Explicar o Predecir

EXPLICAR O PREDECIR
• Debe quedar claro desde la pregunta de investigación
Explicativo
Predictivo

• Es un simil de un modelo etiológico, de • Es un sinónimo de diagnosticar
causalidad
o pronosticar

• Busca entender el fenómeno de estudio y • Busca hacer un Dx que me
su relación con otras variables con permita acercarme, con alguna
relaciones plausibles, clínicas y biológicas

probabilidad, a un evento o a
• Nos importa el QUE

una serie de condiciones.

◦ Qué lleva a que se produzca o no • Permite saber si, con un Dx o
algo
tto, qué puede pasar en el
• Busca FACTORES DE RIESGO/ tiempo

PROTECTORES
• Estima la PROBABILIDAD DE
• Se escribe como: estimar o determinar las OCURRENCIA del evento

variables de algo en particular

• Importa el SI y el CUÁNDO
• Hay que hacer una revisión teórica
importante y seleccionar las variables
basados en la plausibilidad y lo que dice la
teoría

Modelación explicativa
• El rol de la teoría es muy fuerte y es la base sobre la cual se debe hacer la modelación estadística
• Dado un modelo teórico causal, los modelos explicativos son usados para evaluar las hipótesis causales.
• Primero se describe cómo se relacionan las variables

entre ellas y luego cómo se relacionan con el desenlace
• Puede haber relación entre las variables independientes

entre ellas, pero debe haber plausibilidad!
• Tenemos hipótesis causales, las variables que responden a estas hipótesis surgen de un constructo teórico. Se hacen
conclusiones estadísticas (RR, OR, RP) y se concluye nalmente en los hallazgos de la investigación que buscan
proponer políticas y recomendaciones
◦ Identi ca factores de riesgo para organizar estas políticas (ej. riesgo cardiovascular)
Modelación predictiva
• Aplica un modelo estadístico que busca predecir un evento nuevo o futuro
Modelación descriptiva
• Puede ser el uso o propósito más dado a la modelación
◦ No intencionalmente, se buscaba algo explicativo pero se logró solo algo descriptivo porque probablemente faltó
seleccionar bien las variables desde lo teórico
• No hay una teoría causal subyacente o simplemente se hace de forma informal
• No está dirigido a la predicción
*Una variable con asociación causal siempre va a tener asociación estadística. Pero no siempre que haya una asociación
estadística, signi ca que es causal
*Las variables con relación explicativa, seguramente aportan en lo predictivo. Pero no todas las variables predictivas son
necesariamente causales
• X es causa de Y

• Hay una asociación pero no
• Construido para evaluar hipótesis
necesariamente causal
a partir de la teoría.

• A través de la distribución de los
• Minimizar los sesgos de la
datos que generan valores
medida de efecto, desde el
signi cativos, se de ne el modelo
diseño hay que tratar de

• Busca nuevas observaciones
controlar los sesgos, para que no

• Trata de medir la variabilidad de
afecten o distorsionen la medida
lo estimado, controla la
de efecto como factor de riesgo
variabilidad del modelo.
o protector

