G*Power: importancia del tamaño muestral en análisis de series temporales

Abstract

Introducción: Los análisis de series temporales son especialmente útiles, sobre todo en disciplinas que requieren un seguimiento longitudinal minucioso. A pesar de su gran utilidad, son poco frecuentes en el campo de la psicología. Por este motivo, los autores de este trabajo utilizaron las series temporales para llevar a cabo un estudio sobre la adicción al tabaco. Los resultados mostraron que la conducta tabaquista seguía un modelo AR (2)(7)8, es decir, la muestra tenía una memoria de 56 días. El objetivo del presente trabajo es comprobar la potencia estadística y el tamaño del efecto del modelo que encontraron. Método: Dada la ausencia de información en la bibliografía previa, se realizó a posteriori un análisis de series temporales imitando los modelos encontrados en los estudios previos. Con la información obtenida, se calculó mediante el software G*Power si el tamaño muestral era suficientemente grande para tener un modelo con una buena potencia y un tamaño del efecto. Resultados: El output indica que se necesita un mínimo de 17 sujetos con 63 datos diarios cada uno (1071 datos en total) para tener un modelo con buena potencia estadística y un tamaño del efecto digno. Conclusión: Los análisis de series temporales tienen poca potencia, por lo que se necesitan registros con un número elevado de datos por sujeto. Además, la cantidad de sujetos para obtener una potencia y un tamaño del efecto adecuados debe ser verificado mediante estudios previos o, si no es posible, mediante análisis a posteriori.

Introduction: Time series analysis is particularly useful, especially in disciplines that require close longitudinal monitoring. Despite their great usefulness, its use is not common in fields such as psychology. For this reason, the authors of this work used time series to carry out a study on tobacco addiction. The results showed that tobacco behaviour followed an AR (2)(7) 8 model, that is, the sample had a 56-day memory. The objective of the present work is to verify the statistical power and the effect size of the model that they found. Method: Given the absence of information in the previous references, an analysis of time series was performed a posteriori imitating the models founded in the previous studies. It was calculated using G*Power software if our sample size is large enough to obtain a model with statistical power and a good effect size. Results: The output indicates that a minimum of 17 subjects are needed, with 63 data each day (a total of 1071 data) to obtain a model with a good statistical power and effect size. Conclusion: To sum up, we conclude with the affirmation that time series analysis has a poor statistical power, so samples for this type of analysis should be quite large. Furthermore, the ideal number of subjects to obtain an adequate statistical power and an effect size should be checked by a previous study or, if that is not possible, a posteriori analysis.