12 cap 12

12

Comparación de medias

Irene Moral Peláez

12.1. Introducción
Cuando se desea comprobar si los valores de una característica que es posi-
ble cuantificar (como podría ser la edad o la cifra de tensión arterial, entre
otras) difieren al agruparlas en dos o más grupos (por ejemplo según género, o
por diagnóstico de hipertensión arterial) hablaremos de comparación de me-
dias.
La comparación de medias en un sentido más general, abarca la comparación
de los valores de una variable continua según los valores de una variable (o
factor) que se puede resumir en dos o más categorías (como el ejemplo expues-
to previamente) y que englobaríamos dentro de las pruebas para datos indepen-
dientes, así como la comparación de los valores de una variable continua evalua-
da en dos o más momentos en el tiempo (por ejemplo comparar si hay diferen-
cias entre la medición de la presión arterial realizada por la mañana o por la
noche) y que englobaríamos dentro de las pruebas para datos apareados.

165

12.2. Comparación de medias: pruebas para datos
independientes
Existen varias pruebas estadísticas que permiten comparar las medias de una
variable continua entre dos o más grupos. Cada una de estas pruebas ha sido
diseñada para poder ser aplicada cuando se cumplen una serie de supuestos
necesarios, bajo diferentes condiciones de aplicación.
Prácticamente todas las hipótesis que podamos plantear (como comparar las
medias de una característica entre dos grupos) se pueden analizar bajo una base
paramétrica o una base no paramétrica. La decisión de cuándo aplicar una prue-
ba correspondiente a cada uno de estos grupos, depende básicamente de las
características inherentes a la variable que deseamos analizar. En general, como
se ha indicado en capítulos anteriores, las pruebas paramétricas son más poten-
tes que las pruebas no paramétricas, pero exigen que se cumplan una serie de
supuestos como la normalidad en la distribución de la variable, la homocedasti-
cidad (igualdad de varianzas) y la independencia de las observaciones, requirien-
do algunas pruebas que se cumplan todo el conjunto de supuestos o alguno de
ellos, dependiendo de la prueba a utilizar, sin los cuales, estas pruebas pierden
todo su potencial y resulta imprescindible recurrir a sus homólogas no paramé-
tricas. Exceptuando algunas pruebas que exigen más sofisticación y complejidad
de las que las pruebas no paramétricas pueden ofrecer, casi todas las pruebas
disponibles bajo una base paramétrica, disponen de una homóloga o equivalente
bajo una base no paramétrica.

12.2.1. Pruebas paramétricas en la comparación de medias para
datos independientes
Si los datos que deseamos analizar cumplen los supuestos necesarios esta-
blecidos para poder aplicar pruebas paramétricas, la prueba t de Student para
datos independientes o el análisis de la varianza (ANOVA) son las más indicadas
para comparar las medias de una característica entre dos o más grupos. La
prueba t de Student para datos independientes se utiliza cuando deseamos com-
parar única y exclusivamente las medias entre dos grupos (por ejemplo desea-
mos saber si la altura varía según el género), mientras que el ANOVA resulta
conveniente cuando deseamos comparar las medias entre más de dos grupos
(por ejemplo deseamos saber si las cifras de tensión arterial sistólica difieren
según la edad, considerando a los sujetos en 3 grupos de edad: menores de 35
años, entre 35 y 55 años y mayores de 55 años).

166

12.2.1.1. Prueba paramétrica para datos independientes en la
comparación de dos grupos
Como sabemos, en toda prueba existe una hipótesis nula que es normalmen-
te la igualdad de medias, frente a la hipótesis alternativa, que engloba la existen-
cia de un rasgo diferencial entre las medias, es decir, no son iguales. En la prueba
t de Student, el estadístico de contraste utilizado para probar la hipótesis nula
planteada (las medias de los dos grupos son iguales) se construye en función de
las diferencias registradas entre los valores de la variable de estudio evaluada en
cada uno de los grupos a comparar. Para ello se utiliza la información proceden-
te de las medias y desviaciones estándar (medidas resumen) de cada uno de los
grupos de estudio. El estadístico que se calcula varía ligeramente en base a si las
varianzas de los dos grupos en estudio son conocidas, desconocidas pero iguales
o desconocidas y distintas. Obviamente, el primer problema a resolver es el de
encontrar un método estadístico que nos permita decidir si la varianza en am-
bos grupos es o no la misma. El test de la razón de varianzas o test de Levene
viene a resolver este problema. Bajo la suposición de que las dos poblaciones
siguen una distribución normal y tienen igual varianza (H0: σ 1 = σ 2) se espera que
la razón de varianzas siga una distribución F de Snedecor con parámetros (n-1)
n
y (m-1):
n-1
1 ∑ 2
(Xi - X) ^ 2
F= i-1
m
= S12
∑
^
1 (Y i - Y)2 S2
m-1 i-1

