Cómo mejorar la comunicación de estadísticos inferenciales en ciencias de la salud
Metadatos
Mostrar el registro completo del ítemEditorial
Universidad Carlos III Madrid
Materia
Comunicación en salud Diseminación de la información Ciencias de la información Directrices Modelos estadísticos Probabilidad Incertidumbre Teorema de Bayes Health communication Information dissemination Information sciences Guidelines Statistical model Probability Uncertainty Bayes theorem
Fecha
2020-06Referencia bibliográfica
Ruiz-Ruano García, A. M., & Puga, J. L. (2020). Cómo mejorar la comunicación de estadísticos inferenciales en ciencias de la salud. Revista Española de Comunicación En Salud, 11(1). [https://doi.org/10.20318/recs.2020.5173]
Resumen
Las técnicas de inferencia estadística son esenciales para las ciencias de la salud. Gracias a estas herramientas
estadísticas se pueden identificar, por ejemplo, factores de riesgo que afectan negativamente al estado de salud
de las personas. Sin embargo, el proceso de comunicación científica y la relevancia de los hallazgos científicos
pueden distorsionarse por el mal uso de estadísticos inferenciales como el p-valor o el factor de Bayes. En este
trabajo proporcionamos siete directrices básicas que pretenden ayudar a interpretar y usar conjuntamente el pvalor
clásico de un contraste de hipótesis en conjunción con los factores de Bayes. Aunque el factor de Bayes
es menos conocido, y de introducción más reciente, que el p-valor es susceptible de ser utilizado superficial o
erróneamente. Una comunicación más eficiente de los resultados de la investigación científica favorecería una
mejor comprensión de estos y redundaría en mayores cotas de salud pública. Esperamos que estas directrices
puedan ser de utilidad para personas de ciencia con poca experiencia, frente a la toma de decisiones políticas
relacionadas con hallazgos científicos, en procesos editoriales y para el público en general Statistic techniques for inference are essential for health sciences. Those techniques are useful to identify, for
example, risk factors. However, the scientific communication process can be biased when inferential statistics
are wrongly used. Here we provide seven guidelines to help readers to use the p-value and Bayes factor, two
inferential statistics. Although the Bayes factor is less known than the p-value it is also prone to be misinterpreted
and misused. A better scientific communication of research output would lead to a better understanding of scientific
discoveries. As a result, this improvement in the information process would affect positively public health. We hope
our guidelines to be helpful for researchers, reviewers, editors, policy decision makers and the general public