Table of Contents

En la investigación psicológica, especialmente cuando se trabaja con pequeños tamaños de muestra, seleccionar el test estadístico adecuado es fundamental para extraer conclusiones válidas. La prueba exacta de Fisher es una prueba de hipótesis estadística utilizada para evaluar la asociación entre dos variables binarias en una tabla de contingencia y es particularmente útil cuando se trabaja con muestras de tamaño pequeño. Esta guía completa le guiará a través de todo lo que necesita saber acerca de la realización de la Prueba de Exacto de Fisher en pequeños estudios psicológicos muestra, desde la comprensión de las bases teóricas.

¿Qué es el examen de la prueba de Fisher?

La prueba exacta de Fisher es una de las clases de pruebas exactas, así que se llama porque la importancia de la desviación de una hipótesis nula (por ejemplo, p-valor) se puede calcular exactamente, en lugar de depender de una aproximación que se vuelve exacta en el límite, ya que el tamaño de la muestra crece a la infinidad, como con muchas pruebas estadísticas. La prueba fue desarrollada por el famoso estadístico Ronald Fisher, y se llama después de su inventor

La prueba exacta de Fisher determina si existe una asociación estadísticamente significativa entre dos variables categóricas. También puede utilizarla para una prueba de proporción de 2 muestras cuando tiene un tamaño de muestra pequeño. A diferencia de muchas pruebas estadísticas que dependen de aproximaciones, la prueba exacta de Fisher proporciona cálculos de probabilidad precisos, lo que lo hace invaluable al tratar con datos limitados.

El propósito y las aplicaciones en la psicología

La prueba es útil para datos categóricos que resultan de clasificar objetos de dos maneras diferentes; se utiliza para examinar la importancia de la asociación (contingencia) entre los dos tipos de clasificación. En la investigación psicológica, esto podría incluir el examen de las relaciones entre las condiciones de tratamiento y los resultados, variables demográficas y respuestas conductuales, o categorías de diagnóstico y tasas de éxito de intervención.

Los investigadores psicológicos suelen encontrar situaciones en las que los tamaños de las muestras son necesariamente pequeños debido a limitaciones prácticas como la disponibilidad limitada de los participantes, poblaciones clínicas raras, condiciones experimentales especializadas o limitaciones de recursos.En estos escenarios, el examen de evaluación de Fisher se convierte en una herramienta analítica esencial.

Cuándo utilizar el examen de resultados de Fisher

Consideraciones de tamaño de muestra

Un valor celular es pequeño (menos de 5). Cuando todos los valores son más de 5, se debe realizar una prueba de la paridad de chi. Este es el criterio principal para elegir el examen de la prueba de la acción de Fisher sobre métodos alternativos. La prueba exacta de Fisher se recomienda cuando el tamaño total de la muestra es inferior a 1000, y utilizar el chi-square o G-test para mayores tamaños de muestra.

Aunque en la práctica se emplea cuando los tamaños de muestra son pequeños, es válido para todos los tamaños de la muestra. Sin embargo, mientras que la prueba exacta de Fisher es teóricamente válida cuando las muestras son grandes, es computacionalmente intensivo y por lo general sólo se utiliza para pequeñas muestras.

Requisitos para el tipo de datos

Para que el examen de resultados de Fisher sea apropiado, sus datos deben cumplir criterios específicos:

  • Variables categóricas: Ambas variables deben ser categóricas y binarias, lo que significa que pueden tomar uno de dos valores, de modo que se pueda poblar una tabla de contingencia de 2 x 2.
  • Independencia de las Observaciones: La independencia de las observaciones, no debe ser emparejada ni relacionada, y cada observación debe ser independiente de todos los demás.
  • Grupos Exclusivos Mutuales: Grupos Mutuamente Exclusivos: un individuo no puede pertenecer a más de una célula en la tabla de contingencias.
  • Pequeñas frecuencias esperadas: La literatura indica que la regla habitual para decidir si la aproximación de la χ2 es suficiente, es que la prueba de Chi-square no es apropiada cuando los valores esperados en una de las células de la tabla de contingencia son inferiores a 5, y en este caso la prueba exacta de Fisher es preferida.