Esta prueba permitirá conocer si las varianzas de los dos grupos de observa-
ciones son o no iguales. Si su p-valor es menor a 0,05, rechazaremos la hipótesis
nula y supondremos que la variabilidad en ambos grupos es sustancialmente
distinta (varianzas no homogéneas). Por lo tanto, el estadístico a calcular, variará
ligeramente en función de las variabilidades muestrales. El estadístico a utilizar
sería el siguiente: X-Y
t=
^ ^
(n-1) S12 +(m-1)S22 1+1
n+m-2 n m

Otro modo de obtener esta misma información es mediante el cálculo de
intervalos de confianza para la diferencia de la respuesta media en ambos gru-
pos. El intervalo de confianza constituye una medida de la incertidumbre con la
que se estima esa diferencia a partir de la muestra, permitiendo valorar tanto la
significación estadística como la magnitud clínica de esa diferencia. En el caso de
asumir la misma variabilidad en ambos grupos mediante el test de Levene (p≥ 0,05),

167

el intervalo de confianza vendrá dado como:
^ ^
(n-1) S12 +(m-1)S22 1+1
(X - Y) ± t n+m-2
0,975
n+m-2 n m

t n+m-2
0,975 donde denota el valor que según la distribución t de Student con n+m-
2 grados de libertad deja a su derecha el 2,5% de los datos. En definitiva, el
intervalo de confianza para la diferencia de medias expresará un rango de valo-
res entre los que se puede encontrar el valor real de la diferencia entre los
pesos de ambos grupos. Proporciona además la misma información que obtenía-
mos del contraste estadístico. El hecho de que el valor cero pertenezca al inter-
valo indica que no se dispone de evidencia para concluir que la variable que
pretendemos comparar sea distinta en ambos grupos. Por el contrario, si asumi-
mos distintas varianzas en los grupos (p<0.05), el intervalo de confianza se ex-
presará tal como se indica a continuación:
^ ^
S12 S22
(X - Y) ± t +
f
0,975
n m
Ejemplo 1. Comparación de dos medias independientes.
Se desea comprobar si la función renal en pacientes hipertensos realmente
está más afectada en hombres que en mujeres. Por ello, se ha realizado un estu-
dio en el que se han seleccionado para participar un total de 50 pacientes hiper-
tensos, 24 hombres y 26 mujeres, y se les ha analizado los valores de creatinina
sérica. Se han comparado los valores de creatinina sérica entre hombres y mu-
jeres mediante la prueba t de Student, dado que se cumplen los requisitos míni-
mos básicos para su aplicación.

168

Figura 44. Comparación de dos medias en SPSS. T-Test para datos
independientes

Los resultados obtenidos se describen a continuación (Figura 45). La primera
tabla nos muestra un resumen descriptivo de la variable creatinina sérica estra-
tificando por género. El valor medio (DE) registrado en hombres fue de 1,2
(0,55) mg/dl, mientras que el valor medio (DE) registrado en mujeres fue de 0,8
(0,53) mg/dl. Según la prueba de Levene, que se muestra en la segunda tabla de
la figura, podemos asumir que la hipótesis de igualdad de varianzas es cierta, por
lo que si miramos los resultados de la comparación de medias asumiendo igual-
dad de varianzas, obtenemos un p-valor (la significación estadística correspon-
diente al estadístico de contraste calculado) resultante de contrastar nuestra
prueba de hipótesis de igualdad de medias es de 0,027. A partir de este valor
podremos contestar a la siguiente pregunta: ¿Son las medias de creatinina sérica
iguales entre ambos sexos? Si a priori definimos que α =0,05 (recordemos del
capítulo 10 que corresponde a la región crítica para aceptar o rechazar hipó-
tesis), el p-valor obtenido en la prueba es inferior a este valor, por lo que pode-
mos rechazar la hipótesis nula de que no existen diferencias entre las medias de
creatinina sérica según el género. Como se puede observar, en la segunda tabla
se muestra adicionalmente, cual es la media muestral de las diferencias, el error
estándar y el intervalo de confianza al 95% de la diferencia de medias.

