Actualizado por ultima vez el 18 de diciembre de 2021, por Luis Benites.
La muestra «ideal» puede ser más grande de lo que permite su presupuesto.
En muchos casos, encontrar un tamaño de muestra adecuado da como resultado un tamaño de muestra demasiado grande. Es posible que no tenga los recursos para realizar un estudio grande o que razones éticas impidan realizar pruebas a gran escala. Reducir el tamaño de la muestra suele implicar cierto compromiso, como aceptar una pequeña pérdida de potencia o modificar el diseño de la prueba.
Formas de reducir significativamente el tamaño de la muestra
De las muchas formas de reducir el tamaño de la muestra, es probable que solo unas pocas resulten en una reducción significativa (en un 25% o más).
- Reducir el nivel alfa al 10 %
- Reducir el poder estadístico al 70%
- Agregar un ARM adicional (a un estudio cruzado)
- Use pruebas pareadas en lugar de pruebas independientes
1. Reducir el Nivel Alfa al 10%
El nivel alfa es la posibilidad de que encuentre un resultado significativo cuando no existe (llamado error de tipo I ). Por lo general, lo establece el investigador, y lo ideal es que sea lo más pequeño posible. Sin embargo, los niveles alfa más pequeños dan como resultado tamaños de muestra más grandes. Pero lo contrario también es cierto: los niveles alfa más grandes conducen a tamaños de muestra más pequeños . Por ejemplo, un nivel alfa del 10 % necesitará una muestra mucho más pequeña que una prueba con α = 1 %.
Nota : en muchos casos (por ejemplo, si está publicando en una revista muy conocida o está buscando la aprobación de la FDA), es posible que deba establecer el nivel alfa en 5% o menos.
2. Reducir el poder estadístico a .7 (70%)
Uno de los mayores problemas con la reducción del tamaño de la muestra es la pérdida de poder estadístico . Es posible que desee reducir el tamaño de su muestra debido a restricciones presupuestarias, problemas éticos u otras razones. Si decide que una muestra más pequeña es «suficientemente buena», corre el riesgo de no encontrar un resultado significativo, incluso si existe. En otras palabras, trabajar con un tamaño de muestra adecuado aumenta la probabilidad de que su experimento produzca resultados significativos.
El poder estadístico es rechazar las hipótesis nulas cuando debería rechazarse. Digamos que está probando si dos medicamentos A y B pueden tratar el resfriado común. Encuentra que el medicamento A es mejor que el medicamento B. La hipótesis nula de que ambos medicamentos son iguales se rechaza correctamente. Si su prueba tiene 100.000 personas, es probable que pueda estar muy seguro de que el fármaco A es, de hecho, el mejor fármaco. Pero si el tamaño de su muestra es de solo dos pacientes, aunque haya rechazado correctamente la hipótesis nula, el poder estadístico será tan bajo que no podrá tener confianza en esos resultados.
Para reducir el tamaño de la muestra, la solución obvia sería disminuir el poder estadístico de su prueba . Esto es lo mismo que aumentar el nivel beta (porque el poder de una prueba es 1 – Β). ¿Qué tan bajo puede llegar sin correr el riesgo de obtener resultados sin sentido? Según Mann et. al (1991), un nivel de potencia «razonable» es de 0,7 a 0,9. Por lo tanto, para tamaños de muestra mínimos razonables, apunte a una potencia más cercana a 0,7.
3. Agregue un ARM adicional a su estudio cruzado
Un diseño cruzado (un tipo de diseño de medidas repetidas ) es donde a los pacientes se les asignan todos los tratamientos y los resultados se miden a lo largo del tiempo. El diseño estándar AB/BA generalmente requiere un tamaño de muestra grande. La adición de ARM adicionales puede reducir el tamaño de la muestra hasta en un 50 % (Julious, 2009; Liu, 1995):
- ABB/BAA: hasta un 25% de reducción del tamaño de la muestra.
- ABBA/BAAB: hasta un 50% de reducción del tamaño de la muestra.
4. Use pruebas pareadas en lugar de pruebas de muestras independientes
Si usa una prueba pareada , básicamente prueba el mismo grupo dos veces (lo que efectivamente reduce el tamaño de la muestra a la mitad). La prueba de muestras pareadas tiene algunas limitaciones. En particular, los efectos de arrastre y los efectos de la práctica pueden convertirse en un problema. Grados de libertad son significativamente más bajos, lo que da como resultado un valor de corte más alto para una prueba; en otras palabras, es posible que no encuentre un efecto cuando realmente lo hay.
Otras formas de reducir potencialmente el tamaño de la muestra
Algunos de los siguientes métodos pueden reducir significativamente el tamaño de la muestra, pero mucho depende de cómo se implementen.
- Reducir la tasa de falta de respuesta
- Usar estudios previos
- Estratificar la Población
5. Reducir la tasa de falta de respuesta
Un estudio que tiene un sesgo de falta de respuesta del 50 % necesitará un tamaño de muestra enorme en comparación con uno con una tasa de falta de respuesta del 1 %. Poner recursos en el seguimiento puede reducir la tasa de falta de respuesta y, a su vez, reducir el tamaño de la muestra. Henry (1990) sugiere asignar los fondos destinados a la recopilación de datos al seguimiento intensivo. Es probable que la forma exacta en que haga esto sea específica de su área de estudio, y es posible que desee consultar los estudios publicados específicos de su campo. Por ejemplo, un artículo en el Journal of Extension informó sobre la reducción del tamaño de la muestra de 552 a 174, en parte mediante seguimiento por correo y teléfono para los que no respondieron.
6. Utiliza estudios previos
En muchos campos, es muy probable que alguien, en algún lugar, haya realizado un estudio similar. Si es así, puede usar estimaciones previas de la media y la varianza para reducir los tamaños de las muestras.
7. Estratificar la población
La estratificación de la población reduce la variación dentro de los grupos. El muestreo aleatorio estratificado es muy similar al muestreo aleatorio . Sin embargo, estas muestras son más difíciles de crear, ya que debe tener información detallada sobre las categorías en las que se encuentra su población.
Referencias:
Henry, G. (1990). Muestreo práctico. SABIO.
Journal of Extension (febrero de 1996). Recuperado el 8 de agosto de 2019 de: https://www.joe.org/joe/1996february/a2.php
Julious, S. (2009). Tamaños de muestra para ensayos clínicos. Prensa CRC.
Liu, JP (1995). Uso de diseños cruzados repetidos para evaluar la bioequivalencia. Estadísticas en Medicina 14:1067-1078.
Mann, MD et. Alabama. (1991). Números apropiados de animales en la investigación biomédica a la luz de las consideraciones de bienestar animal. Laboratorio. animado ciencia 41, 6-14.
Verma, S. et. Alabama. (1996). Reducción de los costos de evaluación al reducir el tamaño de la muestra. Febrero. Volumen 34. Número 1
