Tamaño de Muestra en la Investigación Clínica. Toda investigación científica exige la selección de una muestra de la población que se estudia. El artículo incorpora un compendio bastante exhaustivo de técnicas acorde a las demandas más importantes de los investigadores ciencias de la salud, y aporta deducción matemática de cómo se calcula el tamaño de la muestra necesario y cuáles son los factores que la determinan. Todo ello dependerá de los objetivos o hipótesis y del tipo de las variables del estudio.

An alternative to classical Latent Class Models Selection methods for Sparse Binary Data: An Illustration with Simulated Data. Within the context of a latent class model with manifest binary variables, we propose an alternative method that solves the problem of estimating empirical distribution with sparse contingency tables and the chi-square approximation for goodness-of-fit will not be valid. We analyze sparse binary data, where there are many response patterns with very small expected frequencies in several data sets varying in degree of sparseness from 1 to 5 defined d = n/2p = n/R is a factor that is mentioned in almost all prior literature as being an important determinant of how well the distribution is represented by the chi-squared. The proposed approach produced results that were valid and reliable under the mentioned problematic data conditions. Results from the proposal presented compare the rates of Type I for traditional goodness-of-fit tests. We also show that with data density d ≤ 5, Pearson’s statistic should not be used to select latent class models using the Patterns Method, given that this has the probability of Type I error being greater than 5 %. By comparing the Patterns Method and the Parametric Bootstrap for data density d = 2, we show that the Patterns Method has more accurate Type I error probabilities since the likelihood ratio, Read-Cressie and Freeman-Tukey statistics afford values of α ≤ 0,05. In contrast, the Parametric Bootstrap provides values in these statistics that surpass 5 %.

Biplot Versus Coodernadas Paralelas. En este artículo, se estudian las Coordenadas Paralelas (Coords∥), que son un sistema de visualización que permite representar n-dimensiones en un sistema bidimensional. En este sistema, cada eje vertical (ordenada) representa un atributo (dimensión) que puede ser continuo o categórico. Cada uno de los ejes verticales de un sistema de Coords∥ puede tener su propia escala o definirse todos con una sola escala. La primera forma nos permite la visualización de híper-superficies y el análisis del comportamiento del conjunto de datos, con la segunda podemos hacer un análisis de las relaciones entre las variables. En general, las Coords∥ son una técnica de visualización donde las dimensiones son simbolizadas como una serie de ejes paralelos, con la misma separación entre ellos (equidistantes) y donde los valores son representados. Cada eje representa una coordenada en la dimensión correspondiente. Uniendo con líneas los ejes, podemos simbolizar los puntos en n-dimensiones. Asimismo, un punto en un espacio n-dimensional es transformado en una línea poligonal a través de n ejes paralelos como n-1 segmentos de línea. El objetivo del trabajo es analizar las coordenadas paralelas como técnica de análisis multivariante y así aprovechar su potencial para la visualización n-dimensional de datos.

Consumo de Drogas en Jóvenes en la zona de Occidente: Aplicación de Modelos de Clases Latentes. La aportación de este estudio es la aproximación multidimensional sobre patrones de consumo de drogas en jóvenes. Los datos provienen del estudio “Factores que inciden en el consumo de drogas, población juvenil. Región Central de Occidente” de Costa Rica, 2006. En función de los resultados obtenidos con un modelo de clases latentes, se establece una tipología través de 8 subgrupos según la prevalencia del consumo de drogas.