Comparación con el examen de Chi-Square

Ambos sirven el mismo propósito: evaluar una relación entre variables categóricas. Sin embargo, las diferencias en la metodología subyacente afectan cuando usted debe utilizar cada método. Entender estas diferencias es crucial para seleccionar la prueba apropiada.

El examen de independencia de Chi-Square es una prueba de hipótesis más tradicional que utiliza una estadística de prueba (chi-cuadra) y su distribución de muestreo para calcular el valor p.. Sin embargo, la distribución de muestreo de chi-cuare solo aproxima la distribución correcta, proporcionando mejores p-valores como los valores celulares en el aumento de la tabla. Por consiguiente, los p-valores de chi-cuare son inválidos cuando usted tiene pequeños recuentos.

La prueba exacta de Fisher calcula una probabilidad exacta y es ideal para pequeños tamaños de muestra o bajos recuentos de células esperadas, mientras que la prueba de la piel chi utiliza una aproximación de gran muestra que puede ser inexacta cuando los recuentos esperados caen por debajo 5. Esta diferencia fundamental hace que Fisher Exact Test el estándar de oro para la investigación de muestras pequeñas.

Comprender la teoría estadística

Distribución hipergeométrica

La prueba exacta Fisher funciona de manera algo diferente a la prueba de chi-square (o de hecho cualquiera de las otras pruebas de hipótesis) en la medida en que no tiene una estadística de prueba; calcula el valor p "directamente". La prueba se basa en la distribución hipergeométrica para calcular probabilidades exactas.

La prueba exacta de Fisher se realiza calculando la probabilidad de los datos que se observan si la hipótesis nula (sin asociación) es verdadera, utilizando todas las tablas posibles 2 x 2 que hipotéticamente podrían haberse observado, para la misma fila y columna total como las que se observan en los datos (a veces se denominan los totales marginales). En otras palabras, estamos evaluando cómo la tabla de frecuencias es extrema en relación con las versiones marginales

Hipótesis en el examen de la prueba de acción de Fisher

Las hipótesis de la prueba exacta de Fisher son las mismas que para la prueba de Chi-square, es decir: H0 : las variables son independientes, no hay relación entre las dos variables categóricas. Conocer el valor de una variable no ayuda a predecir el valor de la otra variable. H1 : las variables son dependientes, hay una relación entre las dos variables categóricas.

Al realizar la prueba, usted está esencialmente preguntando: "Si realmente no hay asociación entre estas variables, ¿cuál es la probabilidad de observar datos tan extremos como, o más extremos que, lo que realmente observamos?"

Sumas y limitaciones

La prueba supone que todas las sumas de fila y columna de la tabla de contingencia fueron fijadas por el diseño y tiende a ser conservadora y subpoderada fuera de este escenario. Esta es una consideración importante al interpretar los resultados, ya que la prueba puede ser algo conservadora en ciertos diseños de investigación.

Cuando uno o ambos de los totales de fila o columna no están condicionados, la prueba exacta de Fisher no es, estrictamente hablando, exacta. En lugar, es algo conservador, lo que significa que si la hipótesis nula es verdad, obtendrá un valor significativo (P circunlt;0.05) P menos del 5% del tiempo. Esto lo hace un poco menos poderoso (más difícil detectar una diferencia real de la nula, cuando hay uno).

Guía paso a paso para llevar a cabo la prueba de Fisher

Paso 1: Organizar sus datos en una tabla de contingencia

Una tabla de contingencia de 2 x 2, a veces conocida como una cinta cruzada o una tabla de dos vías, es una herramienta útil en estadísticas que muestra en sus valores celulares las frecuencias (cuentas) de cada combinación de dos variables categóricas con totales de fila y columna incluidos. Son herramientas poderosas que nos ayudan a entender la relación entre dos variables en una muestra de datos.

