3.g Análisis estadístico

1.- Variables

√ Variables cuantitativas: edad, tiempo en diálisis,

√ _{Variables cualitativas: Ocupación, estado civil, nivel de estudios, conocimiento de la}

enfermedad, adherencia al tratamiento, subescalas del IPQ y del CAE .

√ _{Variables cualitativas dicotómicas: Sexo, lista de espera de trasplantes, trasplantes}

previo.

√ _{Transformaciones de las variables: para la realización de algunos análisis estadísticos}

las variables cuantitativas fueron recodificadas en variables cualitativas, estableciendo como punto de corte la mediana o los percentiles 25 y 75.

2.- Distribución de las variables

Para determinar si las variables de estudio seguían una distribución normal o no se realizó la prueba de Kolmogorov-Smirnov, siendo la hipótesis nula que la variable sigue una distribución normal o gaussiana. Por tanto, cuando las variables alcanzan un grado de significación inferior a 0,05 (p<0,05) se rechazaba la hipótesis nula de distribución normal y en consecuencia utilizamos pruebas “no paramétricas” para su análisis estadístico.

El resto de las variables con distribución normal se analizaron mediante test estadísticos “paramétricos”.

3.- Estadística descriptiva de las variables del estudio

√ _{Los resultados de las variables cuantitativas con distribución normal se expresan como}

media y desviación estándar.

√ _{Las variables cuantitativas que no siguen una distribución normal se expresan en}

142

√ _{Las variables cualitativas se expresan en términos de porcentaje, mediante sus}

frecuencias absolutas y relativas.

4.- Fiabilidad de las subescalas de los cuestionarios

Para medir la fiabilidad de las distintas subescalas de los cuestionarios utilizados se utilizó el test alpha de Cronbach, coeficiente que determina la consistencia interna de una escala analizando la correlación media de una variable con todas las demás que integran dicha escala. Como los niveles de alpha son una función de la longitud del test, las subescalas que no tenían más de 10 ítems se consideraron fiables con un alpha de Crombach mayor o igual a 0,6 (Fowler, 2007, Leventhal, 1996). Sin embargo, todas las subescalas con fiabilidad menor de 0,6 se analizaron en profundidad y se introdujeron los cambios necesarios para mejorar la fiabilidad de la subescala. Finalmente, se decidió utilizar 0.6 como punto de corte para determinar la fiabilidad de la subescalas.

5.- Estudio de la asociación entre variables

√ _{Análisis univariado: se ha evaluado la asociación entre cada variable del estudio y la variable}

de resultado (estilo de afrontamiento y adherencia al tratamiento).

Este análisis tuvo como objeto tener una primera aproximación a la estimación de la medida de efecto, la odds ratio (OR), clasificando a las variables según el valor de esta medida y de su significación estadística.

√ _{Análisis estratificado: Se ha buscado la presencia de interacción producida por otras}

variables mediante la prueba de heterogeneidad de Breslow-Day, siendo la hipótesis nula que no existe interacción. Seguidamente, y en ausencia de interacción, se ha buscado la presencia de confusión , para lo cual se ha comparado la Odds Ratio “cruda” (ORc) con la Odds Ratio de Mantell-Haenszel (OR MH), considerándose presencia de confusión cuando ambas OR diferían

en más de un 10%.

Aunque los datos que ofrecemos son los obtenidos mediante análisis estratificado, la valoración de la confusión y/o interacción también se evaluó mediante análisis multivariante de regresión logística desglosando los dos fenómenos y comprobándolos por separado. Sólo cuando vemos que el término de interacción no es significativo, es decir, cuando descartamos que una tercera

143

variable pueda modificar el efecto de la relación principal estudiada, tiene sentido explorar en segundo lugar si hay confusión. La confusión se detecta cuando la OR que evalúa la fuerza de asociación entre la variable independiente y la dependiente cambia de forma importante cuando se introduce en la ecuación la tercera variable. Los datos obtenidos respecto a interacción y confusión con RLM son prácticamente idénticos a los obtenidos mediante el análisis estratificado.

√ _{Análisis multivariado de regresión logística: se ha realizado este análisis para buscar la OR}

de la variable principal del estudio ajustada por las otras variables que hayan causado interacción o confusión sobre el efecto de la variable principal.

