El análisis de sensibilidad se puede entender como una herramienta que lo ayuda a evaluar el impacto de las decisiones tomadas en los pasos previos de su investigación. Permítanme ilustrar esto en un simple ejemplo:
Imagine que investiga un problema con tres variables: ingreso ($ / año), educación (número de años de educación), edad (número de años) – ejemplo hipotético en un país hipotético. Tiene la intención de ejecutar una regresión MCO para investigar el efecto de la educación y la edad en los ingresos.
Las asociaciones entre variables son las siguientes:
- cuanto mayor sea la educación, mayor será el ingreso
- cuanto mayor es la edad, mayor es el ingreso
- cuanto mayor es la edad, mayor es la educación
Cuando ejecuta un histograma, descubre que su distribución de ingresos es muy sesgada y contiene algunos valores atípicos. Lo que sería una solución intuitiva es tomar una transformación de registro y eliminar esos desagradables valores atípicos.
Pero lo que puedes hacer primero es tomar un enfoque tabula rasa y probar el primer modelo. Aquí encontrará que tanto la edad como la educación son predictores significativos y ambos están positivamente asociados con el ingreso . No es sorprendente, pero ¿y si este análisis está sesgado por la distribución del ingreso y sus valores atípicos? Tal vez … así que intenta tomar el registro de ingresos y volver a estimar el modelo. Sus hallazgos no cambian demasiado; ambos están positivamente asociados y son significativos. De acuerdo, está bien, ¿qué hay de esos desagradables valores atípicos que son muchas desviaciones estándar de la media? Vamos a eliminarlos también! Lo haces y de nuevo, tu modelo te da el mismo resultado.
Su modelo en este caso fue insensible a estas modificaciones. En otras palabras, si no hubieras hecho esos cambios, llegarías a la misma conclusión sustantiva sobre la relación entre ingreso, educación y edad.
¿Cuál es la diferencia entre los modificadores de efectos y los factores de confusión?
¿La epilepsia es una enfermedad infecciosa o viral?
¿Cuáles son los temas de tesis relacionados con la epidemiología?
# Este ejemplo es una versión muy simplificada de lo que realmente es el análisis sensible. Pero creo que te dará una idea de cómo se puede usar en las estadísticas.
# Además, no estoy diciendo que su último modelo no sería una mejor representación de los datos y de la realidad; por el contrario, es muy probable que represente mejor los datos. Sin embargo, lo que es más importante en este simple ejemplo es la conclusión sustantiva. Y eso permanece sin cambios.
