En defensa de las pruebas de significación estadística

Durante décadas, los estadísticos y los clínicos han debatido el sentido de la significación estadística y clínica. En general, la mayoría de las revistas siguen casadas con el enfoque frecuentista de las pruebas estadísticas y utilizan el término significación estadística. Una propuesta reciente para prohibir el término “significación estadística” ganó impulso a través de una campaña con 854 signatarios reclutados. La petición propone retener los valores de P pero abandonar las declaraciones dicotómicas (significativo / no significativo), sugiere que se discuta el tamaño del efecto "compatible", se denuncian las "pruebas de nulidad ", y señala que algunos "efectos cruciales"se descartan en el momento de su hallazgo o se refutan en la replicación debido a que no son significativos. La propuesta también indica que "nunca debemos concluir que no hay 'diferencia' o 'no asociación' simplemente porque un valor de P es mayor que un umbral como 0.05 o, de manera equivalente, porque un intervalo de confianza incluye cero",  y esa clasificación en base de otras medidas estadísticas (por ejemplo, factores de Bayes) se debe desalentar. Otros artículos recientes también han abordado temas similares, con un número completo complementario de una revista de estadísticas dedicado a temas relacionados con los valores de P.

Cambiar el enfoque para definir la significación estadística y clínica tiene algunos méritos; por ejemplo, reconocer la incertidumbre, evitar afirmaciones exageradas con un apoyo estadístico débil y reconocer que la "significación estadística" a menudo es poco comprendida. Sin embargo, los aspectos técnicos del abandono de los métodos estadísticos pueden requerir mayor reflexión y debate. Detrás de la llamada guerra contra la significación se encuentran cuestiones fundamentales sobre la conducta e interpretación de la investigación que se extienden más allá de la (mala) interpretación de la significación estadística. Estas cuestiones incluyen qué tamaño del efecto debe ser de interés, cómo replicar o refutar los hallazgos de la investigación, y cómo decidir y actuar en base a la evidencia. Las inferencias son inevitablemente dicotómicas, sí o no, en muchos campos científicos que van desde la física de partículas a los análisis ómicos agnósticos (es decir, pruebas masivas de millones de características biológicas sin ninguna preferencia a priori de que una característica probablemente sea más importante que otras) hasta la medicina. Las decisiones dicotómicas son la norma en medicina y en intervenciones de salud pública. Una intervención, como un nuevo medicamento, tendrá licencia o no y será utilizada o no.

…

La comprensión estadística de los científicos requiere mejoras. Prohibir la significación estadística mientras se mantienen los valores de P (o los intervalos de confianza) no mejorará la capacidad numérica y puede fomentar la confusión estadística y crear situaciones problemáticas con la interpretación del estudio, un estado de anarquía estadística. La uniformidad en las reglas y los procesos estadísticos hacen que sea más fácil comparar lo similar con lo similar, y evitar que algunas asociaciones y efectos sean más privilegiados que otros de manera injustificada. Sin reglas claras para los análisis, la ciencia y la política pueden depender menos de los datos y las evidencias, y más en las opiniones e interpretaciones subjetivas.

El artículo completo:

Ioannidis JPA. The Importance of Predefined Rules and Prespecified Statistical Analyses: Do Not Abandon Significance. JAMA. Published online April 04, 2019. doi:10.1001/jama.2019.4582

Disponible en: http://bit.ly/2Dab33V

Los científicos se levantan contra la significación estadística.

Valentin Amrhein, Sander Greenland & Blake McShane Scientists rise up against statistical significance. Nature 20 March 2019, 567: 305-307