TALLER

1. Que es y cómo se calcula un OR y su respectivo intervalo de confianza

OR es una medida de asociación entre dos variables (como la correlación bivariada)

que indica la fortaleza de relación entre dos variables. El OR se utiliza cuando se
relacionan dos variables (Cardenas, 2015).

El OR se calcula:

Intervalo de Confianza OR
El odds ratio es una estimación de la asociación de un determinado factor con una
enfermedad, por lo que resulta necesario calcular una medida de variabilidad de
esta estimación. El intervalo de confianza es el rango en el que se encuentra el
verdadero valor de Odds Ratio. Permite obtener una buena estimación cuando el
Odds Ratio se aproxima a 1, pero se hace menos estable para Odds Ratio mayores.

Formula
𝑍
𝐼𝐶 = 𝑂𝑅 (1±𝑋ℎ𝑚)
OR = Odds Ratio
Z = constante dependiente del porcentaje (por ejemplo: 95%=1.96)
Xhm = Chi cuadrado de HM
Formula del Chi cuadrado de HM (Haenszel-Mantel)

(𝑚 − 1)(𝑎 ∗ 𝑑 − 𝑏 ∗ 𝑐)2
𝑋ℎ𝑚 = √
(𝑎 + 𝑏)(𝑐 + 𝑑)(𝑎 + 𝑐)(𝑏 + 𝑑)

2. Como se interpreta un OR

El OR es una medida de asociación entre variables.

 Los odd ratio oscilan entre 0 e infinito.
 Cuando el odd ratio es 1 indica ausencia de asociación entre las variables.
 Los valores menores de 1 señalan una asociación negativa entre las
variables y los valores mayores de 1 indican asociación positiva entre las
variables.
 Cuanto más se aleje el odd ratio de 1, más fuerte es la relación.
 En nuestro ejemplo, el odd ratio es menos de 1 (odd ratio de sí-votar al partido
liberal y creer en Dios = 0,46), y se interpreta diciendo que los sí creen en
Dios tienen menos probabilidad de votar al partido liberal. O también
podemos decir que los que no creen en Dios tienen más probabilidad de votar
al partido liberal.
 Cuando el odd ratio es menor de 1 es conveniente calcular la inversa, es
decir, 1 / 0,46 = 2,17. De esta manera podemos expresar mejor la fortaleza
de la relación. Recordemos que cuanto más alejado de 1, más fuerte es la
asociación entre las maneras. Así, para una persona que no cree en Dios los
odds de votar al partido liberal son 2,17 veces más grandes que los odds de
una persona que sí cree en Dios de votar liberal. Ufff, parece difícil entenderlo
y seguramente has tenido que releerlo. Míralo de esta manera: si
seleccionamos una persona al azar en la ciudad de 1000 personas con
derecho a voto y queremos saber qué tan probable es que haya votado al
partido liberal y nos dice que NO cree en Dios, podemos “apostar” con menos
riesgo que es más probable que sí haya votado al partido liberal, ya que los
odds de los no creyentes en Dios de votar liberal (la probabilidad de que haya
votado al partido liberal entre la probabilidad que no haya votado liberal) es
 2,17 veces más alta que los odds de que un creyente en Dios y sí haya votado
liberal. Por tanto, hay una asociación negativa entre creer en Dios y sí-votar
al partido liberal (Cardenas, 2015).

3. Que es una prueba chi cuadrado de tendencia lineal

Es una prueba que siempre tiene un grado de libertad, e incluye una modificación
para su cálculo respecto a la expresión de la prueba ji-cuadrado de Pearson, de
modo se tiene en cuenta el orden de las categorías (Bellón, 2009).
Se realiza una prueba de Chi cuadrada de tendencia lineal, cuando se busca evaluar
si una característica binaria varía linealmente a través de los niveles de otra variable,
esto es, evaluar si hay un efecto dosis-respuesta. Así la prueba de Chi cuadrada de
tendencia lineal se convierte en una prueba de comparación de dos medias por esto
tiene sólo un grado de libertad (Bellón, 2009).

4. Como se calcula un OR cuando tengo la exposición en diferentes

niveles

Esta medida de precisión se calcula teniendo en cuenta los límites de un intervalo

de confianza reflejan el tamaño de efecto mínimo (OR = 1,6) y máximo (OR = 6,3)
asociado a una determinada exposición o intervención. La precisión del
OR depende del tamaño muestral: para un mismo nivel de confianza, a mayor
tamaño muestral más pequeño será el intervalo, por ende, más precisa será la
estimación del OR "real" (poblacional).
La segunda información que aporta el intervalo de confianza de un OR tiene relación
con su significación estadística. Tengamos en cuenta que a partir de una muestra
de 100 sujetos se calcula un OR = 1,4, siendo su intervalo de confianza 95% 0,5-
3,7. Su interpretación es la siguiente: si se repitiera el estudio utilizando múltiples
muestras de 100 sujetos, 95% de ellas presentaría un OR entre 0,5 y 3,7. Cuando
un intervalo de confianza 95% incluye el valor del "no efecto" (OR = 1,0),
aceptamos que el OR "real" (poblacional) pudiese ser 1,0, por consiguiente,
decimos que la asociación en estudio no es estadísticamente significativa (como
ocurre en este ejemplo). Por el contrario, cuando un intervalo de confianza 95%
excluye el valor del "no efecto", descartamos que el OR "real" (poblacional) pudiese
ser 1,0, por consiguiente, decimos que la asociación en estudio es estadísticamente
significativa. No obstante, lo anterior, es importante precisar un concepto: un OR
estadísticamente significativo no necesariamente es biológica o clínicamente
relevante, y viceversa (Cerda, Vera, & Rada, 2013).

