Medicina Basada en la Evidencia

Estadística básica – 664 – OBJETIVOS DEL ANÁLISIS MULTIVARIANTE Las técnicas de análisis multivariante pueden tener ob- jetivos diferentes: 1. Reducir o simplificar datos. Ayuda a que los datos se sinteticen al máximo sin sacrificar información valiosa para facilitar la interpretación. 2. Ordenar y agrupar. Cuando tenemos múltiples varia- bles, se crean grupos de objetos o variables “simila- res”, basados en las características de sus medidas. El análisis multivariante se puede usar para simplificar datos, ordenar y agrupar variables, estimar la dependencia entre variables, predecir variables y contrastar hipótesis 3. Estimar la dependencia entre variables. Permite identificar si las variables son mutuamente indepen- dientes o una o más variables dependen de las de- más y, en este caso, estimar el grado de dependencia. 4. Predecir variables. Busca predecir los valores de una o más variables en función de los valores de otras variables. 5. Contraste o validación de hipótesis. Permite probar hipótesis estadísticas específicas, formuladas en términos de parámetros multivariantes, para vali- dar o reforzar suposiciones o convicciones previas. PROCESO DE MODELIZACIÓN MULTIVARIANTE El diseño y optimización de modelos multivariantes, tanto predictivos como estimativos, es un proceso es- tadístico relativamente complejo, que sigue una serie de pasos: 1. Elección del modelo máximo En cualquier modelo multivariante debe definirse a priori qué variables independientes van a ser analiza- das. El número de variables se ve limitado por el núme- ro de observaciones disponibles. En un modelo predic- tivo es habitual que se seleccionen todas las variables que presentan asociación con la variable dependiente en el análisis bivariable. En un modelo estimativo de riesgos ajustados, además de las variables significativas tendremos que incluir aquellas covariables que puedan comportarse como factores de confusión o interacción. Además de elegir las variables implicadas habrá que valorar si interesa introducir términos de interacción que exploren si existe modificación del efecto de una variable en función de diferentes valores de otra. 2. Codificación de variables y elección de los valores de referencia Para variables categóricas binarias elegiremos si el valor de referencia es el valor más bajo o el más alto. En el caso de variables codificadas como 0 y 1, el valor de referencia será habitualmente el 0. Para variables nominales politómicas tendremos que crear variables indicadoras ( dummies ), que condicionarán la inter- Figura 1. Cuadro de clasificación de técnicas multivariantes N.º de variables dependientes Técnicas de dependencia Técnicas de interdependencia Una o más Ninguna Escala medida Nominal ■ Regresión logística ■ Análisis de conjuntos ■ Análisis discriminante Recuentos Regresión de Poisson Supervivencia Regresión de Cox Ordinal ■ Regresión logística ordinal ■ Correlación de rangos de Spearman multivariante Continua (intervalos/razones) ■ Regresión lineal múltiple ■ MANOVA ■ Análisis conjuntos ■ Análisis canónico ■ Análisis factorial ■ Análisis conglomerados ■ Escalamiento multidimensional ■ Análisis de correspondencias