Calculadora G*Power para Estudios Cuasi-Experimentales
Guía completa: Cómo utilizar la calculadora G*Power para estudios cuasi-experimentales
Los estudios cuasi-experimentales son fundamentales en ciencias sociales, educación y salud pública cuando la aleatorización completa no es posible. La calculadora G*Power (y herramientas similares como esta) permite determinar el tamaño muestral adecuado para garantizar resultados estadísticamente significativos.
1. Conceptos fundamentales para cálculos de potencia
- Tamaño del efecto (d de Cohen): Indica la magnitud de la diferencia entre grupos. Valores típicos:
- 0.2 = efecto pequeño
- 0.5 = efecto medio
- 0.8 = efecto grande
- Nivel de significancia (α): Probabilidad de rechazar incorrectamente la hipótesis nula (error Tipo I). El estándar es 0.05 (5%).
- Potencia estadística (1 – β): Probabilidad de detectar un efecto cuando realmente existe. El mínimo recomendado es 0.8 (80%).
- Diseño del estudio: Los diseños cuasi-experimentales comunes incluyen:
- Diseño de grupo de control no equivalente
- Series de tiempo interrumpidas
- Diseños de caso único
Nota importante: En estudios cuasi-experimentales, la falta de aleatorización requiere tamaños muestrales mayores (generalmente 10-20% más) que en diseños experimentales puros para compensar posibles sesgos de selección.
2. Paso a paso para usar la calculadora G*Power
- Seleccionar el tipo de prueba:
Elija según su diseño:
- Prueba t: Para comparar dos grupos independientes o apareados
- ANOVA: Para comparar 3+ grupos o medidas repetidas
- Regresión: Para analizar relaciones entre variables continuas
- Chi-cuadrado: Para variables categóricas
- Estimar el tamaño del efecto:
Base su estimación en:
- Meta-análisis previos en su campo
- Estudios piloto propios
- Si no hay datos, use d = 0.5 (efecto medio)
- Configurar parámetros estadísticos:
Mantenga α = 0.05 a menos que su campo requiera otro valor. Para potencia, 0.8 es el estándar, pero en estudios críticos (ej. ensayos clínicos) use 0.9.
- Especificar la estructura del estudio:
Indique:
- Número de grupos (condiciones experimentales)
- Número de mediciones por sujeto (para diseños longitudinales)
- Correlación esperada entre mediciones repetidas (si aplica)
- Interpretar los resultados:
La calculadora proporcionará:
- Tamaño muestral por grupo
- Tamaño muestral total
- Potencia real alcanzada
- Efecto mínimo detectable con su muestra
3. Comparación de requisitos muestrales por tipo de diseño
| Tipo de diseño | Tamaño efecto pequeño (d=0.2) | Tamaño efecto medio (d=0.5) | Tamaño efecto grande (d=0.8) | Notas |
|---|---|---|---|---|
| Diseño entre-sujetos (2 grupos) | 394 por grupo | 64 por grupo | 26 por grupo | Requiere mayor muestra por falta de emparejamiento |
| Diseño intra-sujetos (medidas repetidas) | 200 sujetos | 34 sujetos | 14 sujetos | Más eficiente por controlar variabilidad individual |
| Diseño de series de tiempo (6 puntos) | 120 sujetos | 20 sujetos | 8 sujetos | La potencia aumenta con más puntos temporales |
| Diseño de grupo control no equivalente | 500 por grupo | 80 por grupo | 32 por grupo | Requiere ajustes por covariables (ANCOVA) |
4. Errores comunes y cómo evitarlos
- Subestimar el tamaño del efecto:
Muchos investigadores usan d = 0.5 por defecto, pero en educación y ciencias sociales, los efectos suelen ser más pequeños (d = 0.2-0.3). Esto lleva a muestras insuficientes.
Solución: Realice un estudio piloto para estimar el tamaño del efecto real en su contexto.
- Ignorar la correlación en diseños repetidos:
En medidas repetidas, no considerar la correlación entre mediciones (ρ) lleva a cálculos incorrectos. Una ρ = 0.5 es típica en psicología.
Solución: Use valores conservadores (ρ = 0.3) si no tiene datos previos.
- No ajustar por covariables:
En diseños cuasi-experimentales, no controlar variables de confusión reduce la potencia estadística.
Solución: Use ANCOVA y aumente la muestra en 10-15% por cada covariable.
- Confundir significancia con importancia:
Un p < 0.05 con efecto pequeño (d = 0.1) puede ser estadísticamente significativo pero sin relevancia práctica.
Solución: Siempre reporte intervalos de confianza y tamaños del efecto.
5. Ejemplo práctico: Diseño de intervención educativa
Supongamos que queremos evaluar el impacto de un nuevo método de enseñanza en matemáticas (grupo experimental) versus el método tradicional (grupo control), con:
- Diseño: Grupo control no equivalente
- Medición: Pre-test y post-test
- Tamaño del efecto esperado: d = 0.4 (basado en meta-análisis de Hattie, 2009)
- α = 0.05, potencia = 0.8
- Correlación pre-post: ρ = 0.6
Pasos en G*Power:
- Seleccionar “t tests” → “Means: Difference between two dependent means (matched pairs)”
- Ingresar:
- Tail(s) = Two
- Effect size d = 0.4
- α err prob = 0.05
- Power = 0.8
- Correlation between measures = 0.6
- Resultado: 42 pares (84 estudiantes en total)
- Ajuste por diseño cuasi-experimental: +15% → 48 pares (96 estudiantes)
| Parámetro | Valor | Justificación |
|---|---|---|
| Tamaño del efecto (d) | 0.4 | Meta-análisis de intervenciones educativas (Hattie, 2009) |
| Correlación pre-post (ρ) | 0.6 | Estabilidad típica en pruebas de matemáticas |
| Potencia (1-β) | 0.8 | Estándar en ciencias sociales |
| Ajuste por diseño | +15% | Falta de aleatorización en grupos |
| Tamaño muestral final | 96 estudiantes | 48 por grupo (experimental/control) |
6. Recursos adicionales y herramientas complementarias
Para profundizar en el cálculo de potencia para diseños cuasi-experimentales:
- Guía del NIH sobre cálculo de tamaño muestral en estudios de intervención (National Institutes of Health)
- Tutorial avanzado de G*Power (University of California, San Francisco)
- Consideraciones para estudios cuasi-experimentales en salud pública (Centers for Disease Control and Prevention)
Herramientas alternativas:
- PASS: Software comercial con opciones avanzadas para diseños complejos
- R (pwr package): Para cálculos programáticos y simulaciones
- Stata: Comando
powerpara análisis de potencia post-hoc
7. Consideraciones éticas en el cálculo de tamaño muestral
El cálculo de tamaño muestral no es solo un ejercicio estadístico, sino también ético:
- Principio de beneficencia: Una muestra insuficiente puede llevar a resultados inconclusos, desperdiciando recursos y exponiendo participantes sin beneficio.
- Principio de justicia: Sobremuestreo en grupos vulnerables (ej. minorías) puede ser explotador. Asegure representación equitativa.
- Transparencia: Registre su protocolo (ej. en ClinicalTrials.gov) incluyendo justificación del tamaño muestral.
- Análisis interino: En estudios largos, planifique análisis intermedios para ajustar el tamaño muestral si el efecto observado difiere del esperado.
Recomendación final: Siempre consulte con un estadístico antes de finalizar su diseño. En estudios cuasi-experimentales, pequeños errores en los supuestos (ej. correlación entre mediciones) pueden tener grandes impactos en los cálculos de potencia.