🎯 Pregunta de investigación

¿Existen diferencias en los niveles de glucosa según las categorías de IMC?

Grupos:

Normal
Sobrepeso
Obesidad

📌 ¿Cuándo corresponde ANOVA?

Cuando:

La variable dependiente es cuantitativa continua
La variable independiente es categórica con 3 o más grupos
La variable dependiente presenta distribución normal
Las varianzas son homogéneas

PASO 1. Explorar la variable y los grupos

tab imc_cat
summarize glucosa, detail

¿Qué buscamos?

Número de grupos
Distribución de glucosa
Media
Desviación estándar
Valores extremos

PASO 2. Evaluar normalidad por grupo

swilk glucosa if imc_cat=="Normal"
swilk glucosa if imc_cat=="Sobrepeso"
swilk glucosa if imc_cat=="Obesidad"

Interpretación

p > 0.05 → normal
p < 0.05 → no normal

Ejemplo esperado

Grupo	p valor	Interpretación
Normal	0.23	Normal
Sobrepeso	0.18	Normal
Obesidad	0.12	Normal

Como todos los grupos presentan distribución normal, se puede usar ANOVA

PASO 3. Evaluar homogeneidad de varianzas

robvar glucosa, by(imc_cat)

Interpretación

p > 0.05 → varianzas iguales
p < 0.05 → varianzas diferentes

Ejemplo

p = 0.27

Interpretación

Las varianzas son homogéneas
Se puede aplicar ANOVA clásico

– Si las varianzas son diferentes (heterogeneidad de varianzas), el ANOVA clásico:

Aumenta error tipo I
Reduce validez del resultado
Puede generar conclusiones incorrectas

Por lo tanto:

❌ No se recomienda ANOVA clásico
✅ Se recomienda ANOVA de Welch

PASO 4. Describir la variable correctamente

Como los datos son normales, se describe con:

Media
Desviación estándar

tabstat glucosa, by(imc_cat) stat(n mean sd)

Ejemplo

Grupo	Media	DE
Normal	92	5
Sobrepeso	103	6
Obesidad	112	7

PASO 5. Aplicar ANOVA

anova glucosa imc_cat
encode imc_cat, gen(imc_cat_n)
anova glucosa imc_cat_n

Hipótesis

H0: Las medias son iguales en todos los grupos

H1: Al menos una media es diferente

Ejemplo resultado

F = 28.4
p < 0.001

Interpretación

p < 0.05
Se rechaza la hipótesis nula
Existen diferencias entre los grupos

Interpretación

p = 0.0000 (< 0.05)
Se rechaza la hipótesis nula

✅ Conclusión:
Existen diferencias estadísticamente significativas en los niveles de glucosa según categoría de IMC.

PASO 6. Comparaciones múltiples (Post-hoc)

Como ANOVA salió significativo:

pwmean glucosa, over(imc_cat_n) mcompare(bonferroni)

Interpretación

Normal vs Sobrepeso → diferente
Normal vs Obesidad → diferente
Sobrepeso vs Obesidad → diferente

📌 Resultados

Comparación	Diferencia	IC 95%	Interpretación
Obesidad vs Normal	17.13	13.86 – 20.40	Diferencia significativa
Sobrepeso vs Normal	8.08	4.81 – 11.35	Diferencia significativa
Sobrepeso vs Obesidad	-9.05	-12.31 – -5.78	Diferencia significativa

📊 Interpretación estadística

Todas las comparaciones son significativas porque:

Ningún intervalo de confianza incluye 0
(Esto equivale a p < 0.05)

📊 Interpretación clínica

Se observa un gradiente claro:

Normal  <  Sobrepeso  <  Obesidad

Valores promedio aproximados:

Grupo	Glucosa media
Normal	93.8
Sobrepeso	101.9
Obesidad	110.9

Conclusión clínica

Pacientes con sobrepeso tienen glucosa mayor que normales
Pacientes con obesidad tienen glucosa mayor que sobrepeso
Existe una relación dosis-respuesta entre IMC y glucosa

Esto fortalece la plausibilidad causal.

PASO 7. Redacción para investigación

Métodos

Se compararon los niveles de glucosa entre las categorías de índice de masa corporal mediante análisis de varianza (ANOVA), previa verificación de normalidad y homogeneidad de varianzas.