169

Coincidiendo con el resultado del contraste de hipótesis obtenemos un in-
tervalo de confianza al 95% que no incluye el 0 [0,04-0,66], por lo que acepta-
mos la existencia de diferencias en los niveles de creatinina sérica según el géne-
ro de los pacientes.

Figura 45. Resultados obtenidos en la comparación de dos medias en SPSS. T-Test
para datos independientes

12.2.1.2. Prueba paramétrica para datos independientes en la
comparación de más de dos grupos

Por su parte, en el ANOVA, básicamente se considera que la variable analiza-
da depende de un sólo factor, de manera que las causas de su variabilidad se
engloban en una componente aleatoria que se denomina error experimental.
Esta prueba podemos denominarla como la prueba de contraste de medias ge-
neral para dos o más grupos, cuyo resultado para dos grupos coincide con la
prueba de la t de Student. Para aplicar el ANOVA debemos asumir lo siguiente:
1) las observaciones proceden de poblaciones normales,
2) las muestras (los grupos a comparar) son aleatorias e independientes,
3) dentro de cada muestra (grupo) las observaciones son independientes y,
finalmente,
4) homocedasticidad (igualdad de varianzas) de las observaciones.

170

Más explícitamente, supongamos que deseamos comparar las medias de k
grupos entre sí (k>2) en una muestra de tamaño n, para ello asumimos que se
trata de k muestras aleatorias, independientes entre sí y extraídas de la misma
población normal. La varianza de la población se puede estimar a partir de la
varianza dentro de los grupos (MCI), que se calcula como la suma de cuadrados
del error (SCI) dividido por los grados de libertad (términos independientes de
la suma de cuadrados) y a partir de la varianza entre grupos (MCE). En base al
cociente de estos dos estimadores de la varianza de una población normal, que
se distribuye según la ley de Fisher-Schnedecor con los grados de libertad del
numerador y del denominador, se evalúa la hipótesis de que las k medias pro-
vengan de la misma población.
Los resultados de una prueba ANOVA (Analysis of Variance) se expresan
como la descomposición de la varianza entre-grupos, intra-grupos y total y se
resumen de la siguiente manera:
Fuente de Grados de Suma de Media de
F
variación libertad cuadrados cuadrados

Entre-grupos k-1 SCE SCE = Σ (˘ i -˘ )2
y y MCE= SCE/(k-1) MCE/MCI

Intra-grupos (n-1) x k SCI SCI = Σ (yij-˘ i)2 MCI= SCI/k x (n-1)
y

Total K x n-1 SCT SCT = Σ (yij-˘ )2
y

Tabla 14. Análisis de varianza. (ANOVA)

Donde:
1) SCE corresponde a la suma de cuadrados entre grupos y se calcula como el
sumatorio del cuadrado de la resta a la media observada en cada uno de los
grupos de la media global.
2) SCI corresponde a la suma de cuadrados intra-grupos y se calcula como el
sumatorio del cuadrado de la resta a cada observación de la media global
observada en su grupo.
3) Y SCT corresponde a la suma de cuadrados total y se calcula como el suma-
torio del cuadrado de la resta a cada observación de la media global.
Estas sumas de cuadrados se relacionan entre sí de forma que la suma de
cuadrados total es igual a la suma de cuadrados entre-grupos más la suma de
cuadrados intra-grupos: SCT = SCI + SCE.
A modo de un primer ejemplo, podríamos asegurar que la altura tiene una
variabilidad dada por los distintos sujetos (SCT); sin embargo, al segmentar por
género, descubrimos que además de obtener medias distintas en cada grupo, se

