diff --git a/causal-inference/causal-inference_esp.html b/causal-inference/causal-inference_esp.html index b4066c1..b11eed1 100644 --- a/causal-inference/causal-inference_esp.html +++ b/causal-inference/causal-inference_esp.html @@ -253,7 +253,6 @@ - - +

Résumé

Ce guide présente l’idée du plan de pré-analyse (pre-analysis plan, PAP), propose un modèle et des questions d’orientation pour rédiger des plans de pré-analyse pour vos études et explique les utilisations d’un plan de pré-analyse. Des liens vers les registres de PAP avec des exemples de plans sont fournis à la fin de ce document.

diff --git a/power/power_esp.html b/power/power_esp.html index fdda4ba..84a8f61 100644 --- a/power/power_esp.html +++ b/power/power_esp.html @@ -479,10 +479,10 @@

6 Cómo las simulaciones nos puede ayudar a estimar el poder

powers[j] <- mean(significant.experiments) } powers -
##  [1] 0.214 0.316 0.382 0.400 0.496 0.628 0.642 0.688 0.710 0.736 0.768 0.854
-## [13] 0.878 0.898 0.834 0.924 0.944 0.928 0.936 0.958 0.978 0.984 0.966 0.988
-## [25] 0.990 0.976 0.980 0.990 0.994 0.998 0.994 0.992 0.994 0.992 0.994 1.000
-## [37] 0.998 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000
+
##  [1] 0.208 0.332 0.408 0.366 0.506 0.584 0.600 0.656 0.666 0.686 0.792 0.850
+## [13] 0.884 0.854 0.864 0.878 0.958 0.954 0.958 0.936 0.966 0.978 0.972 0.990
+## [25] 0.978 0.988 0.992 1.000 0.994 1.000 0.994 0.998 0.998 0.996 0.998 0.996
+## [37] 1.000 1.000 0.996 1.000 1.000 0.998 1.000 0.998 1.000 0.998 1.000 1.000

El código para esta simulación y otras está disponible aquí {target = "_blank"}. La simulación es una forma mucho más flexible e intuitiva de pensar el análisis de poder. Incluso los ajustes más pequeños a un diseño experimental son difíciles de capturar en una fórmula (agregar un segundo grupo de tratamiento, por ejemplo), pero son relativamente sencillos de incluir en una simulación.

Además de contar la frecuencia con la que sus experimentos resultan estadísticamente significativos, puede observar directamente la distribución de los valores p que son probables de obtener. El siguiente gráfico muestra que bajo estos supuestos, se puede esperar obtener unos cuantos valores p en el rango de 0.01, pero ese 80% estará por debajo de 0.05.

7 Cómo modificar el diseño de un experimento para mejorar el poder ==

@@ -536,6 +536,1310 @@

10 Un buen análisis de poder facilita el pre-registro

+ diff --git a/randomization/randomization_esp.html b/randomization/randomization_esp.html index a5c0103..d4c98f9 100644 --- a/randomization/randomization_esp.html +++ b/randomization/randomization_esp.html @@ -514,6 +514,1310 @@

10 A veces la aleatorización puede ser una forma ética de asignar un trata + diff --git a/x-cause-y/x-cause-y_esp.html b/x-cause-y/x-cause-y_esp.html index 1bde608..9ba0839 100644 --- a/x-cause-y/x-cause-y_esp.html +++ b/x-cause-y/x-cause-y_esp.html @@ -443,6 +443,1310 @@

10. Estrategias de entrada (Front-door strategies) (Argumento de mecanismos) +