¿Cómo proceder ante el incumplimiento de las premisas de los métodos paramétricos? o ¿cómo trabajar con variables biológicas no normales? / How do we proceed to violations of parametric methods assumptions? or how to work with non-normal biological variables?

Leneidy Pérez Pelea

Resumen


En las investigaciones biológicas se obtienen con frecuencia, datos experimentales que no cumplen con las premisas establecidas para poder aplicar un método estadístico paramétrico, como la normalidad y homocedasticidad. De manera general, cuando se incumple alguna o todas las premisas, los investigadores suelen aplicar una transformación de escala a los datos. Con el empleo de las transformaciones no siempre se logra el cumplimiento de las premisas de los análisis paramétricos. Se ha demostrado que su empleo logra mejorar el ajuste de los datos, pero puede complicar la interpretación de los resultados debido al cambio de  escala de las variables. Otra alternativa consiste en emplear un método no paramétrico, que no requiere el cumplimiento de supuestos, pero si  de un buen diseño del experimento, un tamaño de muestra adecuado y una correcta aleatorización de los tratamientos. Los métodos no paramétricos tienen menor potencia pues se incrementa la probabilidad de no detectar diferencias que si existen entre los tratamientos  comparados. La probabilidad de tomar una decisión incorrecta se incrementa aún más si el tamaño de la muestra es pequeño y no se emplea el mismo número de réplicas en cada tratamiento. Existen otros análisis más complejos que requieren de métodos de cálculo más intensivo, como los métodos de remuestreo, aleatorización, permutaciones, bayesianos, el meta-análisis y los modelos lineales generalizados. Para poder interpretar los resultados obtenidos con estos análisis se requiere de un cambio en la mentalidad de los investigadores acostumbrados a trabajar con las herramientas de la estadística frecuentista.

Palabras clave: Transformaciones de escala, Métodos no paramétricos, Modelos Lineales Generalizados, Modelos nulos

ABSTRACT
In biological research we frequently obtain experimental data which do not comply with the required assumptions to apply a statistic parametric method, such as normality and homocedasticity. In general, when there is a violation of one or all the assumptions, researchers usually tend to transform the scale of data. With the use of these transformations, not always the accomplishment of the assumptions of parametric analysis is achieved. It is being proved that its use improves the adjustment of the data, but it can complicate the interpretation of the results due to the change of scale of the variable. Other option is to employ a nonparametric method, which does not require the assumptions but it needs a good experimental design, an adequate sample size and a correct randomization of treatments. Nonparametric methods have a minor power because there are greater chances of do not detect differences among treatments that already exists. The probability to take an incorrect decision is higher if the sample size is small and there are different number of replicas by treatment. There are more complex analyses which require more intensive compute method, for example: methods of resample, randomization, permutation, Bayesian, meta-analysis and generalized linear models. To interpret the results obtained by these methods, the researchers have to change their minds because they are used to work with the methods of frequency statistic.

Keywords: Data transformation, Nonparametric methods, Generalized Linear Models, Null Models

Recibido: abril 2018 Aceptado: junio 2018
Publicado online 25 de agosto de 2018. ISSN 2410-5546 RNPS 2372 (DIGITAL) - ISSN 0253-5696 RNPS 0060 (IMPRESA)


Palabras clave


Transformaciones de escala; Métodos no paramétricos; Modelos Lineales Generalizados; Modelos nulos

Texto completo:

PDF

Enlaces refback

  • No hay ningún enlace refback.


Copyright (c) 2018 Leneidy Pérez Pelea

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento 4.0 Internacional.

ISSN 0253-5696 RNPS 0060 (IMPRESA)

ISSN 2410-5546 RNPS 2372 (DIGITAL)