171

ha disminuido su variabilidad (SCE), dado que en las mujeres se habrá “elimina-
do” la variabilidad que aportaban los hombres y viceversa. Por último, tendre-
mos la fuente de variabilidad propia de los sujetos, que es lo que llamamos error
aleatorio (SCI). Por tanto, para poder interpretar este capítulo, podemos decir
que la variabilidad de la altura ha quedado explicada por el factor género.
Finalmente, comentar que el estadístico de contraste obtenido (F) se distri-
buye según la distribución de Fischer-Schnedecor con α (k-1 , (n-1)*k) grados de liber-
tad. Si el estadístico F es igual a 1 indica que la variabilidad entre grupos es igual
a la variabilidad dentro de cada grupo, por lo que el factor analizado no tiene
ninguna influencia en la variabilidad de la muestra. Si por el contrario, F es mayor
a 1 con un p-valor asociado menor a 0,05, la variabilidad entre grupos será
mayor a la aportada por todas las observaciones individuales, por lo que el
factor analizado explicará parte de la variabilidad detectada entre los sujetos.

12.2.2. Pruebas no paramétricas en la comparación de medias
para datos independientes
Las pruebas no paramétricas se basan mayoritariamente en la ordenación de
las observaciones registradas en la muestra. Para poder cuantificar dicha orde-
nación se identifican los valores reales registrados en la variable de interés con
unos valores llamados rangos. El valor del rango que se asigna a cada una de las
observaciones de la muestra es un número natural que oscila entre 1 y n, donde
n es el tamaño de la muestra, y que identifica el tipo de ordenación realizada por
la prueba en cuestión. La manera en que se asignan los rangos (se realiza la
ordenación) dependerá de la hipótesis planteada y por tanto de la prueba no
paramétrica que sea necesario utilizar. Por ejemplo, la mecánica de realización
de la prueba de Kruskall-Wallis consiste en ordenar todas las observaciones
(independientemente del grupo al que pertenezcan) de mayor a menor y asig-
nar los rangos consecutivamente. Posteriormente, se suman los rangos asigna-
dos a cada observación agrupándolos para cada uno de los grupos de estudio y
se comparan las sumas obtenidas en cada uno de los grupos mediante un esta-
dístico de contraste (fórmula no mostrada), evaluando su valor respecto a la ley
de distribución de la Ji cuadrado con k – 1 grados de libertad, donde k indica el
número de grupos que se están comparando.
Si los datos que deseamos comparar no cumplen los requisitos para poder
aplicar las pruebas paramétricas correspondientes, existe la posibilidad de apli-
car pruebas no paramétricas equivalentes que no requieren que los datos cum-
plan todos los supuestos establecidos para sus homólogas paramétricas. La prueba
análoga a la prueba t de Student para datos independientes en su versión no

172

paramétrica es la prueba U de Mann-Whitney, mientras que la prueba análoga al
ANOVA en su versión no paramétrica es la prueba de Kruskall-Wallis.
La mecánica de funcionamiento de la prueba U de Mann-Whitney consiste, a
grandes rasgos, en calcular un estadístico que se distribuye según una normal de
media 0 y desviación 1. Para calcular dicho estadístico se compara cada una de
las observaciones de uno de los grupos a comparar con todas las observaciones
del otro grupo, asignando un valor de 1 en caso de que la observación del
primer grupo sea superior a la observación del segundo grupo, un valor de 0.5
en caso de empate o un valor de 0 en otro caso.Tras la comparación de todas las
observaciones se suman los valores obtenidos y se calcula dicho estadístico para
poder probar la hipótesis planteada.

Ejemplo 2: Comparación de más de dos medias independientes
(k-medias).
Se desea evaluar la influencia que el tipo de diálisis tiene en la concentración
de eritropoyetina en suero en pacientes con IRC. Se han seleccionado pacientes
con IRC que se sometían a hemodiálisis (n=30), diálisis peritoneal intermitente
(n=35) o diálisis peritoneal ambulatoria continua (n=35) y se han registrado los
valores de eritropoyetina en suero de la muestra. Para comparar la hipótesis de
que no existen diferencias estadísticamente significativas entre los 3 tipos de
técnicas de diálisis, necesitamos utilizar una prueba que permita comparar más
de dos grupos. Puesto que no se cumplen los criterios para poder aplicar una
prueba paramétrica (ANOVA), deberemos aplicar la prueba no paramétrica H
de Kruskall-Wallis, que es la prueba análoga a la generalizada y que su realización
con SPSS se muestra en la Figura 46.