5. Cuál es el propósito de una regresión logística

La regresión logística (RL) es la variante de la regresión que corresponde al caso

en que se valora la contribución de diferentes factores en la ocurrencia de un evento
simple ya que la finalidad con que se construye ese modelo no es única;
básicamente, hay tres propósitos posibles: que se trate de una mera contribución a
la descripción de cierto proceso, que se aplique en la búsqueda de explicaciones
causales o para la construcción de un modelo para la predicción (Servizo Galego
de Saúde, 2014).

6. Como se evalúa la calibración de un modelo de regresión logística

(hipótesis, estadístico de prueba, regla de decisión y la decisión).

La calibración es el grado en que la probabilidad predicha coincide con la observada

(se evalúa con la prueba de Hosmer‐Lemeshow), ya que básicamente la idea es si
el ajuste es bueno, un valor alto de la p predicha se asociará (con una frecuencia
parecida a la p) con el resultado 1 de la variable binomial.
La prueba estadística que evalúa la calibración es la de Hosmer-Lemeshow,
aplicada sobre la misma muestra de trabajo (validez interna) o sobre la muestra
Se calcula, para cada observación del conjunto de datos, la probabilidad de la
variable dependiente que predice el modelo, se agrupa y se calculan las frecuencias
esperadas y se comparan con las observadas mediante la prueba x2.
Otros autores proponen una comparación meramente visual entre valores
observados y esperados.

7. Como se valida la significación estadística de las x en un modelo de

regresión logística

La significación estadística de las x se valida del cálculo de la capacidad predictiva

del modelo sobre la misma muestra que lo generó siempre es optimista, y debe
validare;
Diferentes estrategias:
 Probar el modelo en otra muestra diferente;
 Elaborar el modelo con un 75 % de la muestra y calcular la CP en el 25 %
restante
 Usar la misma muestra, pero calcular los indicadores de CP mediante
técnicas de Bootstrap o validación cruzada, que corrigen el “optimismo”.

8. Como se evalúa la capacidad discriminativa en un modelo de regresión

logística (bajo la curva Roc)

La evaluación de la capacidad discriminativa de un modelo de regresión logística se

refiere a su habilidad para distinguir A (sanos) versus B (enfermos), lo cual, para
ello, el parámetro a estimar es el área bajo la curva ROC, medida única e
independiente de la prevalencia de variable en estudio, en este caso por ejemplo
variable enfermedad. El Área bajo la Curva refleja qué tan bueno es el test para
discriminar pacientes con y sin la enfermedad a lo largo de todo el rango de puntos
de corte posibles (Cerda & Cifuentes, 2012).
Para comprender de mejor manera el concepto de discriminación, es más simple
pensar que el eje Y del gráfico de curva ROC corresponde a la proporción de
verdaderos positivos sobre el total de pacientes enfermos (i.e. sensibilidad), y que
el eje X corresponde a la proporción de falsos positivos sobre el total de sujetos
sanos (i.e. 1-especificidad). Visto de esta manera, un gráfico de curva ROC ilustra
la "proporción de verdaderos positivos" (eje Y) versus la "proporción de falsos
positivos" (eje X) para cada punto de corte de un test diagnóstico cuya escala de
medición es continua. Como fue mencionado anteriormente, a modo de referencia
se traza una línea desde el punto 0,0 al punto 1,1 (diagonal de referencia, o línea
de no-discriminación). Esta línea describe lo que sería la curva ROC de un test
diagnóstico incapaz de discriminar pacientes sanos versus enfermos, debido a que
cada punto de corte que la compone determina la misma proporción de verdaderos
positivos y de falsos positivos. Un test diagnóstico tendrá mayor capacidad
discriminativa en la medida que sus puntos de corte tracen una curva ROC lo más
lejana posible a la línea de no-discriminación; dicho de otra manera, lo más cercana
posible a los lados izquierdo y superior del gráfico (Cerda & Cifuentes, 2012).
 Bibliografía

Bellón, J. (2009). Obtenido de Pruebas de contraste de hipótesis para variables

cualitativas: https://epidemiologiamolecular.com/pruebas-contraste-
hipotesis-variables-cualitativas/
Cardenas, J. (2015). Obtenido de Odd ratio: qué es y cómo se interpreta:
http://networkianos.com/odd-ratio-que-es-como-se-interpreta/#toc-2
Cerda, J., & Cifuentes, L. (2012). Obtenido de Uso de curvas ROC en investigación
clínica. Aspectos teórico-prácticos:
https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0716-
10182012000200003
Cerda, J., Vera, C., & Rada, G. (2013). Obtenido de Odds ratio: aspectos teóricos y
prácticos: https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0034-
98872013001000014
Servizo Galego de Saúde. (2014). Obtenido de Regresión Logística:
https://www.sergas.es/Saude-
publica/Documents/1898/Ayuda_Epidat4_Regresion_logistica_Octubre2014
.pdf