Estadística

La mayoría de los manuscritos científicos incluye análisis estadísticos y las conclusiones de un estudio dependen de los resultados de estos análisis. Si los datos se presentan o analizan incorrectamente, el manuscrito puede confundir a los lectores. Por lo tanto, como científico y como revisor de pares, es importante tener un sólido conocimiento de la estadística, y examinar cuidadosamente los métodos estadísticos y su presentación en los manuscritos que revisa. Si no se siente caalificado para evaluar completamente las estadísticas presentadas, debe comunicarlo al editor en sus comentarios para que puedan pedirle a otra persona que los revise.

Algunas preguntas que se debe hacer al revisar los resultados y análisis estadísticos son las siguientes:

• ¿ El tamaño de la muestra era apropiado y/o estaba justificado? ¿Los autores realizaron un análisis de poder estadístico como parte de su diseño de estudio?
• ¿Los datos cumplieron los supuestos de las pruebas utilizadas? (Por ejemplo, muchas pruebas estadísticas solamente pueden utilizarse para datos con una distribución normal. Los datos tales como las proporciones o los recuentos del número de eventos generalmente no se distribuyen normalmente y tienen que ser transformados o preferiblemente analizados con modelos estadísticos adecuados para estos tipos de datos). ¿Fueron apropiadas las pruebas utilizadas?
• ¿Los puntos de datos individuales son estadísticamente independientes? Si hubo mediciones repetidas, ¿se han utilizado modelos estadísticos apropiados? (Por ejemplo, mediciones múltiples en el mismo paciente).
• ¿Se han considerado y explicado en el análisis las fuentes potenciales de sesgo? (Por ejemplo, variables de confusión).
• Cuando se presentan porcentajes, ¿están claros el numerador y el denominador? (Por ejemplo, “de las 500 colonias de abejas, 200 (40%) fueron afectadas por el virus”, o “el cuarenta por ciento (200/500) de las colonias de abejas fueron afectadas por el virus”).
• ¿Se mencionan los valores de p cuando es apropiado? Generalmente, un valor de p debe acompañar todas las comparaciones estadísticas mencionadas en el texto, figuras y tablas. Debe indicarse el valor de p obtenido, por ejemplo, p = 0,049 y p = 0,0021 en lugar de p < 0,05 o p < 0,01. Sin embargo, es aceptable indicar p < 0,0001 si el valor está por debajo de este umbral. La sección de Análisis Estadístico también debe indicar el umbral para aceptar la significación, como "Los valores de P < 0,05 se consideraron estadísticamente significativos".

• Replicación ausente o inadecuada.  La replicación es esencial para minimizar el error de muestreo. Si un estudio no tiene el número correcto de repeticiones, las inferencias generales no pueden obtenerse y el poder de los análisis estadísticos realizados sobre los datos sería demasiado bajo. El resultado de un bajo poder estadístico es que las diferencias reales existentes o el efecto de un tratamiento no pueden ser detectados.
• Confusión. El problema de la confusión significa que las diferencias debidas a los tratamientos experimentales no pueden ser separadas de otros factores que podrían estar causando la diferencia observada. La confusión puede evitarse mediante un cuidadoso diseño experimental, como la replicación adecuada, existencia de controles y la asignación al azar.
• Métodos deficientes de muestreo.  En los estudios observacionales, el muestreo aleatorio es necesario para asegurar que la muestra experimental sea representativa de toda la población. Si no se ha utilizado el muestreo aleatorio en el estudio, verifique que los autores puedan justificar sus métodos de muestreo.
• Falta de asignación al azar.  En los estudios experimentales, los “tratamientos” deben asignarse aleatoriamente a unidades experimentales (o viceversa), para asegurarse de que los grupos que se comparan son similares y que se reducen al mínimo los factores que podrían confundir la interpretación de los efectos del tratamiento.
• Pseudoreplicación.  El tamaño de la muestra debe reflejar el número de veces que el efecto que interesa fue examinado de forma independiente. Por ejemplo, si hay mediciones repetidas en el mismo conjunto de sujetos, como puede ocurrir cuando se toman medidas en individuos repetidamente durante un período de tiempo, los puntos de datos individuales no son independientes. En estos casos, se deben utilizar los promedios por individuo o modelos estadísticos apropiados que tengan en cuenta la repetición de las medidas (por ejemplo, modelos de efectos mixtos), para analizar los datos. Si no se explican las estadísticas, la pseudoreplicación puede a menudo hacerse evidente mediante los grados de libertad (esencialmente, el número de fragmentos independientes de información) de las pruebas estadísticas.