Capítulo 6 — Recogida y análisis de datos

Mapa de la lección

Lección 06 publicada. Mapa, ejemplo, EX034.

flowchart TD
  N0["Resultados de aprendizaje y conexión"]
  N1["6.1 Recoger datos con linaje"]
  N2["6.2 El modelo de serie temporal interrumpida control"]
  N3["6.3 Autocorrelación e intervalos robustos"]
  N4["6.4 Las ventanas placebo como evidencia"]
  N5["6.5 Actividad práctica: el análisis cuantitativo pri"]
  N6["6.6 La vertiente cualitativa"]
  N7["6.7 Integración: la presentación conjunta"]
  N0 --> N1 --> N2 --> N3 --> N4 --> N5 --> N6 --> N7
  N7 --> EX["Ejemplo resuelto"]
  EX --> Q["Ejercicio EX034"]

Dibujo lógico

flowchart LR
  N0["Resultados de aprendizaje y conexión"]
  N1["6.1 Recoger datos con linaje"]
  N2["6.2 El modelo de serie temporal interrumpida control"]
  N3["6.3 Autocorrelación e intervalos robustos"]
  N4["6.4 Las ventanas placebo como evidencia"]
  N5["6.5 Actividad práctica: el análisis cuantitativo pri"]
  N6["6.6 La vertiente cualitativa"]
  N7["6.7 Integración: la presentación conjunta"]
  N0 --> N1 --> N2 --> N3 --> N4 --> N5 --> N6 --> N7 --> Q["EX034"]

[Resultados de aprendizaje y conexión]
    |
    v
[6.1 Recoger datos con linaje]
    |
    v
[6.2 El modelo de serie temporal interrumpida control]
    |
    v
[6.3 Autocorrelación e intervalos robustos]
    |
    v
[6.4 Las ventanas placebo como evidencia]
    |
    v
[6.5 Actividad práctica: el análisis cuantitativo pri]
    |
    v
[6.6 La vertiente cualitativa]
    |
    v
[6.7 Integración: la presentación conjunta]
    |
    v
[Ejemplo resuelto] --> [Ejercicio EX034]

Resultados de aprendizaje y conexión

Al final de este capítulo, el estudiante será capaz de:

1. Ejecutar un procedimiento de recogida de datos que preserve el linaje: cada archivo recibido, auditado, congelado y trazable hasta el análisis que lo usó.
2. Especificar y ajustar un modelo de serie temporal interrumpida controlada mediante regresión segmentada e interpretar cada coeficiente.
3. Diagnosticar la autocorrelación de los residuos y calcular intervalos robustos a la autocorrelación (Newey–West), informando de cómo les afecta la elección del retardo.
4. Usar las ventanas placebo como evidencia basada en rangos y enunciar el menor valor p que puede producir un número dado de placebos.
5. Realizar y analizar entrevistas con un análisis temático documentado, y usar el acuerdo entre codificadores como una comprobación reflexiva y no como una garantía.
6. Integrar las vertientes cuantitativa y cualitativa en una presentación conjunta, nombrando dónde se confirman, se amplían o entran en conflicto.

Este capítulo ejecuta el plan fijado en los capítulos 3 y 5 y enfrenta con los datos a los rivales del capítulo 4. El capítulo 7 escribe lo que encuentra; el capítulo 8 lo defiende.

6.1 Recoger datos con linaje

Cada cifra de la tesis debe poder rastrearse hasta un archivo, un script y una versión. Un procedimiento mínimo para cada extracto:

1. Recibir por el canal indicado en el acuerdo de datos; nunca por correo electrónico personal.
2. Registrar en un registro de datos el nombre del archivo, el remitente, la fecha de recepción y una suma de comprobación criptográfica (por ejemplo, SHA-256).
3. Almacenar el original en modo de solo lectura en la zona restringida (los niveles del capítulo 3).
4. Auditar con el script del laboratorio 5; enviar los hallazgos al custodio; registrar sus respuestas en el libro de códigos.
5. Congelar: cuando un extracto supera la auditoría, registrar su suma de comprobación como la versión de análisis. Los archivos derivados solo se producen mediante scripts a partir de entradas congeladas.
6. Capturar las fuentes públicas (aquí, el panel de Wexmoor) con la fecha de captura, porque los paneles se revisan.

El Estudio de Desbordamiento recibió agregados diarios para los días −180 a +89 de tres custodios y capturó la serie de Wexmoor del panel regional en una fecha registrada. Todos superaron la auditoría tras una ronda de correcciones, y los días de interrupción señalados por los custodios se registraron en el libro de códigos. (El generador del laboratorio no simula días de interrupción, así que los laboratorios analizan todos los días).

6.2 El modelo de serie temporal interrumpida controlada

Para cada SU vecino, el resultado del día t es el cociente logarítmico de sus llegadas respecto de las llegadas agrupadas de Wexmoor:

yₜ = log(Aₜ + 0.5) − log(Wₜ + 0.5) = β₀ + β₁·t + β₂·Dₜ + β₃·Pₜ + eₜ

donde Dₜ = 1 durante la ventana de desvío (días 0–20) y Pₜ = 1 después de ella (días 21–89). Lectura de los coeficientes:

• β₀, β₁: el nivel y la tendencia lineal del cociente antes del evento. Si las regiones tratada y de comparación comparten la estación, el cociente es aproximadamente plano aunque cada serie no lo sea.
• β₂: el cambio del cociente logarítmico durante el desvío, en relación con la tendencia proyectada. exp(β₂) − 1 es el cambio porcentual estimado, la estimación primaria.
• β₃: el cambio tras el fin del desvío, que absorbe cualquier cola para que los días posteriores al evento no contaminen la tendencia.