173

Figura 46. Comparación de k medias independientes en SPSS. Test de Kruskall-Wallis

Los resultados obtenidos se muestran en la Figura 47. En la primera tabla de
resultados se muestra un análisis descriptivo de los datos que estamos analizan-
do. Observamos que estamos comparando 3 grupos independientes entre sí
(hemodiálisis, diálisis peritoneal intermitente y diálisis peritoneal ambulatoria
continua), indicando el número de observaciones que forman cada grupo (n=30,
n=35 y n=35, respectivamente) y de la media de los rangos asignados, según el
funcionamiento de la prueba. La media de los rangos es superior en los pacien-
tes que reciben diálisis peritoneal ambulatoria continua, seguida de los pacientes
que reciben diálisis peritoneal intermitente y finalmente de los pacientes en
hemodiálisis. Para comprobar si estos grupos presentan diferencias estadísticas
tal como se nos ocurre a priori, en la segunda tabla se muestra el valor del
estadístico de contraste, los grados de libertad de la distribución y la significa-
ción (el p-valor) que resulta en nuestro caso de 0,000, inferior a 0,05, valor
umbral que hemos fijado como error tipo I (o alfa), por lo que podemos recha-
zar la hipótesis nula de que el valor de eritropoyetina en suero no difiere signifi-
cativamente según el tipo de diálisis a la que se somete el paciente con enferme-
dad renal terminal. Así pues, podemos afirmar que se han encontrado diferen-
cias estadísticamente significativas entre tipos de diálisis en los valores de eritro-
poyetina en sangre.

174

Figura 47. Resultados obtenidos en la comparación de k medias independientes en
SPSS. Test de Kruskall-Wallis

12.3. Comparación de medias: pruebas para datos
apareados

Imaginemos que deseamos comprobar si las cifras de tensión arterial sistóli-
ca varían significativamente si son registradas antes o después de comer, porque
vamos a realizar un estudio y debemos determinar en qué momento recogere-
mos esta información. Para realizar la prueba de hipótesis escogeríamos una
muestra de pacientes hipertensos a los cuales mediríamos la cifra de TAS antes
de comer y les volveríamos a hacer idéntica medición a los mismos sujetos
después de comer. Los valores de TAS estarían identificados para cada paciente,
por lo que compararíamos si las cifras de TAS de cada individuo de la muestra
difirieren significativamente entre los dos momentos del tiempo en los que fue-
ron registradas, teniendo en cuenta que la información en ambas ocasiones pro-
cede del mismo individuo, es decir que existe una variabilidad intra-individual,
inherente al propio sujeto, que hay que considerar al realizar las comparaciones,
no pudiendo asumir la independencia de las observaciones. Estas pruebas gene-
ralmente son aplicables en los estudio “pre-post” tratamiento, en los que es
necesario conocer la evolución clínica de parámetros que pueden verse altera-
dos por la administración de tratamientos farmacológicos o distintas terapias.
Al igual que en el caso anterior, existen unas condiciones de aplicabilidad,

175

bajo las cuales es adecuado realizar pruebas paramétricas, debiendo aplicar en
caso contrario, pruebas análogas no paramétricas, que no necesiten cumplir
dichos supuestos.

12.3.1. Pruebas paramétricas en la comparación de datos
apareados
La base de las pruebas para la comparación de medias apareadas consiste en
analizar las diferencias entre las observaciones de un mismo individuo. Supo-
niendo que la variable aleatoria que define la diferencia entre dos observaciones
registradas en un mismo individuo (modelo antes-después) fuera una variable
aleatoria que se distribuyera normalmente, y queremos contrastar la hipótesis
de que se produjo un efecto entre ambas observaciones (cambio). En el caso de
resultar cierta, el estadístico de contraste que utilizaríamos se distribuiría según
la ley de probabilidad de la t de Student, por lo que la prueba que resultaría más
adecuada sería la prueba paramétrica de la t de Student para datos apareados.
El estadístico de contraste desarrollado a partir del planteamiento de la hipó-
tesis a contrastar es:

donde:
1) d: media muestral de la diferencia entre las observaciones “pre” y “post”
2) n: tamaño de la muestra
3) Sd: desviación estándar muestral de las diferencias
4) tn-1: ley de probabilidad de la t de Student con n-1 grados de libertad
El cálculo del intervalo de la diferencia de medias al 95% de confianza, res-
ponde a la siguiente fórmula:

En el caso que hemos mencionado en la introducción, la pregunta sería: ¿exis-
ten cambios en las cifras de TAS después de comer? Intuitivamente, podemos
apreciar que lo realmente importante en este caso será analizar lo que incre-
menta o disminuye la cifra de TAS, independientemente del valor inicial o final.
Por tanto, si no existen diferencias, el valor de antes y el de después serán
iguales (o variarán muy poco) y la resta de sus valores será cercana a cero.

176

12.3.2. Pruebas no paramétricas en la comparación de datos
apareados
A continuación se explicará cómo llevar a cabo el análisis de datos en el caso
de comparar variables continuas entre 2 o más observaciones, teniendo en cuenta
datos apareados, utilizando medidas no paramétricas. Se mostrarán dos ejem-
plos realizados mediante el paquete estadístico SPSS. El primer ejemplo corres-
ponderá al caso de comparación de 2 observaciones con pruebas no paramétri-
cas y el segundo, utilizando la comparación de k observaciones apareadas con
una prueba no paramétrica.

12.3.2.1. Pruebas no paramétricas para datos apareados en la
comparación de dos grupos
La prueba de contraste de hipótesis análoga, en su versión no paramétrica es
la prueba de los rangos con signo de Wilcoxon. Básicamente, la prueba consiste
en ordenar las diferencias de menor a mayor y obtener sus rangos respectivos.
A continuación se suman los rangos correspondientes a las diferencias negativas
y a las diferencias positivas, es decir cuando la primera observación es mayor
que la segunda, y a la inversa, cuando la segunda observación es mayor a la
primera. Una vez construido el estadístico de contraste se evalúa a partir de las
tablas de Wilcoxon si se encuentra dentro de la región crítica, para decidir si se
acepta la hipótesis nula (no hay diferencias en las observaciones apareadas) o se
rechaza (si las hay).

Ejemplo 3: Comparación de dos observaciones apareadas.
Un individuo hipertenso, con función renal y proteinuria normal puede ser
donante de riñón. Se desea evaluar si se registran cambios en la Tensión Arterial
Sistólica (TAS) en los pacientes hipertensos, con función renal y proteinuria
normales al año de haber donado un riñón. Para ello, se registraron los valores
de TAS de estos pacientes antes de haber donado el riñón y al año de seguimien-
to. Tras comprobar que no se cumplían los supuestos necesarios para poder
aplicar la prueba paramétrica de primera elección (prueba t de Student para
datos apareados), se compararon ambos valores mediante la prueba de Wil-
coxon para datos apareados. La Figura 48 muestra los pasos a seguir para reali-
zar la prueba de Wilcoxon utilizando el paquete estadístico SPSS.

177

Figura 48. Comparación de 2 medias para datos apareados en SPSS. Test de Wilcoxon

Los resultados obtenidos tras la aplicación de la prueba correspondiente, se
muestra en la Figura 49. En el estudio realizado no se observaron diferencias estadís-
ticamente significativas respecto a las cifras de tensión arterial al año de haber dona-
do un riñón en pacientes hipertensos, con función renal y proteinuria normales. El
valor de la significación del estadístico Z es de 0,790 con lo que, al no ser superior a
0,05, no podemos rechazar la hipótesis nula y, por tanto, no podemos considerar
que se hayan detectado diferencias entre los valores “pre” y “post”.

Figura 49. Resultados obtenidos en la comparación de 2 medias para datos aparea-
dos en SPSS. Test de Wilcoxon

178

12.3.2.2. Pruebas no paramétricas para datos apareados en la
comparación de más de dos grupos

En caso de querer comparar los valores de una variable continua registrada
en más de dos momentos de tiempo la prueba paramétrica idónea para realizar
el contraste de hipótesis sería el modelo lineal general (GLM) de medidas repe-
tidas, prueba basada en el análisis de la varianza que no abordaremos en este
libro debido a su mayor complejidad, mientras que su análoga no paramétrica
sería la prueba de Friedman.
La prueba de Friedman consiste en asignar rangos a las observaciones de un
mismo individuo, es decir si existen 4 mediciones de una misma observación para un
mismo individuo registradas en diferentes momentos del tiempo, se ordenarán las 4
observaciones para cada individuo y se les asignará un rango que oscilará entre 1 y 4.
Bajo la hipótesis de que no hay variación entre las 4 mediciones, la suma de los
rangos de todos los individuos entre las 4 mediciones no debería diferir.