Su primer paso es organizar sus datos en un formato claro y organizado. Una tabla de contingencia 2×2 tiene cuatro células que representan todas las combinaciones posibles de sus dos variables binarias. Por ejemplo, si está estudiando la relación entre el tipo de terapia (Tratamiento A vs. Tratamiento B) y resultado (Mejor vs. No mejorado), su tabla mostraría el recuento de participantes en cada combinación.

El cuadro debería incluir:

  • Totales de fila ( totales marginales para cada fila)
  • Totales de columna ( totales marginales para cada columna)
  • Total general (número total de observaciones)
  • Etiquetas claras para cada variable y categoría

Paso 2: Revisar los vertidos

Antes de proceder con la prueba, verifique que sus datos cumplan con las suposiciones necesarias:

  • Ambas variables son categóricas con dos categorías cada una
  • Las observaciones son independientes (ningún participante aparece en varias celdas)
  • Categorías son mutuamente excluyentes
  • Al menos una célula tiene una frecuencia esperada menos de 5, o el tamaño total de la muestra es pequeño

Aunque es una buena práctica comprobar las frecuencias esperadas antes de decidir entre el Chi-square y la prueba Fisher, no es un problema importante si se olvida. Como puede ver arriba, al hacer la prueba Chi-square en R (con chisq.test()), una advertencia como "La aproximación de Chi-squared puede ser incorrecta" aparecerá. Esta advertencia significa que las frecuencias más pequeñas esperadas es más baja que la prueba de la preocupación.

Paso 3: Determinar su nivel de significación

Antes de realizar el examen, establezca su nivel de alfa (nivel de significación). En la investigación psicológica, el nivel de significación convencional es α = 0.05, aunque puede elegir un nivel más estricto (por ejemplo, 0,01) dependiendo de su contexto de investigación y las consecuencias de los errores de Tipo I.

Paso 4: Elija entre pruebas de un solo golpe y dos colas

H0:p1 / p2 = φ0 versus H1: p1 / p2 لφ0; esto se llama a menudo la prueba de dos colas. H0:p1 / p2 ≤φ0 versus H1: p1 / p2 > φ0; esto se llama a menudo la prueba de cola superior.

Ruxton y Neuhauser (2010) han estudiado artículos en la revista Behavioral Ecology and Sociobiology y han encontrado varios que reportaron los resultados de las pruebas exactas de un solo cola de Fisher, aunque dos colas hubieran sido más apropiadas. Aparentemente algunas estadísticas de libros de texto y programas perpetúan confusión sobre pruebas de un solo cola vs. de dos colas de Fisher. Casi siempre debe usar una prueba de dos dimensiones, a menos que tenga una razón muy buena.

Una prueba de dos colas es apropiada cuando usted está interesado en detectar cualquier asociación entre variables, independientemente de la dirección. Una prueba de un solo detalle sólo debe ser utilizado cuando usted tiene una fuerte razón teórica para predecir la dirección de la relación antes de recoger datos.

Paso 5: Calcular la probabilidad de salida

Mientras que el examen de resultados de Fisher puede calcularse a mano para tablas simples 2×2, esto es raramente práctico. El cálculo implica factoriales de cálculo y puede llegar a ser extremadamente tedioso. Las computaciones reales como se realizan por paquetes de software estadístico serán una regla diferente a las descritas anteriormente, porque las dificultades numéricas pueden resultar de los grandes valores tomados por los factoriales.

El software estadístico moderno maneja estos cálculos de manera eficiente y precisa. El software calculará la probabilidad de observar su configuración de tabla específica, así como todas las configuraciones más extremas, dadas las sumas marginales.

Paso 6: Interpretar los resultados

Desde la salida vemos que el valor p es inferior al nivel de significación del 5%. Como cualquier otra prueba estadística, si el valor p es inferior al nivel de significación, podemos rechazar la hipótesis nula.

Al interpretar sus resultados:

  • Si el valor p ≤ α: Rechazar la hipótesis nula. Hay suficiente evidencia para concluir que existe una asociación estadísticamente significativa entre las dos variables.
  • Si el valor p > α: Fail para rechazar la hipótesis nula. No hay evidencia suficiente para concluir que existe una asociación entre las variables.