Resultados

Se encontraron diferencias estadísticamente significativas en los niveles de glucosa según las categorías de IMC (F = 28.4; p < 0.001). Las comparaciones post hoc evidenciaron diferencias entre los grupos.

✅ Resumen del ejercicio ANOVA

Secuencia

Identificar tipo de variables
Ver normalidad por grupo
Evaluar varianzas
Describir con media y DE
Aplicar ANOVA
Si significativo → post hoc
Conclusión

📌 DIFERENCIA

Aspecto	ANOVA	Kruskal-Wallis
Tipo	Paramétrica	No paramétrica
Normalidad	Sí	No
Compara	Medias	Rangos
Resumen	Media ± DE	Mediana + RIC
Post hoc	Tukey / Bonferroni	Dunn

🎯 Regla

Cuando queremos comparar una variable cuantitativa entre tres o más grupos:

Si hay normalidad → ANOVA
Si no hay normalidad → Kruskal-Wallis

📊 Comparación ANOVA vs Kruskal-Wallis (Mismos datos)

Pregunta de investigación:
¿Existen diferencias en glucosa según categorías de IMC?

Grupos:

Normal
Sobrepeso
Obesidad

1️⃣ ANOVA (Prueba Paramétrica)

Comando:

oneway glucosa imc_cat

Resultados

F = 0.97
p = 0.3832

Interpretación

Resultado	Interpretación
p > 0.05	No hay diferencias entre grupos

👉 No hay diferencias estadísticamente significativas
👉 Las medias de glucosa son similares entre los grupos

Supuesto de varianzas

Resultado:

Bartlett = 4.1202
p = 0.127

👉 p > 0.05 → Varianzas homogéneas
👉 Se cumple supuesto de ANOVA

2️⃣ Kruskal-Wallis (Prueba No Paramétrica)

Comando:

kwallis glucosa, by(imc_cat)

Resultados

Chi² = 5.918
p = 0.0519

Interpretación

Resultado	Interpretación
p > 0.05	No hay diferencias

👉 No hay diferencias estadísticamente significativas

⚠️ Pero:

👉 p = 0.0519 está muy cerca de 0.05
👉 Puede considerarse tendencia

📊 Comparación de ambas pruebas

Prueba	p valor	Resultado
ANOVA	0.3832	No significativo
Kruskal-Wallis	0.0519	No significativo (tendencia)

🧠 Interpretación docente

Ambas pruebas muestran:

👉 No hay diferencias significativas
👉 Resultados consistentes

Esto es importante porque:

✔️ Ambas pruebas llegan a conclusión similar
✔️ Mayor confianza en resultados

🎓 Conclusión para alumnos

No se encontraron diferencias estadísticamente significativas en los niveles de glucosa entre las categorías de IMC, ni mediante ANOVA (F = 0.97; p = 0.383) ni mediante Kruskal-Wallis (χ² = 5.92; p = 0.052), aunque esta última mostró una tendencia cercana a la significancia.

📌 Mensaje clave

ANOVA → compara medias
Kruskal-Wallis → compara rangos

Ambos responden la misma pregunta con supuestos distintos.

📊 Pruebas previas antes de ANOVA y Kruskal-Wallis

Antes de comparar 3 o más grupos, se deben evaluar supuestos estadísticos.

🧠 1️⃣ Normalidad (por cada grupo)

📌 Evalúa si la variable continua sigue distribución normal

Pruebas

swilk → Shapiro-Wilk
sktest → Skewness-Kurtosis
histogram → Histograma
qnorm → Gráfico Q-Q
graph box → Boxplot (exploratorio)

Ejemplo

swilk glucosa if imc_cat=="Normal"
swilk glucosa if imc_cat=="Sobrepeso"
swilk glucosa if imc_cat=="Obesidad"

🧠 2️⃣ Homogeneidad de varianzas (solo para ANOVA)

📌 Evalúa si las varianzas son similares entre grupos

Pruebas

robvar → Levene / Brown-Forsythe
bartlett → Prueba de Bartlett
oneway → incluye Bartlett automáticamente

Ejemplo

robvar glucosa, by(imc_cat)

🎯 Decisión final

Supuestos	Prueba
Normal + varianzas iguales	ANOVA
No normal	Kruskal-Wallis
Normal + varianzas diferentes	Welch ANOVA / Kruskal-Wallis

📌 Resumen rápido

Antes de ANOVA

Normalidad
Homogeneidad de varianzas

Antes de Kruskal-Wallis

Evaluar normalidad (para justificar prueba no paramétrica)

🧠 Secuencia práctica

swilk variable por grupo
robvar variable, by(grupo)
anova o kwallis

📊 Pruebas posteriores a ANOVA y Kruskal-Wallis

Las pruebas posteriores (post hoc) se realizan solo si la prueba global es significativa (p < 0.05).

