ANALISIS MULTIVARIADO

Jorge Fernández M.
 ANALISIS MULTIVARIADO
• Es un instrumento para determinar la
relativa contribución de diferentes causas
para un único evento.
¿PORQUE SE HACE ANALISIS
MULTIVARIADO?
o Muchos eventos políticos, sociales, médicos o
personales tienen múltiples causas.
o Estas causas están relacionadas unas a otras.
o Los clínicos necesitamos análisis multivariados ya
que muchas enfermedades tienen múltiples causas.
o El pronostico de una enfermedad esta usualmente
determinado por un gran número de factores.
o Incluso si se conoce que una enfermedad infecciosa
sea causado por un único patógeno, varios factores
afectan para que el individuo se enferme, como por
ejemplo, características del patógeno, ruta de la
exposición, tamaño del inóculum, y al respuesta del
huésped.
 ¿PORQUE SE HACE ANALISIS
MULTIVARIADO?
• La naturaleza multifacetica de factores de riesgo,
pueden contribuir a un resultado o un evento.
• Por ejemplo: existiría factores de riesgo para prematura
mortalidad; como: Fumar, sedentarismo, obesidad,
hiperlipidemia e HTA.
• No se puede decir que estos factores causan mortalidad
prematura. La estadística solo prueba que una relación
entre un factor y el resultado es causal.
• La causalidad se establece en base a una plausibilidad
biológica y rigurosos diseños de estudios libre de
sesgos.
 ¿Cómo un análisis multivariable separa la contribución
independiente de cada uno de los factores?

• Por ejemplo: Muchos estudios han

demostrado que personas que hacen
ejercicios viven mas que personas
sedentarias
• Es mas probable que las personas que
hacen mas ejercicios fumen menos y
coman menos grasa,.
 ¿Cómo un análisis multivariable separa la contribución
independiente de cada uno de los factores?

El grupo que hace mas ejercicios, tiene menos probabilidad de morir, durante el periodo de estudio, y son
mas jóvenes, tienen menor PA, mas bajo colesterol y y en menor proporción fumaban.
 ¿Cómo un análisis multivariable separa la contribución
independiente de cada uno de los factores?

No hacer ejercicios esta asociado con mas alta mortalidad, independiente de los efectos de otros
conocido factores de riesgo para mortalidad, tales como fumar, HTA, colesterol elevado y historia familiar.
 ANALISIS ESTRATIFICADO
• Otras forma de analizar el efecto del factor de
riesgo en el resultados es el análisis
estratificado.
• El análisis estratificado evalúa el efecto de un
factor de riesgo en el resultado mientras
mantiene constante la otra variable.
• Para ello se compara el hacer ejercicio y no
hacer ejercicio entre fumadores y no fumadores.
 ANALISIS ESTRATIFICADO
Fallecidos Vivos
Ejercicio
No ejercicio

Fumadores No Fumadores
Fallecidos Vivos Fallecidos Vivos

Ejercicio Ejercicio
No ejercicio No ejercicio

No Fumadores con
Fumadores con
alto colesterol
bajo colesterol
Fallecidos Vivos Fallecidos Vivos

Ejercicio Fumadores con No Fumadores con Ejercicio

Alto colesterol bajo colesterol
No ejercicio No ejercicio

Fallecidos Vivos Fallecidos Vivos

Ejercicio Ejercicio

No ejercicio No ejercicio
 ANALISIS MULTIVARIADO
• El Análisis multivariable supera esta
limitación.
• Simultáneamente evalúa el impacto de
múltiples variables independientes en el
resultado.
• Pero siempre hay un costo y el modelo
asume la naturaleza de los datos.
 Confusores
• Un confusor esta asociado con el factor riesgo y
causalmente relacionado con el resultado
• Confusión ocurre cuando la aparente asociación
entre un factor de riesgo y el resultado esta
afectado por la relación de una tercera variable
al factor de riesgo y el resultado.

Llevar Fósforos
Cáncer de Pulmón

Fumar
 Confusores
• El análisis estratificado se puede usar para evaluar y eliminar el
confusor.
• Si se estratifica por el estatus de fumar, se hallará que llevar
fósforos no esta asociado con cáncer de pulmón.
• La evidencia estadística de la presencia del confundente es la
diferencia entre el análisis no estratificado y el análisis estratificado.
• En el análisis no estratificado.
Cancer No Cancer
Chi2: < 0.05
Llevar Fósforos
OR: >1
No llevar Fósforos

Fumar No Fumar
Cancer No Cancer Cancer No Cancer
Llevar Fósforos
Llevar Fósforos
No llevar Fósforos
No llevar Fósforos

Chi2: > 0.05 OR = 1 Chi2: > 0.05 OR = 1

 USOS COMUNES DE LOS
MODELOS MULTIVARIADOS
MODELOS EXPLOTARIOS O MODELOS ETIOLOGICOS

• Identificar factores de riesgo mientras se ajusta para potenciales confundentes

• Ajustar para diferencias en las características basales.

MODELOS PREDICTIVOS

• Determinar el diagnóstico (Modelos de diagnóstico)

• Determinar pronóstico (Modelos pronósticos .

Construir Modelos diagnósticos
• Use el modelo multivariado para
determinar la mejor combinación de la
información diagnóstica
• Puede usarse para construir algoritmos
diagnósticos de probabilidades.
• Ej: dolor pecho: 4.5 +EKG: 0.9+ CPK: 0.4
me daría la probabilidad total
De esa forma se podría usar como test Dx
 Determinación de Pronóstico
• Modelos pronósticos provee validos
estimados de riesgos únicamente para
pacientes con características similares en
la población de estudio.
 Tipos de variable resultados y la
elección del modelo multivariado.
Tipo de resultado Ejemplo de variable
resultados
Variable Continua PA,. Peso y T°
Variable dicotómica Muerte, cáncer, admisión a UCI.
Ocurrencia de eventos Tiempo de ocurrencia del
dicotómicos en el tiempo evento de fallecer, tiempo de
ocurrencia del evento de
cáncer.
Clasificación funcional de la ICC
Variable ordinal
Variable Nominal Causas de muerte
Tipo de análisis
multivariado
Regresión linear múltiple;
análisis de varianza ANOVA,
ANCOVA, MANOVA
(Y procedimientos relacionados)
Regresión logística múltiple
Análisis proporcional de riesgos
(Proportional hazards analysis)
o REGRESION DE COX
Odds Proporcional (regresión
logística adaptada)
Regresión logística politómica
 VARIABLES A INCLUIR O EXCLUIR EN MODELOS
MULTIVARIABLES

Que Incluir Que excluir

Factor (es) de Riesgo Variables extrañas (Variables no
causales para el resultado)

Potencial confundentes. Basados en Variables redundantes

la teoría, Investigación previa o
descubrimientos empíricos
Variables con datos perdidos
(magnitudes importantes)
Variables intervinientes (Variables que
están en la vía causal entre el factor
de riesgo y el resultado)

Incluya en su modelo variables independientes que están

asociadas con el factor de riesgo y el resultado en el análisis
bivariado.