Los datos de muestra son lo suficientemente fuertes para concluir que existe una relación entre las variables categóricas en la población. Saber el valor de una variable proporciona información sobre el valor de la otra variable.

Ejemplo detallado: Estudio de Eficacia de la Terapia

Trabajemos a través de un ejemplo integral relevante para la investigación psicológica. Supongamos que un psicólogo clínico está investigando si una nueva intervención de terapia cognitiva-comportal (CBT) es más eficaz que el tratamiento estándar para reducir la ansiedad social en los adolescentes. Debido a la naturaleza especializada de la población y las limitaciones de recursos, el estudio incluye sólo 20 participantes.

Diseño de estudio

  • Variable independiente: Tipo de tratamiento (Nuevo tratamiento estándar contra el CBT)
  • Dependent Variable: Resultado clínico (Mejoramiento Clínicamente significativo vs. No Mejoras Clínicamente Significativas)
  • Tamaño de la muestra: 20 participantes (10 en cada grupo de tratamiento)

Reunión de datos y organización

Después del período de intervención, el psicólogo evalúa a cada participante y los clasifica sobre la base de si mostraron una mejora clínicamente significativa (definida como una reducción de al menos un 30% en una medida de ansiedad social estandarizada).Los datos se organizan en una tabla de contingencia 2×2:

Tabla de Contingencia:

  • Nuevo CBT - Mejorado: 8 participantes
  • Nuevo CBT - No mejorado: 2 participantes
  • Tratamiento estándar - Mejorado: 3 participantes
  • Tratamiento estándar - No mejorado: 7 participantes

Realización del análisis

El psicólogo señala que con sólo 20 participantes totales y algunas células que tienen pequeños recuentos, el examen de resultados de Fisher es la opción adecuada. Utilizando software estadístico, introducen los datos de la tabla de contingencia y especifican una prueba de dos colas con α = 0.05.

Interpretación del producto

El software proporciona varias informaciones:

  • P-valor: La probabilidad exacta de observar datos tan extremos o más extremos bajo la hipótesis nula
  • Proporción de probabilidades: Una medida de tamaño de efecto que indica la fuerza de asociación
  • Intervalo de confianza: El rango dentro del cual la relación de probabilidades verdaderas probablemente cae

Si el valor p es 0.028 (menos de 0,05), el psicólogo rechazaría la hipótesis nula y concluiría que hay una asociación estadísticamente significativa entre el tipo de tratamiento y el resultado clínico. La relación de probabilidades indicaría cuánto más probables los participantes en un grupo son mejorar en comparación con el otro grupo.

Software y herramientas para el examen de resultados de Fisher

Paquetes de software estadístico

La mayoría de los paquetes estadísticos modernos calcularán la importancia de las pruebas de Fisher, en algunos casos incluso cuando la aproximación de la chi-squared también sería aceptable. Aquí están las opciones principales para realizar el examen de la prueba de la extinción de Fisher:

R Statistical Software

R es un entorno de computación estadística de código abierto ampliamente utilizado en la investigación psicológica. Para realizar la prueba exacta de Fisher en R, utilice la función Fisher.test() como haría para la prueba Chi-square. La sintaxis básica es sencilla, y R proporciona una salida integral incluyendo el valor p, ratio de probabilidades y intervalos de confianza.

R es particularmente ventajoso porque es gratuito, tiene una amplia documentación, y es ampliamente apoyado por la comunidad de investigación. Muchos departamentos de psicología enseñan R como parte de su plan de estudios de estadísticas.

SPSS

Por defecto, SPSS calcula Fisher cuando aplicamos chi-square en una tabla de contingencia 2 × 2 tablas. Esto hace que SPSS sea particularmente fácil de usar para los investigadores que pueden no estar cómodos con interfaces de línea de comandos. SPSS proporciona automáticamente resultados de Prueba de Fisher cuando analiza las tablas 2×2, y para tablas distintas de 2 × 2, usted necesita hacer clic en Exact box en el cuadro de diálogo Crosstab y luego seleccionar Exact.

