Saltar al contenido principal
LibreTexts Español

8.4: Antecedentes- El enfoque general

  • Page ID
    151468
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    El procedimiento general de detección/rechazo de artefactos es bastante sencillo. Para cada participante, se aplica un algoritmo de detección de artefactos a los datos de EEG de época. Ese algoritmo determina qué épocas contienen artefactos, y esas épocas están “marcadas” o “marcadas”. Cuando computas los ERP promediados, esas épocas simplemente se excluyen de los promedios.

    Hay dos clases principales de enfoques para determinar qué épocas deben marcarse. El enfoque que prefiero implica conocer tanto como sea posible sobre la naturaleza de los artefactos (por ejemplo, la típica forma de onda y distribución del cuero cabelludo de un parpadeo) y diseñar algoritmos que se adapten a esos artefactos. El otro enfoque consiste en preguntar qué épocas son extremas o inusuales en un sentido estadístico. No me gusta tanto este enfoque estadístico porque no está claro que las épocas “raras” sean necesariamente problemáticas. ¿Cuántas películas has visto sobre estudiantes de secundaria en las que los estudiantes “populares” rechazaron a niños que parecían “raros” pero que en realidad eran bastante encantadores? Simplemente no me gusta la idea de rechazar juicios que parecen “raros” pero que en realidad podrían ser encantadores.

    Sospecho que los dos enfoques en realidad terminan marcando principalmente las mismas épocas de rechazo, por lo que puede que no importe qué enfoque uses al final. Y el factor más importante a la hora de decidir qué enfoque tomar es tener una comprensión clara del objetivo final del rechazo de artefactos. Como se describe en el capítulo anterior, el objetivo final es responder con precisión a la pregunta científica que el experimento fue diseñado para abordar. Entonces, adelante y usa enfoques estadísticos para marcar épocas para el rechazo si eso te lleva a este objetivo. Además, cada área de investigación es diferente, por lo que debe sentirse libre de ignorar cualquiera de mis consejos específicos si tiene una mejor manera de responder con precisión a sus preguntas científicas.

    Como se describe en detalle en el Capítulo 6 de la Suerte (2014), propongo establecer los parámetros de detección de artefactos individualmente para cada participante. En el presente capítulo, le mostraré cómo seleccionar manualmente los parámetros apropiados. También hay enfoques completamente automatizados para seleccionar los parámetros (por ejemplo, Jas et al., 2017; Nolan et al., 2010). Yo no he usado esos enfoques, pero me parecen bastante razonables. Sin embargo, muchas personas que utilizan estos enfoques de manera regular recomiendan verificar que los parámetros están funcionando bien y no solo aceptarlos ciegamente. Entonces, estos enfoques terminan por no ser completamente automáticos. Una participante de ERP Boot Camp, Charisse Pickron, sugirió otro excelente uso para los algoritmos automatizados: Cuando aprendes por primera vez a establecer parámetros de detección de artefactos, puedes verificar tus parámetros con los parámetros automatizados para que tengas más confianza en los parámetros que has establecido.

    Algunos participantes tienen tantos artefactos que queda un número insuficiente de pruebas para crear formas de onda ERP promedio limpias. El procedimiento estándar es excluir a esos participantes de los análisis finales. No obstante, se debe tener un criterio objetivo, a priori de exclusión. De lo contrario, probablemente sesgarás tus resultados (como se explica en el cuadro de texto a continuación). En la investigación de ciencias básicas de mi laboratorio, siempre excluimos a los participantes si más del 25% de los ensayos son rechazados por artefactos (agregados entre condiciones). En nuestra investigación sobre esquizofrenia, donde los datos son más ruidosos y los participantes son mucho más difíciles y costosos de reclutar, excluimos a los participantes si se rechaza más del 50% de los ensayos. Aplicamos estos criterios de manera rígida en todos los estudios, sin falta. Un criterio diferente podría tener sentido en tu investigación. Solo asegúrate de que el criterio sea objetivo y determinado antes de ver los datos.

    A pesar de que este capítulo se centra en detectar y rechazar artefactos, me gustaría animarles a que comiencen a pensar en artefactos antes de grabar el EEG. Este consejo se desprende de algo que llamo Axioma de Hansen: “No hay sustituto para los datos limpios” (ver Luck, 2014). Es mucho mejor minimizar los artefactos durante la grabación en lugar de intentar rechazarlos o corregirlos después. Las estrategias para minimizar los artefactos se describen en el Capítulo 6 de Suerte (2014).

    Excluir a los participantes es peligroso!

    Imagina que ejecutas un experimento, y tu análisis estadístico clave arroja un valor de p de .06 (¡el número más odiado en la ciencia!). Pasaste dos años dirigiendo el estudio, y el efecto va en la dirección predicha, pero sabes que no puedes publicarlo si el efecto no es estadísticamente significativo. Dados los millones de pasos que implica un experimento ERP, podrías volver a revisar tus datos para asegurarte de que no hubo un error en el análisis. E imagina que encuentras que el 80% de los ensayos fueron rechazados para uno de los participantes, lo que lleva a datos increíblemente ruidosos. Usted concluiría (muy razonablemente) que este participante no debió haber sido incluido en los análisis finales. Entonces, repites los análisis sin este participante, y ahora el valor p es .03. ¡Aleluya! Ya puedes publicar este importante estudio.

    Ahora imagina que el valor de p era originalmente .03, así que no tienes razón para volver a través de todos los datos. E imagina que tu muestra final incluyó a un participante con 80% de ensayos rechazados y datos muy ruidosos. E imagínese además que excluir a este participante conduciría a un valor de p de .06. Pero debido a que el efecto fue significativo en el análisis inicial, no tenías razón para volver a través de los datos, por lo que no te darías cuenta de que este participante debió haber sido excluido. Y aunque lo hicieras, ¿realmente tendrías la fuerza intestinal para excluir al participante, aunque esto signifique que tu valor p es ahora de .06?

    Este ejemplo muestra por qué se necesita un criterio a priori para excluir a los participantes. Si decides a quién excluir después de haber visto los resultados del experimento, es más probable que notes y excluyas a los participantes cuando mejora tu valor de p (porque era >.05 antes de excluir a los participantes) que cuando empeora tu valor p (porque no te das cuenta participantes que deben ser excluidos cuando p < .05). Como resultado, esto crea un sesgo para encontrar p < .05 incluso cuando no hay un efecto verdadero. Entonces, debes desarrollar un criterio a priori para excluir a los participantes antes de ver los resultados.


    This page titled 8.4: Antecedentes- El enfoque general is shared under a CC BY 4.0 license and was authored, remixed, and/or curated by Steven J Luck directly on the LibreTexts platform.