20: Gestión de datos
- Page ID
- 124132
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)
- 20.1: Introducción a la gestión de datos
- Todos los ensayos de intervención implican la recolección y manejo de datos, a menudo en grandes cantidades. Para aprovechar al máximo los datos del estudio, es importante haber trabajado a través de planes para la recolección, manejo y uso de los datos al principio de las etapas de planeación de un ensayo. En ediciones anteriores de Toolbox se discutió el papel y la elección de las computadoras en el manejo de los datos de los ensayos,
- 20.2: Antes de comenzar a recopilar datos
- Todos los ensayos necesitan recursos adecuados para recopilar datos e información, verificar la consistencia y calidad de los datos, y organizar los datos en una forma adecuada para su análisis. Es importante que todos los pasos del ensayo y el flujo de datos asociados se planifiquen antes de iniciar el ensayo, y se definan los recursos necesarios en cada paso.
- 20.3: Planear el flujo de datos
- Hay muchas ventajas al recopilar y almacenar datos de investigación electrónicamente. El almacenamiento electrónico de datos facilita la recuperación fácil, la generación más simple de informes de estudio, la fácil exportación a paquetes estadísticos y el intercambio rápido de datos. Los beneficios del almacenamiento electrónico de datos solo pueden realizarse completamente si la base de datos que almacena los datos está bien diseñada. Una base de datos mal diseñada conduce a un rendimiento deficiente, consultas de datos ineficientes, datos inexactos y poco confiables, y datos redundantes que son
- 20.4: Sistemas de recolección de datos
- En esta sección, revisamos algunas de las formas en que los datos pueden ser recolectados de los participantes y puestos en una base de datos electrónica.
- 20.5: Gestión de datos
- La gestión de datos es una tarea importante en la mayoría de los ensayos de intervención. Las principales etapas del proceso de gestión de datos son: ingresar los datos en un sistema informático verificando los datos en busca de errores e inconsistencias organizando los datos en una forma adecuada para el análisis archivando los datos.
- 20.6: Archivado
- Los nuevos datos se introducen diariamente en un centro de administración de datos y se toman muchas decisiones y cambios de datos diferentes. Es importante que estos se registren y documenten. Si ocurre un accidente (por ejemplo, un incendio en el centro de datos), estos cambios y decisiones podrían perderse y ser difíciles de recrear, con consecuencias potencialmente graves para la integridad del juicio. Esta sección asesora sobre algunas de las formas de realizar copias de seguridad y conservación de los datos, tanto para protección a corto plazo como para uso a largo plazo
- 20.7: Preparación de datos para su análisis
- Las “materias primas” para el análisis de datos son los archivos de datos creados por el proceso de gestión de datos. Sin embargo, las variables, registradas en el cuestionario e ingresadas a la base de datos como datos brutos, no siempre son las directamente adecuadas para el análisis de datos. Es probable que sea necesario recodificar y crear nuevas variables. Generalmente también es necesario combinar información de diferentes archivos de datos.