Resumen

El tamaño del efecto se refiere a la evaluación de la magnitud de las diferencias entre dos grupos de muestras en una única medición. La evaluación del tamaño del efecto en la investigación médica suele realizarse con el estadístico d de Cohen. El estadístico d de Cohen asume que los valores medios son buenos estimadores de la posición de una distribución de números y también asume distribuciones de datos subyacentes gaussianas (o en forma de campana). En este artículo, presentamos un estadístico evaluativo alternativo que puede cuantificar las diferencias entre dos distribuciones de datos de forma similar a los cálculos tradicionales del tamaño del efecto; sin embargo, el enfoque propuesto evita hacer suposiciones sobre la forma de la distribución de datos subyacente. El estadístico de clasificación propuesto se compara con el estadístico d de Cohen y se demuestra que es capaz de identificar medidas de características de interés potencial para las que el estadístico d de Cohen implica que la medida sería de poca utilidad. Este estadístico de ordenación propuesto se ha evaluado en un gran conjunto de datos clínicos sobre autismo del Hospital Infantil de Boston, de la Facultad de Medicina de Harvard, demostrando que puede desempeñar potencialmente un papel constructivo en futuras tecnologías sanitarias.

• Materias:Señales orofaciales Clasificación del cáncer Terapia de exposición Resonancias magnéticas Medicina de precisión
• Subjects:Orofacial signals Cancer classification Exposure therapy Magnetic resonance imaging Precision medicine
• Palabras claves:estadística d, Cohen, estadística de clasificación, gran conjunto de datos clínicos sobre autismo, cálculos tradicionales del tamaño del efecto, Facultad de Medicina de Harvard, estadística evaluativa alternativa, futuras tecnologías sanitarias, distribuciones de datos subyacentes, diferencias
• Keywords:d statistic, Cohen, sorting statistic, large clinical autism dataset, traditional effect size calculations, Harvard Medical School, alternative evaluative statistic, future healthcare technologies, underlying data distributions, differences