Razón de Prevalencia con Poisson Robusto: El Método Correcto

Si haces investigación en Latinoamérica, tarde o temprano corres un estudio transversal: mides exposición y desenlace el mismo día, en la misma consulta, y quieres decir cuánto más frecuente es la enfermedad entre expuestos. La medida correcta para eso es la razón de prevalencia, no el odds ratio. El problema aparece a la hora de calcularla con ajuste por variables de confusión: el modelo natural (log-binomial) se niega a converger la mitad de las veces, y la salida fácil —usar regresión logística y reportar un OR— exagera el efecto cuando el desenlace es común. La solución práctica que la epidemiología moderna adoptó como estándar es la regresión de Poisson con varianza robusta. Este post es el procedimiento, paso a paso, para médicos, residentes y tesistas que necesitan que su análisis resista al jurado y al revisor.

Puntos clave (TL;DR)

• En un estudio transversal la medida de asociación es la razón de prevalencia (RP), no el odds ratio. Cuando el desenlace es frecuente, el OR se aleja de la RP y exagera el efecto.
• El modelo teóricamente ideal es la regresión log-binomial, pero falla en converger con frecuencia, sobre todo con desenlaces comunes y varias covariables.
• La regresión de Poisson con varianza robusta (estimador sándwich de Huber-White) estima la RP directamente y da intervalos de confianza válidos. Es el estándar de facto.
• La Poisson «cruda» da el punto estimado correcto, pero intervalos de confianza demasiado anchos (conservadores). La varianza robusta es lo que corrige eso.
• Barros & Hirakata (2003) demostraron con datos reales que Poisson robusta, Cox robusta y log-binomial coinciden con la referencia de Mantel-Haenszel.
• El mismo truco sirve para riesgo relativo en cohortes (Zou, 2004): es la «Poisson modificada».

El caso

Una tesista corre un estudio transversal en 300 pacientes de consulta externa. Quiere saber si el sedentarismo se asocia a síndrome metabólico. El síndrome metabólico está presente en el 40% de su muestra —un desenlace muy común. Corre una regresión logística porque es lo que le enseñaron, obtiene un OR ajustado de 2,6 y escribe en la discusión: «los sedentarios tuvieron 2,6 veces más síndrome metabólico». El jurado la detiene ahí. Ese OR de 2,6 no significa «2,6 veces más frecuente»: con una prevalencia del 40%, la razón de prevalencia real ronda 1,7. El OR infló el efecto casi un 50%.

No es un problema de una tesis mal hecha; es la aritmética del odds ratio cuando el evento es común, exactamente lo que vimos en la semana 6 sobre el odds ratio en estudios transversales. La pregunta que queda abierta es la práctica: si el OR no sirve, ¿cómo calculo bien la razón de prevalencia ajustada?

La respuesta más citada de la literatura viene de un trabajo brasileño. Barros y Hirakata (BMC Medical Research Methodology, 2003) tomaron datos reales de la cohorte de nacimientos de Pelotas de 1993 —1.273 niños— y compararon todos los métodos disponibles para estimar la razón de prevalencia sobre tres desenlaces de prevalencia deliberadamente distinta: bajo peso (4,1%), asma (31,2%) y madre con trabajo remunerado (51,4%). Su veredicto es la base de lo que hoy se considera buena práctica, y es lo que desarrollamos abajo.

El concepto

La razón de prevalencia es la prevalencia del desenlace en expuestos dividida entre la prevalencia en no expuestos. Es una razón de proporciones, se interpreta igual que un riesgo relativo («los expuestos tienen X veces la frecuencia de la enfermedad») y es lo que tu lector cree que está leyendo cuando ve cualquier medida de asociación. El odds ratio, en cambio, es una razón de odds, y solo se aproxima a la razón de prevalencia cuando el desenlace es raro. Con desenlaces frecuentes —lo habitual en cardiometabólico: obesidad, hipertensión, resistencia a la insulina— el OR se aleja sistemáticamente de 1 y sobrestima la asociación.