Los modelos de regresión son herramientas formales que sirven para estudiar las relaciones de dependencia entre variables. Los modelos de regresión pueden usarse con objetivo predictivo o con objetivo estimativo. En el presente estudio el interés es predictivo, se quiere predecir lo mejor posible la variable dependiente (el afrontamiento y la adherencia al tratamiento), usando un conjunto de variables independientes (los componentes de las representaciones de la enfermedad, tiempo en HD, edad….). En los análisis predictivos basados en la teoría de la probabilidad, las variables independientes causan variación en el valor de la variable dependiente. El objetivo es determinar con cuanta precisión se puede predecir el valor de una variable de resultado (variable dependiente) basándonos en el valor de la variable predictora (variable independiente).

El grado de relación entre cada una de las variables independientes (los componentes de la representación de la enfermedad, variables sociodemográficas, etc.) y las medidas de resultado (estilos de afrontamiento y nivel de adherencia al tratamiento) se analizaron mediante regresión múltiple. Se midió la contribución de cada variable independiente al cambio en la variable dependiente. El resultado final de un análisis de regresión es un modelo del cual los valores de la variable independiente pueden utilizarse para predecir y explicar los valores de la variable dependiente.

Para aumentar la generalización de los resultados del estudio, el ratio de sujetos para cada variable independiente no debería ser inferior a 5:1; generalmente se recomienda tener 10 a 15 observaciones por cada variable independiente que entre en el modelo

144

Especificación del modelo. Estrategias de modelización: Debido a los dos objetivos distintos (predictivo y estimativo) que un análisis de la regresión puede tener, no puede establecerse una estrategia general para encontrar el mejor modelo de regresión, es más, el mejor modelo significa cosas distintas con cada modelo. En el análisis predictivo, el mejor modelo es el que produce predicciones más fiables para una nueva observación, mientras que en el análisis estimativo el mejor modelo es el que produce estimaciones más precisas para el coeficiente de la variable de interés. En ambos casos se prefiere el modelo más sencillo posible (a este modo de seleccionar modelos se le denomina parsimonia)(Abraira V, 1996).

En la estrategia de modelización los pasos recomendados son 3: especificación del modelo máximo, especificación de un criterio de comparación de modelos y definición de una estrategia para realizarla y, finalmente, evaluación de la fiabilidad del modelo.

Especificación del modelo máximo; Un modelo máximo grande minimiza la probabilidad de error tipo II o infraajunte, que en un análisis de regresión consiste en no considerar una variable que realmente tiene un coeficiente de regresión distinto de cero. Un modelo máximo pequeño minimiza la probabilidad de error tipo I o sobreajuste (incluir en el modelo una variable independiente cuyo coeficiente de regresión realmente sea cero). Debe tenerse en cuenta también que un sobreajuste, en general, no introduce sesgos en la estimación de los coeficientes (los coeficientes de las otras variables no cambian), mientras que un infraajuste puede producirlos. Como regla general, suele recomendarse que el número de variables en el modelo máximo no supere n/10

En el estudio que nos ocupa, en un primer modelo se incluyeron todas las variables que cumplían los criterios enunciados (variables que presentan una asociación estadísticamente significativa con la variable resultado en el análisis univariado y variables que son confusoras o modificadoras de efecto (generan interacción) en el análisis estratificado, constituyendo el modelo “máximo”.

Comparación de modelos: Se utilizó el estadístico de Wald como criterio de decisión de mantenimiento o retirada de una variable del modelo

La introducción de las variables se ha realizado de forma manual, y persiguiendo el modelo más sencillo posible (parsimonia), se ha seguido una modelización “backward”: ajustado el modelo

145

máximo (contiene todas las variables) se han ido retirando una a una cada variable que no resultaba significativa en el test de Wald (p≤ 0,05), hasta llegar al modelo final, que es el que mejor ajusta.

Validez del modelo: Se ha comprobado la validez del ajuste del modelo mediante la prueba de

Hosmer-Lemeshow, cuya hipótesis nula es que el modelo sí ajusta o, dicho de otro modo, que no existen diferencias entre las frecuencias observadas y las pronosticadas. Se ha calculado la sensibilidad, especificidad, porcentaje de clasificación correcta del modelo, así como el área bajo la curva.

6.- Precisión de las mediciones

Se aportan los intervalos de confianza (IC) del 95% de las estimaciones, siempre que ha sido posible.

V.II.4.- Resultados