Python

Para los investigadores cómodos con la programación, Python ofrece el examen de resultados de Fisher a través de la biblioteca SciPy. Python es cada vez más popular en la investigación psicológica, especialmente para los investigadores que también realizan análisis de modelado computacional o machine learning.

Calculadoras en línea

Para análisis rápidos o cuando el software estadístico no está disponible fácilmente, varias calculadoras confiables en línea pueden realizar el examen de resultados de Fisher:

Estas herramientas en línea son particularmente útiles para la enseñanza, la rápida verificación de resultados, o cuando se trabaja en computadoras sin software estadístico instalado.

Reportando los resultados de la prueba de resultados de Fisher

Elementos esenciales para informar

Al interpretar y reportar los resultados exactos de Fisher, es importante incluir el valor p exacto, proporcionar la relación de probabilidades junto con un intervalo de confianza del 95%, y claramente indicar si se realizó una prueba de uno o dos lados. Los resultados también deben ser apoyados con un contexto práctico para ayudar a los lectores a entender el significado real de los hallazgos.

Un informe completo de los resultados de la Prueba de Examen de Fisher debe incluir:

  • El valor p exacto (no sólo "p < 0,05 pl.)
  • El nombre de la prueba (Fisher's Exact Test)
  • Si la prueba fue de cola única o de dos colas
  • La relación de probabilidades y su intervalo de confianza
  • Tamaños de muestra para cada grupo
  • Una clara declaración de la conclusión en el contexto

Formato de presentación de informes

Aquí hay un ejemplo de cómo informar los resultados de Fisher Exact Test en el estilo APA:

"Se realizó un examen de evaluación de Fisher para examinar la asociación entre el tipo de tratamiento y el resultado clínico. Los resultados indicaron una relación estadísticamente significativa entre el tipo de tratamiento y el estado de mejora (p = 0,028, dos colas). Los participantes que recibieron la nueva intervención de CBT mostraron una mejora significativamente significativa (80%) en comparación con los que recibieron tratamiento estándar (30%), con una relación de probabilidades de 9.33 (95% CI [1.38, 63.15]).

Presentación visual

Aunque los resultados estadísticos son cruciales, la presentación visual mejora la comprensión. Considerar incluyendo:

  • Una tabla de contingencia claramente etiquetada con frecuencias y porcentajes
  • Un gráfico de barras o mosaico que muestra la distribución entre categorías
  • Visualizaciones de tamaño de efecto cuando sea apropiado

Pitfalls comunes y cómo evitarlos

Independencia incomprensible

Uno de los errores más comunes es violar el supuesto de independencia. Cada observación debe ser independiente de todos los demás. Esto significa:

  • Ningún participante puede aparecer en múltiples celdas
  • Las medidas reiteradas de los mismos participantes violan la independencia
  • Los pares o muestras relacionadas con emparejados requieren diferentes pruebas (como la prueba de McNemar)

Uso inapropiado de pruebas de un solo golpe

Los investigadores a veces utilizan inapropiadamente pruebas de cola única para lograr significado estadístico. Recuerde que la decisión de utilizar una prueba de cola debe hacerse antes de la recopilación de datos, basada en sólidos motivos teóricos, no después de ver los datos.

Ignorando el tamaño del efecto

La significación estadística no significa necesariamente significación práctica. Siempre reporte e interprete los tamaños de los efectos (como las tasas de probabilidades) junto con los valores p. Un resultado estadísticamente significativo con un tamaño de efecto muy pequeño puede no ser clínica o prácticamente significativo.

Múltiples Comparaciones sin Corrección

Al realizar múltiples pruebas de resultados de Fisher en el mismo conjunto de datos, aumenta el riesgo de errores de tipo I. Considerar la posibilidad de aplicar correcciones apropiadas (como corrección de Bonferroni) al realizar múltiples pruebas.

Confundiendo significancia estadística y clínica

En la investigación psicológica y clínica, la importancia estadística debe interpretarse en el contexto de la importancia clínica o práctica. Un hallazgo estadísticamente significativo puede no traducirse a un impacto real significativo.