Ejemplo 4. Comparación de más de dos observaciones apareadas.
Se ha comprobado que un individuo hipertenso, con función renal y protei-
nuria normal donante de riñón no presenta fluctuaciones estadísticamente signi-
ficativas en los valores de TAS hasta un año después de haber donado el órgano,
pero no se dispone de información a más largo plazo. Un estudio plantea la
hipótesis de que a los 5 años de haber donado el órgano y debido al proceso de
envejecimiento, entre otros factores, si es posible que los valores de la TAS se
muestren significativamente alterados, respecto a los valores iniciales y a los
valores registrados al año de la intervención. En un estudio realizado se registra-
ron los valores de TAS en pacientes hipertensos, con función renal y proteinuria
normales antes de donar un riñón, al año y a los 5 años de seguimiento y se
compararon las observaciones registradas mediante la prueba de Friedman, dado
que los supuestos necesarios para poder aplicar el modelo lineal general (GLM)
de medidas repetidas no se cumplieron.

179

La Figura 50 nos muestra los pasos a seguir para realizar la prueba de Fried-
man en SPSS. Se puede apreciar que HTA1 es la variable que indica el valor de
TAS previa a la donación, HTA2 al cabo de un año y HTA3, a los 5 años de
seguimiento.

Figura 50. Comparación de k medias de datos apareados en SPSS. Test de Friedman

Los resultados obtenidos se describen en la Figura 51: Las cifras de tensión
arterial en pacientes hipertensos, con función renal y proteinuria normales fue-
ron significativamente diferentes entre el momento previo a la donación del
riñón, al año de la intervención y a los 5 años. Si observamos la tabla resumen de
la asignación de rangos, el rango medio para la variable HTA3 (que corresponde
a los valores de tensión arterial a los 5 años de seguimiento) se distancia respec-
to a los rangos medios registrados en las variables HTA1 (valor de la tensión
arterial en el momento previo a la intervención) y HTA2 (valor de la tensión
arterial al año de la intervención), lo que nos hace suponer que a los 5 años de
seguimiento las cifras de tensión arterial aumentan significativamente con una
p=0,037, que es menor a nuestro alfa de 0,05.

180

Figura 51. Resultados obtenidos en la comparación de 2 medias para datos
apareados en SPSS. Test de Friedman

12.4. Pruebas post-hoc o a posteriori
Si en el ANOVA o en el procedimiento GLM un factor resulta significativo,
puede interesar conocer a posteriori cuáles son los niveles que pueden conside-
rarse iguales y cuáles distintos. En el caso de tener dos niveles no es importante,
puesto que si el estadístico tiene una significación asociada menor a nuestro
valor crítico, entonces consideraremos que existen diferencias entre las medias
de los dos grupos. Sin embargo, cuando existen más de dos grupos, el ANOVA
sólo nos indica que se han encontrado diferencias entre los grupos y que nues-
tra variable de agrupación o factor es significativa, con lo que sabemos que
existen diferencias pero no sabemos dónde.
Existen varios tests que permiten conocer cuáles son los grupos que difieren
entre sí, pero las técnicas de comparación son muy variadas. Lo más importante
es conocer algunos de estos métodos que podemos encontrar en los paquetes
estadísticos y la conveniencia de reajustar nuestro valor alfa. El hecho de realizar
pruebas post-hoc indica que deberemos hacer múltiples comparaciones entre
los niveles del factor a comparar, lo cual implica una multiplicidad de pruebas
que puede hacer que aumentemos el riesgo de considerar dos niveles distintos
cuando sean iguales (Error alfa). Es por eso que debe realizarse un ajuste de alfa
a valores cercanos a 0,01, que nos dé más seguridad al considerar dos medias
iguales.

