármaco a los 30 pacientes hipertensos disponibles y se anota su
presión sanguínea antes y después de la administración de este.
• variable repuesta: presión sanguínea (numérica).
• variable explicativa: tiempo (categórica: antes y después de aplicar el
fármaco). En este caso los datos vienen dados por parejas (presión antes y
después) por lo cual los datos están relacionados entre sí: muestras
relacionadas.
Debes corroborar si tus datos cumplen o no con los supuestos de las pruebas estadísticas
clásicas. Esto te permitirá elegir entre pruebas paramétricas, pruebas no paramétricas y
pruebas robustas. Para ello tienes que responder a las siguientes preguntas: ¿las variables se
distribuyen según la curva normal?, ¿los son grupos tienen dispersión similar (son
homogéneos)? Cuando trabajas con datos reales en la mayoría de las ocasiones no se
cumplen los supuestos de la estadística clásica. En estos casos las técnicas paramétricas no
nos demasiado útiles; tenemos 3 posibles soluciones:
• La transformación de los datos, cuando los datos no siguen una distribución normal o
queremos disminuir su variabilidad.
• Utilizar las pruebas no paramétricas cuando los datos no siguen una distribución
normal
• Utilizar las pruebas robustas cuando tienes datos atípicos.
Razones para utilizar pruebas paramétricas
• Si la distribución se aparta poco de la normalidad, y las muestras no son muy pequeñas
(n>30), pueden ser válidas teniendo ciertos cuidados.
• Si la falta de homogeneidad de varianza en cada grupo no es muy grande, existen
maneras en la prueba t o en el ANOVA de incluir esta condición. Sin embargo, las no
paramétricas no permiten solucionar este inconveniente.
• Generalmente tienen mayor poder estadístico que las pruebas no paramétricas. Es
decir, con ellas tenemos más probabilidad de detectar un efecto significativo cuando
realmente existe.
Razones para utilizar pruebas no paramétricas
• Si puedes utilizar contrastes que solo necesiten establecer supuestos poco
exigentes (como simetría o continuidad) o quieres analizar las propiedades nominales u
ordinales de los datos.
Ten en cuenta que muchas de estas pruebas utilizan la mediana en lugar de la media para
sus cálculos. Cuando la distribución de frecuencias de los datos es muy asimétrica, la media
se ve muy afectada mientras que la mediana refleja mejor la centralidad de la distribución.
• Cuando tienes un tamaño muestral pequeño.
Cuando tenemos pocos datos las pruebas de normalidad pierden poder estadístico y no
estamos seguros del tipo de distribución de los datos. Sin embargo, para realizar pruebas no
paramétricas el tamaño muestral tampoco debe ser muy pequeño.
• Cuando analizamos datos ordinales o de rango.
Las pruebas paramétricas sirven para analizar datos de escala y sus resultados se ven muy
afectados por la presencia de outliers. Aunque a veces la interpretación de los rangos medios
puede ser difícil.
Razones para utilizar pruebas robustas
• Son estables respecto a pequeñas desviaciones del modelo paramétrico asumido
(normalidad y homocedasticidad).
A diferencia de los procedimientos no paramétricos, los procedimientos estadísticos robustos

no tratan de comportarse necesariamente bien para una amplia clase de modelos, pero son
de alguna manera óptimos en un entorno de cierta distribución de probabilidad, por ejemplo,
normal.
• Solucionan los problemas de influencia de los outliers.
• Son más potentes que las pruebas paramétricas y no paramétricas cuando los datos no
son normales y/o no son homocedásticos.
• Los métodos robustos modernos son diseñados para obtener un buen desempeño
cuando los supuestos clásicos se cumplen y también cuando se incumplen. Por lo
tanto, hay poco que perder y mucho que ganar a la hora de utilizar estas técnicas en
lugar de las clásicas.
Bibliografía
ANOVA de un factor. (s. f.). Introducción a la estadística | JMP. Recuperado 8 de febrero de 2022, de
https://www.jmp.com/es_mx/statistics-knowledge-portal/one-way-anova.html
colaboradores de Wikipedi (s. f.)Modelo de efectos fijos. Wikipedia, la enciclopedia libre. Recuperado 8 de
febrero de 2022, de https://es.wikipedia.org/wiki/Modelo_de_efectos_fijos
Guía definitiva para encontrar la prueba estadística que buscas. (s. f.).
Máxima Formación. Recuperado 8 de febrero de 2022, de https://www.maximaformacion.es/blog-

dat/guia-para-encontrar-tu-prueba-estadistica/
Modelo de efectos fijos. (s. f.). Google Arts & Culture. Recuperado 8 de febrero de 2022, de
https://artsandculture.google.com/entity/m0c25h7?hl=es
v42n167anexo. (s. f.). SCielo. Recuperado 8 de febrero de 2022, de

http://www.scielo.org.mx/img/revistas/prode/v42n167/html/a5anexo.html

Actividad 1 Diseño de Fármacos

Cargado por

Copyright:

Formatos disponibles

Actividad 1 Diseño de Fármacos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Actividad 1 Diseño de Fármacos

Cargado por

Copyright:

Formatos disponibles

1.Modelo estadístico de un factor efectos fijos.

Un modelo de efectos fijos es un modelo estadístico que representa las cantidades

2.Los supuestos del modelo.

3.Conformación de la tabla ANOVA

4.Comprobación de los supuestos del modelo

Para probar la Hipótesis:

Si F > Fa (N-1, NT-N-K), rechazar Ho; de lo contrario, no se rechace, donde F∞(N-1) y

Como podemos observar, ya no es necesaria la prueba Hausman para determinar si el

5.Comparación entre tratamientos.

Queremos estudiar el efecto de un fármaco que presuntamente reduce la presión arterial. El

A diferencia de los procedimientos no paramétricos, los procedimientos estadísticos robustos

Máxima Formación. Recuperado 8 de febrero de 2022, de https://www.maximaformacion.es/blog-

v42n167anexo. (s. f.). SCielo. Recuperado 8 de febrero de 2022, de

También podría gustarte