20 abril 2021 3:16

Significancia estadística

¿Qué es la importancia estadística?

La importancia estadística se refiere a la afirmación de que un resultado de los datos generados por pruebas o experimentación no es probable que ocurra al azar o por casualidad, sino que es probable que sea atribuible a una causa específica. Tener importancia estadística es importante para las disciplinas académicas o los profesionales que dependen en gran medida del análisis de datos y la investigación, como economía, finanzas, inversiones, medicina, física y biología.

La significancia estadística puede considerarse fuerte o débil. Al analizar un conjunto de datos y realizar las pruebas necesarias para discernir si una o más variables tienen un efecto en un resultado, una fuerte significación estadística ayuda a respaldar el hecho de que los resultados son reales y no causados ​​por la suerte o el azar. En pocas palabras, si un valor p es pequeño, el resultado se considera más confiable.

Los problemas surgen en las pruebas de significación estadística porque los investigadores suelen trabajar con muestras de poblaciones más grandes y no con las poblaciones mismas. Como resultado, las muestras deben ser representativas de la población, por lo que los datos contenidos en la muestra no deben estar sesgados de ninguna manera. En la mayoría de las ciencias, incluida la economía, la significación estadística es relevante si se puede hacer una afirmación a un nivel del 95% (oa veces del 99%).

Comprensión de la importancia estadística

El cálculo de la significación estadística (prueba de significación) está sujeto a un cierto grado de error. El investigador debe definir de antemano la probabilidad de un error de muestreo, que existe en cualquier prueba que no incluya a toda la población.

El tamaño de la muestra es un componente importante de significación estadística, ya que las muestras más grandes son menos propensas a sufrir trematodos. En las pruebas de significación solo se deben utilizar muestras representativas y aleatorias. El nivel en el que uno puede aceptar si un evento es estadísticamente significativo se conoce como nivel de significancia.

Los investigadores utilizan una estadística de prueba conocida como valor p para determinar la significación estadística: si el valor p cae por debajo del nivel de significación, el resultado es estadísticamente significativo. El valor p es una función de las medias y desviaciones estándar de las muestras de datos.

El valor p indica la probabilidad bajo la cual ocurrió el resultado estadístico dado, asumiendo que el azar es el único responsable del resultado. Si esta probabilidad es pequeña, entonces el investigador puede descartar con seguridad nuestra posibilidad como causa. El valor p debe caer por debajo del nivel de significancia para que los resultados al menos se consideren estadísticamente significativos.

Lo opuesto al nivel de significancia, calculado como 1 menos el nivel de significancia, es el nivel de confianza. Indica el grado de confianza de que el resultado estadístico no se produjo por casualidad o por error de muestreo. El nivel de confianza habitual en muchas pruebas estadísticas es del 95 por ciento, lo que lleva a un nivel de significación habitual o valor p del 5 por ciento.

Conclusiones clave

  • La importancia estadística se refiere a la afirmación de que es probable que un resultado de los datos generados por pruebas o experimentación sea atribuible a una causa específica.
  • Si una estadística tiene una importancia alta, se considera más confiable.
  • El cálculo de la significación estadística está sujeto a cierto grado de error.
  • La importancia estadística puede malinterpretarse cuando los investigadores no utilizan el lenguaje con cuidado al informar sus resultados.
  • Se utilizan varios tipos de pruebas de significación según la investigación que se esté realizando.

Consideraciones Especiales

La importancia estadística no siempre indica una importancia práctica, lo que significa que los resultados no se pueden aplicar a situaciones comerciales del mundo real. Además, la significación estadística puede malinterpretarse cuando los investigadores no utilizan el lenguaje con cuidado al informar sus resultados. Debido a que un resultado es estadísticamente significativo no implica que es no  aleatoria, sólo que la probabilidad de que sea aleatorio se reduce considerablemente.

El hecho de que dos series de datos tengan una fuerte correlación entre sí no implica causalidad. Por ejemplo, el número de películas que protagoniza el actor Nicolas Cage en un año determinado está muy correlacionado con el número de ahogamientos accidentales en piscinas. Pero esta correlación es falsa, ya que no se puede hacer ninguna afirmación causal teórica.

Otro problema que puede surgir con importancia estadística es que los datos pasados ​​y los resultados de esos datos, ya sean estadísticamente significativos o no, pueden no reflejar las condiciones actuales o futuras. Al invertir, esto puede manifestarse en un modelo de precios que se rompe durante tiempos de crisis financiera, ya que las correlaciones cambian y las variables no interactúan como de costumbre. La importancia estadística también puede ayudar a un inversor a discernir si un modelo de valoración de activos es mejor que otro.

Tipos de pruebas de significación estadística

Se utilizan varios tipos de pruebas de significación según la investigación que se esté realizando. Por ejemplo, se pueden emplear pruebas para una, dos o más muestras de datos de varios tamaños para promedios, variaciones, proporciones, datos emparejados o no emparejados o distribuciones de datos diferentes.

La hipótesis nula

Todos estos factores tienen lo que se llama hipótesis nulas, y la importancia a menudo es el objetivo de la prueba de hipótesis en estadística. La hipótesis nula más común es que el parámetro en cuestión es igual a cero (lo que generalmente indica que una variable tiene un efecto cero en el resultado de interés). Si puede rechazar la hipótesis nula con una confianza del 95 por ciento o más, los investigadores pueden invocar la significación estadística. Las hipótesis nulas también se pueden probar para determinar la igualdad (en lugar de igual a cero) del efecto de dos o más tratamientos alternativos, por ejemplo, entre un fármaco y un placebo en un ensayo clínico.

El rechazo de la hipótesis nula, incluso si un grado muy alto de significación estadística nunca puede probar algo, solo puede agregar apoyo a una hipótesis existente. Por otro lado, el hecho de no rechazar una hipótesis nula suele ser motivo de rechazo de una hipótesis.

Una prueba de significación estadística comparte muchas de las mismas matemáticas que la de calcular un intervalo de confianza. En situaciones comunes, una forma de interpretar la significancia estadística es que el intervalo de confianza del 95 por ciento correspondiente no contiene el valor cero. Incluso si se determina que una variable es estadísticamente significativa, debe tener sentido en el mundo real.

Además, un efecto puede ser estadísticamente significativo pero tener un impacto muy pequeño. Por ejemplo, puede ser muy improbable debido al azar que las empresas que utilizan papel higiénico de dos capas en sus baños tengan empleados más productivos, pero la mejora en la productividad absoluta de cada trabajador probablemente sea minúscula.