Extensiones y alternativas

Tablas de Contingencia más grandes

Sin embargo, el principio de la prueba puede extenderse al caso general de una tabla m × n, y algunos paquetes estadísticos proporcionan un cálculo (a veces utilizando un método Monte Carlo para obtener una aproximación) para el caso más general. Mientras que el Test de Exacto de Fisher es más comúnmente utilizado para tablas 2×2, existen extensiones para tablas más grandes.

Al trabajar con tablas de más de 2×2, tenga en cuenta que las demandas computacionales aumentan sustancialmente. Muchos paquetes de software utilizan métodos de simulación Monte Carlo para aproximar el valor p exacto para tablas más grandes.

Pruebas de Exacto Alternativa

Una prueba exacta alternativa, la prueba exacta de Barnard, ha sido desarrollada y los defensores de ella sugieren que este método es más poderoso, particularmente en tablas 2×2. Además, la prueba de Boschloo es una prueba exacta que es uniformemente más potente que la prueba exacta de Fisher por la construcción.

Sin embargo, los estadísticos continúan argumentando sobre alternativas a la prueba exacta de Fisher, pero las mejoras parecen bastante pequeñas para tamaños de muestra razonables, con el costo considerable de explicar a sus lectores por qué está usando una prueba estadística oscura en lugar de la prueba exacta de Fisher. Creo que la mayoría de los biólogos, si vieron que tiene un resultado significativo usando la prueba de Barnard, o la prueba de Boschloo, o la prueba de Sant Sune y Sne rápidamente

Consideraciones de la potencia y el tamaño de la muestra

Comprensión de la capacidad estadística

El poder estadístico es la probabilidad de detectar un efecto verdadero cuando existe. Con tamaños de muestras pequeñas, la potencia estadística es a menudo limitada. Tenga en cuenta que, aunque los tamaños de muestras muy pequeños son válidos para esta prueba, reducen la potencia estadística, lo que significa que puede ser difícil obtener resultados significativos.

Cuando se planifique un estudio que utilizará el examen de resultados de Fisher, considere:

  • El tamaño de efecto esperado basado en datos de investigación anteriores o piloto
  • El nivel de potencia deseado (típicamente 0,80 o 80%)
  • El nivel de significación (típicamente 0,05)
  • Limitaciones prácticas del tamaño de la muestra

Planeamiento de tamaño de la muestra

La prueba exacta de Fisher es aplicable cuando el tamaño de la muestra es pequeño y podríamos esperar que haya una o más células pequeñas (pllt; 5). Por lo tanto, el procedimiento de cálculo del tamaño de la muestra después de la prueba Fisher Pul#039; la prueba exacta se aplicará cuando el tamaño de la muestra es pequeño.

Software especializado o calculadoras en línea pueden ayudar a determinar el tamaño mínimo de la muestra necesaria para lograr una potencia adecuada para detectar un efecto de un tamaño determinado. Sin embargo, recuerde que en muchos contextos de investigación psicológica, el tamaño de la muestra se ve limitado por factores prácticos como la disponibilidad de los participantes o las limitaciones de recursos.

Aplicaciones en el mundo real en investigación psicológica

Psicología Clínica

El examen de evaluación de Fisher se utiliza con frecuencia en la investigación clínica de psicología para evaluar los resultados del tratamiento con pequeñas muestras.

  • Comparación de las tasas de respuesta entre los grupos de tratamiento y control en los estudios piloto
  • Examinar la relación entre las categorías de diagnóstico y la adherencia al tratamiento
  • Analizar las tasas de eventos adversos en pequeños ensayos clínicos
  • Investigar asociaciones entre condiciones comorbíd y resultados de tratamiento

Psicología del Desarrollo

Los investigadores del desarrollo a menudo trabajan con poblaciones especializadas o difíciles de recuperar, haciendo que el examen de resultados de Fisher sea particularmente valioso:

  • Examen de los logros alcanzados en los distintos grupos en materia de desarrollo
  • Analizar resultados categóricos en estudios longitudinales con atrición
  • Investigar las relaciones entre los factores de riesgo temprano y los resultados posteriores
  • Estudio de los trastornos o condiciones de desarrollo poco frecuentes

