SPSS Statistics
Output usando el método de Kaplan-Meier en SPSS Statistics
SPSS Statistics genera una gran cantidad de output para el método de Kaplan-Meier: las funciones de supervivencia y los gráficos de censura, y una serie de tablas: las medias y Medianas para el tiempo de supervivencia, resumen de procesamiento de casos y tablas de comparaciones generales., Si tiene diferencias estadísticamente significativas entre las funciones de supervivencia, también deberá interpretar la tabla de comparaciones de pares, lo que le permitirá determinar dónde se encuentran las diferencias entre sus grupos. En las secciones siguientes, nos centramos en la tabla de comparaciones Generales, así como en el gráfico de funciones de supervivencia.,
Nota: Si no está seguro de cómo interpretar e informar las estadísticas descriptivas de la tabla de tiempo de supervivencia media y Medianas, o los porcentajes de la tabla de resumen de procesamiento de casos, que es parte de la prueba de suposiciones que discutimos en la sección de suposiciones anterior, le mostramos cómo hacerlo en nuestra guía mejorada de Kaplan-Meier. Si encuentra que tiene diferencias estadísticamente significativas entre sus distribuciones de supervivencia, también explicamos cómo interpretar e informar la tabla de comparaciones de pares., También tendrá que ejecutar procedimientos adicionales en SPSS Statistics para llevar a cabo estas comparaciones por pares, ya que los 13 pasos del procedimiento de prueba en la sección SPSS Statistics anterior no incluyen el procedimiento para las comparaciones por pares.
estadísticas SPSS
funciones de supervivencia
el primer y mejor lugar para comenzar a comprender e interpretar sus resultados suele ser con la gráfica de las funciones de supervivencia acumulativas para los diferentes grupos del factor entre sujetos (p. ej.,, los tres grupos de intervención: el «programa de hipnoterapia», el «parche de nicotina» y el uso de grupos de «cigarrillos electrónicos»). Se trata de un gráfico de la proporción de supervivencia acumulada en relación con el tiempo para cada grupo de intervención y se denomina gráfico de funciones de supervivencia en las estadísticas SPSS. Este gráfico se muestra a continuación:
publicado con permiso por escrito de SPSS Statistics, IBM Corporation.
la gráfica anterior le ayudará a entender cómo se comparan las distribuciones de supervivencia entre los grupos., Una función útil de la gráfica es ilustrar si las curvas de supervivencia se cruzan entre sí (es decir, si hay una «interacción» entre las distribuciones de supervivencia). Esto tiene implicaciones en el poder de las pruebas estadísticas para detectar diferencias entre las distribuciones de supervivencia. Además, debe decidir si las curvas de supervivencia tienen una forma similar, incluso si están por encima o por debajo de la otra. Esto tiene implicaciones para la elección de la prueba estadística que se utiliza para analizar los resultados del método de Kaplan-Meier (i. e.,, ya sea que use la prueba de rango logarítmico, la prueba de Breslow o la prueba de Tarone-Ware, como se discutirá más adelante).
el «evento» que le interesa generalmente se considera perjudicial (por ejemplo, fracaso o muerte). Por lo tanto, no es algo que quieras que ocurra. Todas las demás cosas siendo iguales (por ejemplo, la censura de casos), cuantos más eventos ocurran, menor será la proporción de supervivencia acumulada y menor (por ejemplo, en el eje y) la curva de supervivencia en el gráfico., Como tal, una curva de supervivencia de grupo que aparece «por encima» de la curva de supervivencia de otro grupo se considera generalmente que está demostrando un efecto beneficioso/ventajoso.
podemos ver en nuestro gráfico que la proporción de supervivencia acumulada parece ser mucho mayor en el grupo de hipnoterapia en comparación con los grupos de parche de nicotina y cigarrillos electrónicos, que no parecen diferir considerablemente (aunque la intervención del parche de nicotina parece tener una pequeña ventaja en la supervivencia; es decir, menos participantes que reanudan el hábito de fumar)., Parecería que el programa de hipnoterapia prolonga significativamente el tiempo hasta que los participantes reanudan el tabaquismo (es decir, el evento) en comparación con las otras intervenciones. Sin embargo, si examinamos la última proporción de supervivencia acumulada de las curvas, podemos ver que la proporción de participantes que no habían vuelto a fumar al final del estudio no parece tan diferente entre los grupos de intervención (aproximadamente 10%). Veremos si estas curvas de supervivencia son estadísticamente significativamente diferentes más adelante.,
Nota: Después de haber inspeccionado el gráfico de supervivencia acumulativa en la sección anterior, es una buena idea mirar los elementos descriptivos de sus resultados utilizando la tabla de tiempo de medios y Medianas para la supervivencia. Esto ayudará a aclarar los diversos tiempos de supervivencia para sus grupos. Para hacer esto, debe interpretar los valores medianos y sus intervalos de confianza del 95%. También puede trazar la mediana de los tiempos de supervivencia de los grupos en la parte superior de la gráfica de supervivencia ilustrada anteriormente., En nuestra guía mejorada de Kaplan-Meier, explicamos cómo interpretar e informar los resultados estadísticos del SPSS a partir de la tabla de tiempo de medias y Medianas para la supervivencia.