1️⃣ Pruebas posteriores a ANOVA (Paramétricas)

📌 Se usan cuando ANOVA es significativo

Pruebas más usadas

Bonferroni → conservadora (recomendada en clínica)
Tukey → muy utilizada
Scheffé → más conservadora
Sidak → alternativa a Bonferroni

En STATA

Bonferroni

pwmean glucosa, over(imc_cat) mcompare(bonferroni)

Tukey

pwmean glucosa, over(imc_cat) mcompare(tukey)

2️⃣ Pruebas posteriores a Kruskal-Wallis (No paramétricas)

📌 Se usan cuando Kruskal-Wallis es significativo

Pruebas más usadas

Dunn → más utilizada
Conover → alternativa
Dwass-Steel-Critchlow-Fligner (menos usada)

En STATA

Dunn

dunn glucosa, by(imc_cat)

⚠️ Puede requerir instalación:

ssc install dunn

📊 Resumen

Prueba principal	Prueba posterior
ANOVA	Bonferroni / Tukey
Kruskal-Wallis	Dunn

🎯 Regla fácil para alumnos

ANOVA significativo → Bonferroni o Tukey
Kruskal significativo → Dunn

📌 Importante

❌ No hacer post hoc si:

p > 0.05

En tu ejemplo:

ANOVA → p = 0.383 ❌ No
Kruskal → p = 0.0519 ❌ No

👉 No corresponde pruebas posteriores

Descubre más desde Medicina Cardiometabólica

Suscríbete y recibe las últimas entradas en tu correo electrónico.

🎯 Pregunta de investigación

📌 ¿Cuándo corresponde ANOVA?

PASO 1. Explorar la variable y los grupos

PASO 2. Evaluar normalidad por grupo

PASO 3. Evaluar homogeneidad de varianzas

PASO 4. Describir la variable correctamente

PASO 5. Aplicar ANOVA

Interpretación

PASO 6. Comparaciones múltiples (Post-hoc)

📌 Resultados

📊 Interpretación estadística

📊 Interpretación clínica

Conclusión clínica

PASO 7. Redacción para investigación

Métodos

Resultados

✅ Resumen del ejercicio ANOVA

📌 DIFERENCIA

🎯 Regla

📊 Comparación ANOVA vs Kruskal-Wallis (Mismos datos)

1️⃣ ANOVA (Prueba Paramétrica)

Resultados

Interpretación

Supuesto de varianzas

2️⃣ Kruskal-Wallis (Prueba No Paramétrica)

Resultados

Interpretación

📊 Comparación de ambas pruebas

🧠 Interpretación docente

🎓 Conclusión para alumnos

📌 Mensaje clave

📊 Pruebas previas antes de ANOVA y Kruskal-Wallis

🧠 1️⃣ Normalidad (por cada grupo)

Pruebas

Ejemplo

🧠 2️⃣ Homogeneidad de varianzas (solo para ANOVA)

Pruebas

Ejemplo

🎯 Decisión final

📌 Resumen rápido

Antes de ANOVA

Antes de Kruskal-Wallis

🧠 Secuencia práctica

📊 Pruebas posteriores a ANOVA y Kruskal-Wallis

1️⃣ Pruebas posteriores a ANOVA (Paramétricas)

Pruebas más usadas

En STATA

Bonferroni

Tukey

2️⃣ Pruebas posteriores a Kruskal-Wallis (No paramétricas)

Pruebas más usadas

En STATA

Dunn

📊 Resumen

🎯 Regla fácil para alumnos

📌 Importante

Descubre más desde Medicina Cardiometabólica

Compártelo:

Relacionado

Publicado por Jorge Rojas

Deja un comentario Cancelar la respuesta