Psicología Social

Los psicólogos sociales pueden usar el examen de evaluación de Fisher cuando estudian:

  • Procesos de toma de decisiones de grupos pequeños
  • Respuestas categóricas a las manipulaciones experimentales
  • Relación entre variables demográficas y opciones conductuales
  • Prueba piloto de paradigmas experimentales

Neuropsicología

En la investigación neuropsicológica, los tamaños de muestras pequeñas son comunes debido a la naturaleza especializada de las poblaciones de pacientes:

  • Comparación de categorías de desempeño (impaired vs. unimpaired) en grupos de pacientes
  • Examinar relaciones entre localización de lesiones y resultados funcionales
  • Analizar resultados de pruebas neuropsicológicas categóricas
  • Investigar asociaciones entre las condiciones neurológicas y los síntomas conductuales

Consideraciones avanzadas

Tratando con valores de p-soldados

Debido a que el examen de resultados de Fisher utiliza distribuciones de probabilidad discretas, pueden ocurrir valores de p atados. Diferentes paquetes de software pueden manejar lazos ligeramente diferentes, lo que puede ocasionalmente llevar a discrepancias menores en los resultados a través de plataformas. Esto generalmente no es una preocupación por la interpretación, pero vale la pena notar al comparar resultados a través de diferentes software.

Corrección de mitad de período

Algunos estadísticos abogan por utilizar una corrección de media p, que puede hacer menos conservador el examen de resultados de Fisher. El valor de media p se calcula restando la mitad de la probabilidad de la tabla observada del valor p exacto de Fisher estándar. Este enfoque es polémico, y debe indicar claramente si la utiliza.

Intervalos de confianza para los Ratos de Odds

Existen diferentes métodos para calcular intervalos de confianza para las relaciones de probabilidades en el examen de resultados de Fisher. La mayoría de los paquetes de software utilizan métodos que mantienen la naturaleza exacta de la prueba, pero el algoritmo específico puede variar. Esto raramente afecta la interpretación pero puede conducir a ligeras diferencias en intervalos de confianza en los paquetes de software.

Consideraciones éticas en investigación de muestras pequeñas

Transparencia en la presentación de informes

Al realizar investigaciones con pequeñas muestras, la transparencia es crucial. Los investigadores deben:

  • Justifica claramente el tamaño de la muestra pequeña
  • Requisitos relacionados con la potencia estadística
  • Informe todos los análisis realizados, no sólo conclusiones significativas
  • Discuss the generalizability of findings
  • Considerar la preinscripción de los análisis cuando sea posible

Evitar el bloqueo de P

Con pequeñas muestras, la tentación de realizar múltiples análisis hasta que se pueda encontrar significado. Los investigadores deben resistir esta tentación y:

  • Análisis de planes antes de la recopilación de datos
  • Informe de todos los análisis realizados
  • Aplicar correcciones apropiadas para múltiples comparaciones
  • Distinguir entre los análisis confirmatorios y exploratorios

Replicación y validación

Las conclusiones de los estudios de muestras pequeñas deben interpretarse de manera cautelosa e ideal en muestras independientes.

  • Conclusiones del marco como preliminares cuando proceda
  • Alentar los esfuerzos de reproducción
  • Considerar enfoques meta-analíticos para combinar hallazgos en pequeños estudios
  • Sea transparente sobre la naturaleza exploratoria de la pequeña investigación de muestras

Consejos prácticos para el éxito

Antes de la recogida de datos

  • Determinar si el examen de resultados de Fisher es adecuado para su pregunta de investigación
  • Realizar un análisis de potencia para comprender las limitaciones del tamaño de la muestra
  • Inscribir su plan de análisis cuando sea posible
  • Asegurar que sus variables sean verdaderamente categóricas y binarias
  • Plan para cómo manejar los datos perdidos

Durante la recogida de datos

  • Mantener la estricta independencia de las observaciones
  • Documente cualquier desviación de su protocolo planificado
  • Asegurar la clasificación sistemática de los resultados
  • Mantener registros detallados de todos los procedimientos de recopilación de datos

