Una concepción topológica del ‘bootstrap’ permite la demostración del sesgo de Berkson en epidemiología nutricional / A topological conception of ‘bootstrap’ proofs Berkson bias in nutritional epidemiology

RESUMEN

Introducción: El núcleo semántico común para todos los usos del término ‘bootstrap’ es la realización de una tarea compleja mediante la práctica de un gesto sencillo (un individuo y su caballo pueden dar un gran salto después de que tan sólo el jinete se haya tirado de los cordones de las botas). El ‘bootstrapping’ es un método estadístico diseñado para la estimación de la distribución muestral de un estimador mediante remuestreo con reemplazamiento. Metodología: Intentando compensar las debilidades epistemológicas del cálculo del tamaño muestral, se deben obtener por parte de los investigadores, los valores más pequeños posibles del error relativo muestral o de efecto diseño. Por otro lado, nosotros podemos también crear un universo virtual (UV) ubicando topológicamente las muestras obtenidas mediante ‘bootstrap’. Resultados: El tamaño de UV será aproximadamente igual al número de repeticiones multiplicado por el tamaño de la muestra original. En términos frecuentistas podemos emitir una hipótesis de igualdad (H0) y otra de desigualdad (H1) entre nuestro UV y la población real (PR) de donde proviene la muestra primitiva. Para sustentar estas hipótesis hemos desarrollado un ejercicio práctico de demostración del sesgo de Berkson en un diseño de casos y controles mediante bootstrap. Conclusión: Nosotros defendemos una concepción topológica del remuestreo con ‘bootstrap’ que permite ampliar el esquema jerárquico de validación externa propuesta por Justice y cols. a un nivel 0.1 tan sólo con la realización del efecto simulador en el paquete de datos del estudio primitivo. Este concepto permite la demostración del sesgo de Berkson en epidemiología nutricional (AU)

ABSTRACT

Introduction: The common semantic core for all uses of ‘bootstrapping’ is the realization of a complex task by practicing a simple gesture (an individual and his horse can take a big leap after only rider has been thrown the bootlaces). The ‘bootstrapping’ is a statistical method designed to estimate the sampling distribution of an estimator by re-sampling with replacement. Methodology: Trying to compensate for epistemological weaknesses of sample size calculations should be obtained by the researchers the smallest possible values of the sampling relative error or design effect. On the other hand, we can also create a virtual universe (VU) by a topological placing of samples obtained by ‘bootstrap’. Results: VU size will be approximately equal to the number of repeats multiplied by the size of the original sample. In frequentist terms we can issue an equality hypothesis (H0) and another of inequality (H1) between our VU and the actual population (AP) from which comes the sample. To support these hypotheses we have developed a practical demonstration of Berkson bias in a case-control design by bootstrap resampling. Conclusion: We stand for a topological concept of resampling with ‘the bootstrap’ that can extend the hierarchic external validation scheme proposed by Justice et al. to a 0.1 level just to the embodiment of the simulator effect on the original data package study (AU)