Video Experimental Relacionado
Updated: Feb 22, 2026

An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
Evaluación de la calibración empírica de los valores P bajo el sesgo de confusión no medido: un estudio de simulación
Mengyao Wang1, Wenwen Li1, Zhenzhen Lu1
1Department of Biostatistics, Zhongshan Hospital, Fudan University, Shanghai, China; Clinical Research Unit, Institute of Clinical Science, Zhongshan Hospital, Fudan University, Shanghai, China.
La calibración empírica de los valores P controla eficazmente los errores de tipo I en estudios observacionales, mitigando el sesgo de confusión no medido. Este método, utilizando controles negativos, también redujo el sesgo hasta en un 100% en simulaciones y datos del mundo real.
Área de la Ciencia:
- Epidemiología
- Bioestadística
- Métodos de Investigación Observacional
Sus antecedentes:
- El sesgo de confusión no medido representa una amenaza significativa para la validez de los estudios observacionales.
- El control de los errores de tipo I y tipo II es crucial para una inferencia precisa en estos estudios.
- Se proponen los controles negativos como una herramienta para detectar y ajustar la confusión no medida.
Objetivo del estudio:
- Evaluar la eficacia de la calibración empírica de los valores P utilizando controles negativos.
- Evaluar el control de los errores de tipo I y tipo II bajo el sesgo de confusión no medido.
- Probar el método en entornos observacionales simulados y del mundo real.
Principales métodos:
- Un estudio de simulación exploró cinco escenarios con diferente comparabilidad U, tamaños de muestra, sesgo y número de controles negativos.
- El método se aplicó a datos de UK Biobank para examinar la asociación hipertensión-EAP en pacientes con diabetes mellitus tipo 2.
- La calibración empírica ajustó los valores P basándose en las asociaciones observadas de los controles negativos.
Principales resultados:
- La regresión logística estándar mostró tasas de error de tipo I infladas de hasta el 44,2% en simulaciones.
- La calibración empírica mantuvo las tasas de error de tipo I cerca del 5% y redujo el sesgo entre un 80% y un 100% en condiciones ideales y realistas.
- En el estudio UK Biobank, la calibración empírica confirmó una asociación significativa entre la hipertensión y la EAP después de tener en cuenta la confusión residual.
Conclusiones:
- La calibración empírica de los valores P es eficaz para mitigar la confusión residual no medida.
- El método reduce con éxito la inflación del error de tipo I en estudios observacionales.
- El rendimiento de la calibración empírica depende de la validez y la cantidad de controles negativos utilizados.
Más Videos Relacionados
06:55Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index
Published on: January 8, 2020
09:35A Protocol for Using Gene Set Enrichment Analysis to Identify the Appropriate Animal Model for Translational Research
Published on: August 16, 2017
Videos de Conceptos Relacionados
Strategies for Assessing and Addressing Confounding
Confounding can be addressed at both the design phase of a study and through analytical methods after data...
Confounding in Epidemiological Studies
Types of Biopharmaceutical Studies: Controlled and Non-Controlled Approaches
Non-controlled studies, commonly employed for initial exploration, lack a control group, rendering them susceptible to biases and external influences. In contrast,...
Decision Making: P-value Method
First, a specific claim about the population parameter is proposed. The claim is based on the research question and is stated in a simple form. Further, an opposing statement to the claim is also stated. These statements can act as null and alternative hypotheses: a null hypothesis would be a neutral statement while the alternative hypothesis can...
Bias in Epidemiological Studies
P-value
P-value stands for the probability value. P-value is the probability that, if the null hypothesis is true, the results from another randomly selected sample will be as extreme or more extreme as the results obtained from the given sample.
A large P-value calculated from the data indicates to not reject the null hypothesis. But a higher P-value does not mean that the null hypothesis is true. The smaller the P-value, the more...