En la investigación científica, durante muchos años se ha utilizado el valor p y la significación estadística como criterios fundamentales para evaluar los resultados. Sin embargo, la significación estadística solo indica si la diferencia observada ocurrió por azar; no proporciona información sobre qué tan grande o qué tan importante es esa diferencia. Aquí es donde entra en juego el concepto de tamaño del efecto (effect size). El tamaño del efecto es una medida cuantitativa que expresa la magnitud del efecto de una variable sobre otra o el tamaño de la diferencia entre dos grupos en una forma estandarizada.
Distinción entre Significación Estadística y Tamaño del Efecto
Las pruebas de significación estadística son extremadamente sensibles al tamaño de la muestra (n). Cuando se trabaja con una muestra muy grande, incluso diferencias muy pequeñas que no tienen equivalente o significado práctico pueden resultar estadísticamente significativas con un valor p < 0.05 (explicado con escenarios más adelante). Esto permite al investigador responder a la pregunta: «¿Qué tan importante es la diferencia que encontré para el mundo real?» Hoy en día, muchas revistas médicas prestigiosas exigen que se informe no solo el valor p, sino también los tamaños del efecto y los intervalos de confianza.
Tipos de Tamaño del Efecto
Los cálculos del tamaño del efecto varían según el tipo de análisis estadístico realizado. Básicamente se dividen en tres familias principales:
- Medidas de Diferencia (Familia d): Expresa la diferencia entre las medias de dos grupos en términos de desviación estándar. El más común es el coeficiente d de Cohen. Si el valor d de Cohen es 0.5, significa que la media del grupo experimental está media desviación estándar por encima del grupo de control.
- Medidas de Asociación (Familia r): Indica la fuerza de la relación entre variables. El coeficiente de correlación de Pearson (r) y el r-cuadrado (coeficiente de determinación), que es la proporción de varianza explicada, pertenecen a este grupo.
- Medidas de Proporción: Son valores como el Odds Ratio (OR) y el Riesgo Relativo (RR), utilizados especialmente en medicina y epidemiología.
Aunque estos valores no son reglas estrictas, los conceptos de «pequeño» o «grande» pueden cambiar según el campo de investigación (por ejemplo, educación, psicología o cirugía). Para evaluar el tamaño del efecto pertinente, se debe determinar primero la hipótesis principal en el área correspondiente y decidir el tamaño del efecto de acuerdo con ese análisis previsto.
Ejemplos de Aplicación
Escenario 1: Pensemos en el estudio de una farmacéutica sobre un nuevo analgésico. En una muestra de 10,000 personas, el nuevo fármaco redujo el dolor 2 puntos más sobre 100, y se encontró p < 0.001. Estadísticamente el resultado es significativo. Sin embargo, si se calcula la d de Cohen y da un valor muy bajo como 0.05, se entiende que esta diferencia no tiene significado clínico y el fármaco no es superior en la práctica a los antiguos.
Escenario 2: Al examinar el efecto de un método educativo en el rendimiento estudiantil, el valor p puede haber resultado 0.08 (no significativo) porque el número de grupos es pequeño (n=30). Sin embargo, si el tamaño del efecto es d=0.70 (efecto grande), el investigador se da cuenta de que este método es potencialmente muy eficaz pero no alcanzó el umbral de significación debido a la insuficiencia de la muestra. Esto indica que el estudio debe repetirse con un grupo más grande.
Escenario 3: Pensemos en un estudio de 10,000 personas realizado por una farmacéutica en pacientes que usan un antihipertensivo. Supongamos que la diferencia entre los valores de presión arterial sistólica tras el tratamiento de las muestras que usan el fármaco A (rutina) y el fármaco B (nuevo) es de solo 2 mmHg (ej. 132 mmHg frente a 130 mmHg) y se nota una diferencia estadísticamente significativa (p = 0.03). Aunque los resultados sean estadísticamente significativos, ¿se puede concluir que el nuevo fármaco tiene efectos reales significativos? La respuesta es no. En conclusión, mientras que en estudios con tamaños de muestra muy altos incluso diferencias mínimas pueden dar resultados estadísticamente significativos, la aplicabilidad de esas diferencias a la vida diaria está directamente relacionada con el concepto de «tamaño del efecto». Probablemente en este ejemplo existe un tamaño del efecto (d) bajo.
Relación entre el Análisis de Potencia y el Tamaño del Efecto
El tamaño del efecto es de vital importancia en la fase de planificación de la investigación (análisis de potencia prospectivo). Un investigador, antes de comenzar su estudio, debe determinar qué magnitud de efecto desea captar y calcular cuántos sujetos necesita para detectar ese efecto con una potencia del 80% o 90%. A medida que disminuye el tamaño del efecto esperado, el número de muestra necesario aumenta geométricamente.
Conclusión
El tamaño del efecto es el puente que nos permite comprender el valor práctico de los hallazgos científicos. Centrarse solo en el valor p puede llevar a una «ilusión de significación» en la literatura científica. Que los investigadores informen los tamaños del efecto estandarizados no solo proporciona datos para estudios de metaanálisis, sino que también permite la evaluación correcta de la información de forma acumulativa.
Referencias
- Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Routledge. https://doi.org/10.4324/9780203771587
- Sullivan GM, Feinn R. Using Effect Size-or Why the P Value Is Not Enough. J Grad Med Educ. 2012 Sep;4(3):279-82. https://doi.org/10.4300/jgme-d-12-00156.1 PMID: 23997866; PMCID: PMC3444174.
- Sawilowsky, S. S. (2009). New effect size rules of thumb. Journal of Modern Applied Statistical Methods, 8(2), 597 – 599.