Para estimar la RP ajustada por covariables necesitas un modelo cuya salida exponenciada sea directamente una razón de prevalencia. El candidato «natural» es la regresión log-binomial: un modelo lineal generalizado con distribución binomial y enlace logarítmico. Matemáticamente es lo correcto. El problema es puramente numérico: como el enlace log no acota la probabilidad predicha por debajo de 1, el algoritmo se sale del espacio de parámetros y no converge con frustrante frecuencia, sobre todo cuando el desenlace es común y hay varias covariables continuas.

Ahí entra la regresión de Poisson. Aunque Poisson se diseñó para conteos, si la usas con un desenlace binario (0/1) y enlace logarítmico, el coeficiente exponenciado estima exactamente la razón de prevalencia, y el modelo siempre converge. El precio: Poisson asume que la varianza es igual a la media, lo cual es falso para datos binarios. El resultado es que los errores estándar del modelo salen sobrestimados y los intervalos de confianza quedan demasiado anchos (conservadores). El punto estimado es correcto; la incertidumbre reportada, no.

La corrección es el estimador de varianza robusta (sándwich, o de Huber-White): recalcula los errores estándar sin depender del supuesto de igualdad varianza-media. Con eso, la Poisson robusta entrega la razón de prevalencia correcta y un intervalo de confianza válido. Guangyong Zou lo formalizó para riesgo relativo en cohortes en American Journal of Epidemiology (2004) —la llamada «Poisson modificada»— y mostró que es fiable incluso con tamaños de muestra tan pequeños como 100.

El error típico

El error más común no es de cálculo, es de interpretación: correr una regresión logística y leer el OR como si fuera una razón de prevalencia. «OR 2,6, o sea 2,6 veces más frecuente». Con un desenlace del 40%, eso es simplemente falso. Cuanto más común el evento, mayor la mentira.

El segundo error, más sofisticado pero igual de frecuente en tesis, es correr una Poisson sin varianza robusta. Aquí el punto estimado sale bien —la RP es correcta— pero el intervalo de confianza sale inflado. ¿Consecuencia práctica? Una asociación que era estadísticamente significativa puede aparecer como «no significativa» solo porque el IC se ensanchó de más. Pierdes potencia sin darte cuenta, y concluyes que «no hubo asociación» cuando sí la había.

El tercer error es abandonar el log-binomial al primer aviso de no convergencia y no reportar nada, o peor, forzar el modelo y reportar un resultado inestable. La no convergencia no es un fracaso del investigador: es una limitación conocida del método. Tener un plan B (Poisson robusta) definido de antemano es lo que separa un análisis serio de uno improvisado.

Cómo hacerlo bien

El procedimiento para estimar una razón de prevalencia ajustada en un estudio transversal, en orden:

1. Define el desenlace como binario (0 = ausente, 1 = presente) y decide de antemano tus covariables de ajuste según el marco causal (idealmente un DAG), no según «lo que salga significativo».
2. Intenta primero log-binomial: GLM con familia binomial y enlace log. Si converge sin advertencias, es tu modelo. Exponencia los coeficientes: son razones de prevalencia.
3. Si no converge, pasa a Poisson con varianza robusta: GLM con familia Poisson, enlace log, y errores estándar robustos (sándwich). Exponencia los coeficientes para obtener la RP y su IC 95%.
4. Reporta la RP con su intervalo de confianza al 95%, no solo el valor p. El IC te dice magnitud y precisión de una sola mirada.
5. Declara explícitamente el método en la sección de estadística: «razón de prevalencia estimada mediante regresión de Poisson con varianza robusta». Cita a Barros & Hirakata o a Zou.

En la práctica, los comandos son de una línea. En Stata: glm desenlace exposicion covariables, family(poisson) link(log) eform vce(robust). En R: ajusta glm(desenlace ~ exposicion + covariables, family = poisson(link="log")) y calcula los errores robustos con el paquete sandwich más lmtest::coeftest, o usa geepack::geeglm con estructura de correlación independiente. En SPSS, ecuaciones de estimación generalizada (GEE) con distribución Poisson, enlace log y estimador robusto.

Método	Punto estimado de la RP	Intervalo de confianza	Converge siempre
Regresión logística (OR)	No estima la RP; sobrestima si el desenlace es común	—	Sí
Log-binomial	Correcto	Correcto	No (falla con frecuencia)
Poisson cruda	Correcto	Demasiado ancho (conservador)	Sí
Poisson con varianza robusta	Correcto	Correcto	Sí
Cox con varianza robusta	Correcto	Correcto	Sí

Cómo detectarlo al leer

Cuando leas un estudio transversal, tres verificaciones te dicen si hicieron bien el análisis. Primero, ¿qué medida reportan? Si el desenlace es común (digamos, más del 10%) y reportan un odds ratio interpretándolo como «veces más frecuente», desconfía: están sobrestimando. Deberían reportar razón de prevalencia.