• Diseño del estudio
◦ Lo ideal es que sea prospectivo pero se puede usar uno retrospectivo
◦ El diseño óptimo es el ensayo clínico.
◦ Se puede también con los de cohorte prospectivo o retrospectivo pero siempre pensando en la plausibilidad de
que las variables se hubiesen presentado antes.
◦ En los ensayos clínicos hay que tener cuidado de que si se haga una asignación aleatoria para distribuir
adecuadamente los expuestos y no expuestos
• Variables candidatas
◦ Hay que tratar de seleccionar no tantas variables para evitar errores tipo I, usando muchas variables, in amos el
modelo hasta que nalmente encontramos algo que puede no ser plausible
◦ Hay que limutarse a las variables lógicas cláve
◦ Control de variables confusoras --> NO deben quedar por fuera del modelo (en ningún modelo), estas deben
estar contenidas siempre para que lo que analizamos se parexca a la realidad
‣ Estrati cación
‣ Criterios de exclusión
‣ Uso de técnicas multivariantes
• Métodos de retención
◦ Hay que evitar métodos automatizados, se trabaja manualmente
◦ Estas variables que quedan retenidas no quedarán en el modelo por ser signi cativas por valor de p, pueden o
deben quedar por validez y por ajuste --> no las saco así no tengan p signi cativa si son clínicamente plausibles
• Evaluación y validación
◦ Como lo que nos interesa es calcular el coe ciente de regresión (estos coe cientes se relacionan y a partir de
estos se calculan los OR o RR...) y las medidas del efecto de los factores de interés
◦ Las medidas de rendimiento del modelo no es tan relevante R2 (coe ciente de determinación)
◦ En la interpretación es importante considerar confusores no medidos o confusión residual
• Diseño del estudio
◦ Podemos usar cualquier tipo de estudio (transversal, casos y controles, cohorte) pero lo mejor son los
longitudinales (de cohorte)
• Variables candidatas
◦ Variables con relación causal porque es posible que sean buenas predictoras pero pueden incluirse las que njo
tienen relación causal
◦ Muchas variables lleva a un sobre-ajuste --> hace que el modelo no pronostique bien
◦ Se pueden usar técnicas de reducción
• Métodos de retención
◦ Si se pueden y se deben usar los automatizados
◦ Se quedan las variables que tienen signi cancia estadística.
‣ Ojalá con una p mas baja (mayor peso de beta)
• Evaluación y validación
◦ El enfoque es la exactitud del modelo
En un modelo predictivo el R2 si
es muy importante
Para la validación, en los

explicativos se s¡necesitan más
estudios, en los predictivos
podemos hacer validaciones
internas y externas.
Forma de reportar - Modelos explicativos

• Calcular, reportar e interpretar la medida del

efecto --> OR, RR
Forma de reportar - Modelos predictivos
• Reportan los coe cientes de regresión --> error

estándar y valor de T
Cualquier regresión que se vaya a hacer tiene que tener claro si es EXPLICATIVA O
PREDICTIVA

Explicar o Predecir

Cargado por

Copyright:

Formatos disponibles

Explicar o Predecir

Cargado por

Información del documento

Descripción original:

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

Explicar o Predecir

Cargado por

Copyright:

Formatos disponibles

EXPLICAR O PREDECIR

• Debe quedar claro desde la pregunta de investigación

• Es un simil de un modelo etiológico, de • Es un sinónimo de diagnosticar

• Busca entender el fenómeno de estudio y • Busca hacer un Dx que me

su relación con otras variables con permita acercarme, con alguna

relaciones plausibles, clínicas y biológicas

• Nos importa el QUE

◦ Qué lleva a que se produzca o no • Permite saber si, con un Dx o

• Busca FACTORES DE RIESGO/ tiempo

• Se escribe como: estimar o determinar las OCURRENCIA del evento

variables de algo en particular

importante y seleccionar las variables

basados en la plausibilidad y lo que dice la

• Primero se describe cómo se relacionan las variables

• Puede haber relación entre las variables independientes

• No hay una teoría causal subyacente o simplemente se hace de forma informal

• No está dirigido a la predicción

diseño hay que tratar de

controlar los sesgos, para que no

• Diseño del estudio

◦ Lo ideal es que sea prospectivo pero se puede usar uno retrospectivo

◦ El diseño óptimo es el ensayo clínico.

◦ Hay que limutarse a las variables lógicas cláve

‣ Uso de técnicas multivariantes

◦ Hay que evitar métodos automatizados, se trabaja manualmente

◦ En la interpretación es importante considerar confusores no medidos o confusión residual

• Diseño del estudio

◦ Se pueden usar técnicas de reducción

◦ Si se pueden y se deben usar los automatizados

◦ Se quedan las variables que tienen signi cancia estadística.

‣ Ojalá con una p mas baja (mayor peso de beta)

◦ El enfoque es la exactitud del modelo

Para la validación, en los

Forma de reportar - Modelos explicativos

• Calcular, reportar e interpretar la medida del

Forma de reportar - Modelos predictivos

• Reportan los coe cientes de regresión --> error

También podría gustarte