La potencia estadística responde una pregunta que todo investigador debería hacerse antes de recolectar datos: si el efecto que busco es real, ¿qué tan probable es que mi estudio realmente lo encuentre? Los estudios subpotenciados son uno de los errores más comunes — y más evitables — en la investigación aplicada, produciendo resultados de "sin diferencia significativa" que en realidad son simplemente "no hay suficientes datos para saberlo". Esta calculadora ejecuta el análisis de potencia estándar de aproximación z para una comparación de dos muestras en ambas direcciones: potencia a partir de un tamaño de muestra planeado, o el tamaño de muestra necesario para alcanzar una potencia objetivo.
Cómo funciona la calculadora
La potencia depende de cuatro factores que tiran unos contra otros: el tamaño de efecto que intentas detectar, tu nivel de significancia (α), tu tamaño de muestra, y si la prueba es de una o dos colas. Manteniendo los demás fijos, la potencia aumenta a medida que crece el tamaño de efecto, crece el tamaño de muestra, o α se relaja (se hace menos estricto). Esta calculadora combina esas cuatro entradas en un solo parámetro de no centralidad — qué tan lejos empuja el efecto real la distribución muestral respecto a la hipótesis nula — y lee la potencia resultante de la curva normal estándar. Asume dos grupos independientes de igual tamaño, el diseño más común en la investigación comparativa (pruebas A/B, ensayos de tratamiento contra control, comparaciones antes/después con un grupo de control).
Por qué el 80% de potencia es la convención
El influyente libro de análisis de potencia de Jacob Cohen de 1988 propuso el 80% como un equilibrio predeterminado razonable: suficiente potencia para que un efecto real tenga más probabilidades de ser encontrado que pasado por alto, sin exigir una muestra impracticablemente grande. Esa convención se mantuvo, y la mayoría de las revistas, revisores de subvenciones y juntas de revisión institucional ahora esperan que se reporte o planifique al menos un 80% de potencia. Algunos campos — especialmente los ensayos clínicos, donde un efecto pasado por alto puede significar que un tratamiento efectivo se archive — impulsan un 90% de potencia en su lugar, aceptando el mayor tamaño de muestra requerido como el costo de una tasa de falsos negativos más baja.
Límites y casos extremos
Esta calculadora usa una aproximación z, que es precisa para muestras razonablemente grandes pero sobrestima ligeramente la potencia para muestras muy pequeñas en comparación con un cálculo exacto basado en la distribución t (la brecha se reduce rápidamente a medida que n crece más allá de aproximadamente 20-30 por grupo). También asume tamaños de grupo iguales, un resultado continuo con datos aproximadamente normales y de varianza igual, y un diseño entre sujetos (grupos independientes) — no es la herramienta correcta para diseños pareados/de medidas repetidas, proporciones, ANOVA con más de dos grupos, o regresión, cada uno de los cuales tiene su propia fórmula de potencia. Trata el resultado como una estimación de planificación: la deserción en el mundo real, los tamaños de grupo desiguales y los supuestos violados reducen la potencia efectiva por debajo de lo que reporta la calculadora.