11. Buenas prácticas en inferencia estadística

11.1 Cómo reportar resultados de pruebas estadísticas

Una comunicación clara y completa de los resultados es tan importante como el análisis en sí. Al reportar los hallazgos de una prueba estadística, se debe incluir:

• Estadístico de prueba: El valor calculado del estadístico (ej., t, F, χ²).
• Grados de libertad (df): Indican el número de valores en el cálculo final de un estadístico que son libres de variar.
• Valor p: El p-value asociado al estadístico de prueba.
• Nivel de significancia (α): El umbral predefinido para la decisión.
• Tamaño del efecto: Una medida de la magnitud de la diferencia o relación observada (ej., d de Cohen, eta-cuadrado). Esto es crucial para entender la relevancia práctica del hallazgo, más allá de su significancia estadística.
• Intervalos de confianza: Para los parámetros estimados (ej., media, diferencia de medias), proporcionan un rango de valores plausibles.
• Contexto: Siempre interpretar los resultados en el contexto del problema de investigación y las limitaciones del estudio.

Ejemplo de reporte:

"Se encontró una diferencia estadísticamente significativa en la presión arterial promedio entre el grupo de tratamiento y el grupo de control (t(48) = 3.15, p = 0.003, d = 0.89, IC 95% [5.2, 12.8] mmHg). El tamaño del efecto fue grande, sugiriendo que el tratamiento tuvo un impacto sustancial."

11.2 Evitar errores de interpretación de p-values

El p-value es una métrica valiosa, pero su malinterpretación es una fuente común de errores:

• El p-value no es la probabilidad de que H₀ sea verdadera: Un p-value de 0.01 no significa que haya un 1% de probabilidad de que la hipótesis nula sea cierta. Significa que, si H₀ fuera cierta, la probabilidad de observar los datos actuales (o más extremos) es del 1%.
• Significancia estadística ≠ Significancia práctica: Un p-value bajo (estadísticamente significativo) no implica necesariamente que el efecto sea grande o importante en el mundo real. Especialmente con muestras grandes, diferencias triviales pueden ser estadísticamente significativas.
• "No significativo" ≠ "No hay efecto": Un p-value alto (no significativo) no prueba que la hipótesis nula sea verdadera. Simplemente indica que no hay suficiente evidencia en la muestra para rechazarla. Podría haber un efecto real que la prueba no fue capaz de detectar (Error Tipo II).
• Evitar el "p-hacking": No manipular los datos, las pruebas o las hipótesis después de ver los resultados para obtener un p-value deseado. Esto compromete la validez de la investigación.

11.3 Uso correcto de intervalos de confianza

Los intervalos de confianza (IC) son a menudo preferibles a los p-values solos porque proporcionan más información:

• Magnitud y precisión: Un IC nos da un rango de valores plausibles para el parámetro poblacional, lo que nos ayuda a entender la magnitud del efecto y la precisión de nuestra estimación. Un IC estrecho indica mayor precisión.
• Relación con la significancia: Si un IC para una diferencia de medias no incluye el cero, o un IC para una razón de riesgos no incluye el uno, entonces el resultado es estadísticamente significativo al nivel de confianza correspondiente.
• Contexto práctico: Permiten evaluar si el rango de valores plausibles es prácticamente relevante. Por ejemplo, un IC para una reducción de peso de [0.1 kg, 0.5 kg] podría ser estadísticamente significativo, pero no muy relevante en la práctica.

11.4 Alternativas cuando las condiciones no se cumplen

Muchas pruebas paramétricas (como las pruebas t y ANOVA) asumen ciertas condiciones sobre los datos (ej., normalidad, homocedasticidad). Si estas condiciones no se cumplen, se deben considerar alternativas:

• Transformaciones de datos: A veces, aplicar una transformación matemática a los datos (ej., logaritmo, raíz cuadrada) puede ayudar a que cumplan los supuestos.
• Pruebas no paramétricas: Son alternativas que no requieren supuestos sobre la distribución de los datos. Ejemplos incluyen la prueba U de Mann-Whitney (alternativa a la t de Student para dos muestras independientes) y la prueba de los rangos con signo de Wilcoxon (alternativa a la t pareada).
• Métodos de remuestreo (Bootstrap): Permiten estimar la distribución de un estadístico y construir intervalos de confianza sin hacer suposiciones sobre la distribución subyacente de la población. Son muy flexibles y robustos.
• Modelos lineales generalizados (GLM): Ofrecen una forma de modelar datos que no cumplen los supuestos de la regresión lineal tradicional (ej., datos de conteo, datos binarios).

11.5 Documentación y reproducibilidad con Python

La reproducibilidad es un pilar de la ciencia. En ciencia de datos, esto significa que cualquier persona debería poder replicar tus resultados siguiendo tus pasos. Python facilita esto a través de:

• Notebooks (Jupyter, Google Colab): Permiten combinar código, resultados, visualizaciones y explicaciones en un solo documento interactivo.
• Comentarios claros en el código: Explicar el "por qué" de las decisiones y los pasos complejos.
• Gestión de dependencias: Utilizar archivos como requirements.txt (para pip) o environment.yml (para Conda) para listar todas las librerías y sus versiones exactas, asegurando que el entorno de ejecución sea el mismo.
• Control de versiones (Git): Utilizar sistemas como Git para rastrear cambios en el código y colaborar de manera efectiva.
• Semillas aleatorias: Fijar las semillas de los generadores de números aleatorios (ej., np.random.seed()) para que los resultados que involucran aleatoriedad sean consistentes.

Adoptar estas prácticas no solo mejora la calidad de tu trabajo, sino que también facilita la colaboración y la revisión por pares.