Durante el análisis

  • Verifique que se cumplan las hipótesis antes de realizar el examen
  • Utilice software estadístico fiable y bien documentado
  • Doble control de la entrada de datos y construcción de mesa
  • Informe sobre los valores p exactos en lugar de simplemente "p < 0.05 péndulo
  • Cálculo y tamaños de los efectos de informe
  • Considerar los análisis de sensibilidad cuando sea apropiado

Cuando se escriben los resultados

  • Proporcionar estadísticas descriptivas completas
  • Incluir un cuadro de contingencia claro
  • Informe todas las estadísticas de prueba pertinentes
  • Interpretar los resultados en términos prácticos, no sólo estadísticos,
  • Limitaciones de reconocimiento relacionadas con el tamaño de la muestra
  • Consecuencias para la investigación futura

Recursos de aprendizaje y lectura posterior

Para los investigadores que quieren profundizar su comprensión de la Prueba de Exacto de Fisher y las estadísticas de muestras pequeñas, hay varios recursos excelentes disponibles:

Libros de texto y recursos académicos

  • Libros de texto estadísticos que abordan específicamente el análisis de datos categóricos
  • Métodos de investigación de libros de texto con secciones sobre estadísticas de muestras pequeñas
  • Cursos de estadísticas en línea centrados en métodos no paramétricos
  • Sitios web de departamentos de estadística de la Universidad con materiales tutoriales

Comunidades y Apoyo en línea

  • Foros de estadísticas donde los investigadores pueden hacer preguntas
  • Grupos de usuarios R y listas de correo
  • Comunidades de redes sociales académicas centradas en los métodos de investigación
  • Canales de YouTube con tutoriales estadísticos

Documentación del software

  • Documentación oficial R para la función Fisher.test()
  • Guías y tutoriales de usuario de SPSS
  • Python SciPy documentación
  • Foros y comunidades de usuarios específicos para el software

Para obtener más orientación sobre análisis estadístico en psicología, considere la exploración de recursos de la Asociación Psicológica Americana y la Asociación para la Ciencia Psicológica.

Conclusión

El examen de resultados de Fisher es una herramienta indispensable para los investigadores psicológicos que trabajan con pequeños tamaños de muestra y datos categóricos. A diferencia de pruebas aproximadas que dependen de grandes suposiciones de muestra, el examen de resultados de Fisher calcula valores p exactos, lo que lo convierte en el estándar de oro para pequeños conjuntos de datos. Por ejemplo, en ensayos clínicos o genéticos, donde los tamaños de muestra pueden ser limitados, este examen proporciona un método confiable para determinar si dos variables están relacionadas.

Al entender cuándo utilizar el examen de resultados de Fisher, cómo realizar e interpretarlo correctamente, y cómo informar de los resultados de manera transparente, los investigadores pueden extraer conclusiones válidas de datos limitados. Mientras que los pequeños tamaños de muestra presentan desafíos inherentes, el examen de resultados de Fisher proporciona un marco estadístico riguroso para analizar las asociaciones clasificatorias cuando las muestras más grandes no son factibles.

La clave para la aplicación exitosa del examen de resultados de Fisher es la planificación cuidadosa, la adherencia rigurosa a las suposiciones, la presentación de informes transparentes y la interpretación adecuada de los resultados dentro del contexto más amplio de la teoría y práctica psicológica. Como la investigación psicológica sigue complicándose con preguntas que involucran a poblaciones especializadas y fenómenos raros, el examen de resultados de Fisher seguirá siendo una herramienta crítica en el conjunto de herramientas estadísticas del investigador.

Recuerde que el significado estadístico es sólo una pieza del rompecabezas. Los tamaños de los efectos, intervalos de confianza, replicación y coherencia teórica contribuyen a construir un cuerpo robusto de conocimiento psicológico. Al combinar métodos estadísticos rigurosos como el Test de Exacto de Fisher con el diseño de investigación reflexiva y prácticas de reporte transparentes, los investigadores pueden hacer contribuciones significativas a la ciencia psicológica incluso cuando trabajan con pequeñas muestras.