Segundo, ¿mencionan el método en la sección de estadística? Frases como «regresión de Poisson con varianza robusta», «modelo log-binomial», «Cox con estimador de varianza robusta» o «GEE con enlace log» son la señal de que sabían lo que hacían. Su ausencia, cuando reportan RP ajustada, es una bandera amarilla.

Tercero, ¿los intervalos de confianza son plausibles? Si usaron Poisson pero no aclaran que aplicaron varianza robusta, sus IC pueden estar artificialmente anchos y sus conclusiones de «no significancia» pueden ser un artefacto del método, no un hallazgo real.

En una frase

En un estudio transversal reporta la razón de prevalencia, no el odds ratio; y para calcularla ajustada usa Poisson con varianza robusta: el punto estimado es correcto y —a diferencia de la Poisson cruda— el intervalo de confianza también.

Preguntas Frecuentes

¿Cuándo debo usar razón de prevalencia y no odds ratio?

En prácticamente todo estudio transversal, y especialmente cuando el desenlace es común (más del 10%). En esos casos el odds ratio se aleja de la razón de prevalencia y sobrestima la asociación. La RP se interpreta directamente como «cuántas veces más frecuente» y es lo que el lector espera entender.

¿Por qué no simplemente usar log-binomial, que es el modelo teóricamente correcto?

Porque falla en converger con frecuencia, sobre todo con desenlaces frecuentes y varias covariables. Cuando converge, es una opción válida y equivalente. Cuando no, la Poisson con varianza robusta da el mismo resultado sin problemas de convergencia. La estrategia práctica es intentar log-binomial primero y pasar a Poisson robusta como plan B.

¿La Poisson robusta sirve también para estimar riesgo relativo en cohortes?

Sí. Es exactamente lo que Zou describió en 2004 como «Poisson modificada» para estudios prospectivos con desenlace binario: estima directamente el riesgo relativo con intervalos de confianza correctos, y es fiable incluso con muestras tan pequeñas como 100.

¿Qué pasa si uso Poisson sin varianza robusta?

El punto estimado de la razón de prevalencia sale correcto, pero los intervalos de confianza quedan demasiado anchos. Puedes concluir erróneamente que no hubo asociación significativa cuando en realidad sí la había. La varianza robusta es el paso que no puedes saltarte.

La próxima semana, en la serie MBE 52 semanas: «Casos y controles: cómo elegir el control (y cómo arruinar el estudio eligiéndolo mal)».

Referencias

• Barros AJD, Hirakata VN. Alternatives for logistic regression in cross-sectional studies: an empirical comparison of models that directly estimate the prevalence ratio. BMC Medical Research Methodology. 2003;3:21. doi:10.1186/1471-2288-3-21. PMID: 14567763.
• Zou G. A modified Poisson regression approach to prospective studies with binary data. American Journal of Epidemiology. 2004;159(7):702-706. doi:10.1093/aje/kwh090. PMID: 15033648.

Revisado por el Dr. Jorge Enrique Rojas Rodríguez — Medicina Interna. Actualizado en agosto 2026.

---

Suscríbete a MedicinaCardiometabolica.com

Al suscribirte accedes a tres recursos que te ahorran horas cada semana:

• Colección de libros de medicina (~18 GB) para descargar y consultar.
• Resúmenes de papers acompañados del artículo original.
• Directorio de ensayos clínicos organizados por fármaco, para encontrar la evidencia en segundos.

Suscríbete en: buymeacoffee.com/drjorgerojas
Canal de WhatsApp: únete aquí

Aviso médico: este contenido tiene fines educativos y de actualización profesional para personal de salud. No sustituye el juicio clínico individual ni las guías locales vigentes. Las decisiones diagnósticas y terapéuticas deben individualizarse para cada paciente.

Dr. Jorge Enrique Rojas Rodríguez — MedicinaCardiometabolica.com