181

Algunos de los estadísticos más conocidos son los siguientes: LSD (Least
Significant Difference), Bonferroni, Scheffé, S-N-k (Student-Neuwman-Keuls),
Tukey, Duncan, Dunnet, entre otros. Muchos paquetes estadísticos han incorpo-
rado estos contrastes post-hoc en el análisis de la varianza. En este manual no
profundizaremos más en el tema, pero es importante saber que son procedi-
mientos que existen y que son necesarios para conocer qué diferencias tene-
mos cuando existen más de dos grupos de una variable.

12.5. Consideraciones importantes
En muchos estudios y en la mayoría de los ensayos clínicos, es necesario
comparar ciertas características en dos o más grupos de sujetos. La elección de
un método de análisis apropiado en este caso dependerá de la naturaleza de los
datos y la forma en la que estos hayan sido obtenidos, es decir, si se trata de un
estudio transversal o longitudinal a lo largo del tiempo. Otro aspecto a tener en
consideración será el tipo y distribución de los datos. Para grupos independien-
tes, los métodos paramétricos requieren que las observaciones en cada grupo
provengan de una distribución aproximadamente normal con una variabilidad
semejante, de modo que si los datos disponibles (o alguna transformación sim-
ple de ellos) no verifican tales condiciones, se debería recurrir a la utilización de
procedimientos no paramétricos.

Pruebas para muestras independientes. Estudios transversales.
Como se ha comentado, la aplicación de un contraste paramétrico requiere
la normalidad de las observaciones para cada uno de los grupos, aunque un
número suficiente de observaciones (digamos mayor de 30) justifica, no obstan-
te, la utilización de un test paramétrico. Cabe especificar que, siempre que se
pueda y se cumplan las condiciones, se deben aplicar pruebas paramétricas puesto
que tienen asociados intervalos de confianza que permitirán conocer cuánto
puede alejarse nuestra diferencia de medias muestrales de la diferencia de me-
dias poblacionales.
En caso de tener dos muestras en las que se pueden aplicar pruebas paramé-
tricas, se desarrollará la t de Student, con las distintas vertientes, sean las varia-
bilidades de las muestras iguales o estadísticamente distintas. Sin embargo, en
caso de tener más de dos grupos de estudio, el ANOVA será la prueba que
deberemos aplicar.
Por otro lado, las pruebas no paramétricas que pueden utilizarse correspon-
derán a la U de Mann-Whitney en el caso de querer comparar dos grupos y la
prueba H de Kruskall-Wallis en caso de tener más de dos grupos.

182

Pruebas para muestras dependientes. Estudios longitudinales.
Las series dependientes surgen normalmente cuando se evalúa un mismo
dato más de una vez en cada sujeto de la muestra (estudios longitudinales).
También se puede encontrar este tipo de observaciones en estudios de casos y
controles donde cada caso se aparea individualmente con un control.
Las pruebas que se utilizan sobre la diferencia entre observaciones en caso
de poder aplicar pruebas paramétricas son: la t de Student para datos apareados
en caso de tener dos momentos, o bien, el procedimiento ANOVA para medi-
das repetidas (GLM) en caso de medir la variable en dos o más momentos en el
tiempo. Análogamente, las pruebas no paramétricas para evaluar la media de las
diferencias entre dos momentos corresponde a la prueba de rangos con signo
de Wilcoxon y, en general, para más de dos momentos, la prueba de Friedman.
En la siguiente tabla se muestra esquemáticamente a qué prueba estadística
podemos recurrir cuando deseamos comparar dos o más medias, evaluando la
situación global de los datos a comparar.

Comparación de 2 medias Comparación de > 2 medias
Pruebas Pruebas no Pruebas Pruebas no
paramétricas paramétricas paramétricas paramétricas

Transversalmente
T de Student para
(en un momento U de H de
datos ANOVA
del tiempo) Mann -Whitney Kruskall Wallis
independientes
Datos independientes

Longitudinalmente
Prueba de los
(a lo largo del T de Student para rangos con signo de GLM para medidas
tiempo) datos apareados Prueba de Friedman
Wilcoxon repetidas
Datos apareados

Tabla 15. Resumen de pruebas para la comparación de medias.

183

12 cap 12

Más contenido relacionado

La actualidad más candente (19)

Destacado (6)

Similar a 12 cap 12 (20)

12 cap 12