⚠️

Advertencia metodológica: La potencia post-hoc (observada) es una transformación directa del p-valor y no aporta información nueva al análisis (Hoenig & Heisey, 2001). Se incluye aquí únicamente con fines pedagógicos. Para evaluar resultados no significativos, use el Análisis de Equivalencia (TOST) o intervalos de confianza.

📊

Análisis de Potencia y Equivalencia

Herramientas estadísticas para la comparación de proporciones entre dos grupos

Número de participantes en el grupo control. Debe ser ≥ 2.
Debe ser un entero ≥ 2
Número de participantes en el grupo experimental. Debe ser ≥ 2.
Debe ser un entero ≥ 2
Proporción de éxitos observada en el grupo control (0-100%).
Debe estar entre 0.1 y 99.9
Proporción de éxitos observada en el grupo tratamiento (0-100%).
Debe estar entre 0.1 y 99.9
Probabilidad de Error Tipo I. El estándar es 0.05 (5%).
Bilateral: diferencia en cualquier dirección. Unilateral: diferencia en una dirección específica.

El análisis TOST (Two One-Sided Tests) permite concluir que dos tratamientos son estadísticamente equivalentes dentro de un margen de relevancia clínica (Δ), según Lakens (2017).

Máxima diferencia en puntos porcentuales que se considera clínicamente irrelevante. Ej: si Δ=10, diferencias menores a 10 p.p. se consideran equivalentes. Debe definirse a priori por criterio clínico.

Calcula la muestra necesaria para alcanzar la potencia deseada dado un efecto esperado. Esto es lo que realmente debería hacerse antes del estudio (Perugini et al., 2018).

📚 Referencias científicas

  1. Hoenig, J. M. & Heisey, D. M. (2001). The abuse of power: The pervasive fallacy of power calculations for data analysis. The American Statistician, 55(1), 19–24. DOI
  2. Lakens, D. (2017). Equivalence tests: A practical primer for t tests, correlations, and meta-analyses. Social Psychological and Personality Science, 8(4), 355–362. DOI
  3. Lakens, D., Scheel, A. M. & Isager, P. M. (2018). Equivalence testing for psychological research: A tutorial. Advances in Methods and Practices in Psychological Science, 1(2), 259–269. DOI
  4. Zhang, Y., Hedo, R., Rivera, A., Rull, R., Richardson, S. & Tu, X. M. (2019). Post hoc power analysis: Is it an informative and meaningful analysis? General Psychiatry, 32(4), e100069. DOI
  5. Perugini, M., Gallucci, M. & Costantini, G. (2018). A practical primer to power analysis for simple experimental designs. International Review of Social Psychology, 31(1), 20. DOI
  6. Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N. & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. DOI
  7. Amrhein, V., Greenland, S. & McShane, B. (2019). Scientists rise up against statistical significance. Nature, 567(7748), 305–307. DOI
BioestadísticaEdu v2.0 © 2025 · Herramienta educativa, no sustituye el juicio de un bioestadístico cualificado
Basado en aproximación normal (Z-test) para diferencia de proporciones