SPSS Statistics
elegir entre pruebas estadísticas: log rank test, Breslow test y Tarone-Ware test
hay tres pruebas estadísticas que se pueden seleccionar en SPSS Statistics que prueban si las funciones de supervivencia son iguales., Estas son la prueba log rank (Mantel, 1966), la prueba Breslow (Breslow, 1970; Gehan, 1965) y la prueba Tarone-Ware (Tarone & Ware, 1977), todas las cuales seleccionamos para ser producidas en el procedimiento de prueba en la sección de estadísticas SPSS anterior. Estas tres pruebas se presentan en la tabla de comparaciones generales, como se muestra a continuación:
publicado con permiso por escrito de SPSS Statistics, IBM Corporation.
Las tres pruebas comparan una diferencia ponderada entre el número observado de eventos (i. e.,, la reanudación del tabaquismo) y el número de eventos esperados en cada momento, pero difieren en la forma en que calculan el peso. Discutimos las diferencias entre estas tres pruebas estadísticas y qué prueba elegir en nuestra guía mejorada de Kaplan-Meier.
es bastante común encontrar que las tres pruebas que le llevará a la misma conclusión (es decir,,, todos rechazarán la hipótesis nula o todos no), pero la prueba que elija debe depender de cómo espera que las distribuciones de supervivencia difieran para hacer el mejor uso de las diferentes ponderaciones que cada prueba asigna a los puntos de tiempo (es decir, aumentar la potencia estadística). Desafortunadamente, no puede confiar en que haya una mejor prueba: dependerá de sus datos. Si elige el enfoque de elegir una prueba en particular, deberá hacerlo antes de analizar sus datos., No debe ejecutar todos ellos y luego simplemente elegir el que resulta tener el» mejor » valor p para su estudio (Hosmer et al., 2008; Kleinbaum & Klein, 2012).
en nuestro ejemplo, la prueba de rango logarítmico es la más apropiada, por lo que discutimos los resultados de esta prueba en la siguiente sección.,
SPSS Statistics
comparación de intervenciones
para utilizar la prueba de log rank, debe interpretar la fila «Log Rank (Mantel-Cox)» en la tabla de comparaciones generales, como se destaca a continuación:
publicado con permiso por escrito de SPSS Statistics, IBM corporación.
la prueba de rango logarítmico está probando la hipótesis nula de que no hay diferencia en las distribuciones de supervivencia general entre los grupos (por ejemplo, grupos de intervención) en la población., Para probar esta hipótesis nula, la prueba de rango logarítmico calcula una estadística χ2 (la columna» Chi-cuadrado»), que se compara con una distribución χ2 con dos grados de libertad (la columna» df»). Con el fin de determinar si las distribuciones de supervivencia son estadísticamente significativamente diferentes, es necesario consultar el «Sig.»columna que contiene el valor p para esta prueba. Puede ver que el valor de significación de esta prueba es .000. Esto no significa que p = .000, pero ese p <.0005., Si desea conocer el valor p real, puede hacer doble clic en la tabla y pasar el ratón sobre el valor p relevante, como se resalta a continuación:
publicado con permiso por escrito de SPSS Statistics, IBM Corporation.
ahora puede ver que el valor P es en realidad .000002 (es decir, p = .000002). La razón por la que inicialmente aparece que p = .000 se debe a que el resultado sólo se indica en el cuadro con 3 decimales., Sin embargo, es raro que cite un valor p tan pequeño, por lo que podría indicar simplemente que p < .0005.
If p<.05, usted tiene un resultado estadísticamente significativo y puede concluir que las distribuciones de supervivencia de los diferentes tipos de intervención no son iguales en la población (es decir, no son todas iguales). Por otro lado, si p > .05, usted no tiene un resultado estadísticamente significativo y no puede concluir que las distribuciones de supervivencia son diferentes en la población (i. e.,, son todos iguales / iguales). En este ejemplo, desde p = .000002, tenemos un resultado estadísticamente significativo. Es decir, las distribuciones de supervivencia son diferentes en la población.
Nota: Si encuentra que tiene diferencias estadísticamente significativas entre sus distribuciones de supervivencia, como hacemos en nuestro ejemplo, ahora necesitará interpretar e informar los resultados de la tabla de comparaciones de pares. La tabla de comparaciones de pares no se produce automáticamente utilizando los 13 pasos del procedimiento de prueba en la sección de estadísticas SPSS anterior., En su lugar, tendrá que ejecutar pasos adicionales en las estadísticas de SPSS, que le mostramos en nuestra guía mejorada de Kaplan-Meier. Puede acceder a la guía mejorada de Kaplan-Meier suscribiéndose a estadísticas de Laerd.