Las elecciones y sus razones, todas fijadas en el plan de preanálisis: el cociente logarítmico trata los efectos como multiplicativos, lo que conviene a recuentos cuya variabilidad crece con su nivel, y elimina los patrones compartidos de día de la semana y de estación; sumar 0,5 evita log(0) en recuentos muy pequeños y tiene un efecto despreciable con estos volúmenes; una tendencia lineal sobre 180 días capta la deriva lenta sin perseguir el ruido; un escalón posterior a la ventana separado evita suponer que el sistema vuelve a su tendencia el mismo día en que termina el desvío. Lopez Bernal, Cummins and Gasparrini (2017) ofrecen un tutorial sobre la regresión segmentada para STI, que incluye la necesidad de especificar de antemano el modelo de impacto (un escalón, un cambio de pendiente o ambos); el Estudio de Desbordamiento preespecificó un escalón.

6.3 Autocorrelación e intervalos robustos

Las series operativas diarias rara vez son independientes de un día a otro: a un día con mucha actividad puede seguirle otro igual. Los coeficientes de mínimos cuadrados ordinarios siguen siendo insesgados con autocorrelación, pero sus errores estándar habituales son erróneos: normalmente demasiado pequeños cuando la autocorrelación es positiva. Hay dos respuestas comunes:

1. Diagnosticar: inspeccionar la autocorrelación de los residuos en los retardos 1 y 7, o calcular el estadístico de Durbin–Watson (Durbin and Watson, 1950); los valores cercanos a 2 sugieren poca autocorrelación de primer orden.
2. Hacer robusta la inferencia: usar errores estándar consistentes ante heterocedasticidad y autocorrelación (HAC), como el estimador de Newey–West (1987), que pondera los productos cruzados de los residuos hasta un retardo elegido L con pesos de Bartlett decrecientes 1 − l/(L + 1). Otra opción es modelar directamente el proceso de error (por ejemplo, con errores ARIMA), como analizan Lopez Bernal et al.

El Estudio de Desbordamiento preespecificó Newey–West con retardo 7 (una semana, en consonancia con el ciclo semanal) y un análisis de sensibilidad con retardos 0 y 14. En Alder Point, los residuos mostraron una autocorrelación de 0,03 en el retardo 1, de −0,12 en el retardo 7 y un estadístico de Durbin–Watson de 1,92: la autocorrelación es débil, así que el intervalo robusto no debería diferir mucho del ingenuo, y no difiere (EX034).

6.4 Las ventanas placebo como evidencia

El capítulo 4 presentó las pruebas de placebo en el tiempo. Aquí se precisan: ajuste el mismo modelo a ventanas ficticias de 21 días situadas en la línea de base, usando solo datos anteriores al evento real, y registre cada «efecto» ficticio. Si la estimación real es mayor que las k estimaciones placebo, su rango es 1 de k + 1 y, bajo el supuesto de que la ventana real es intercambiable con las ficticias, la probabilidad unilateral de un rango tan extremo por azar es 1/(k + 1). Con 15 placebos, el menor valor alcanzable es 1/16 = 0,0625. Por tanto, las pruebas de placebo no pueden alcanzar 0,05 con menos de 19 ventanas (ni quedar por debajo con menos de 20), sean cuales sean los datos; informe del rango, no de un valor p engañoso. Las ventanas placebo tienen además una debilidad: los ajustes cercanos al inicio de la serie descansan en periodos previos cortos y son más ruidosos que el ajuste real, lo que hace conservadora la prueba.

6.5 Actividad práctica: el análisis cuantitativo principal

Guarde el laboratorio 4 como lab4_data.py y el archivo siguiente como lab6_its.py en la misma carpeta (el laboratorio 8 lo importa). Implementa los mínimos cuadrados por eliminación de Gauss–Jordan, los errores estándar de Newey–West y la STI controlada del §6.2, la ajusta para cada vecino frente a Wexmoor agrupado, ejecuta 15 ventanas placebo por centro y ajusta una STI no controlada para el tiempo de espera de Alder Point.

# Lab 6 - controlled interrupted time series with autocorrelation-robust intervals (offline)
# Save Lab 4 as lab4_data.py in the same folder first. Save this file as lab6_its.py (Lab 8 imports it).
import math
from lab4_data import make_region, DAYS

def solve(A, b):                                   # Gauss-Jordan with partial pivoting
    n = len(A)
    M = [row[:] + [b[i]] for i, row in enumerate(A)]
    for c in range(n):
        p = max(range(c, n), key=lambda r: abs(M[r][c]))
        M[c], M[p] = M[p], M[c]
        for r in range(n):
            if r != c:
                f = M[r][c] / M[c][c]
                M[r] = [x - f * y for x, y in zip(M[r], M[c])]
    return [M[i][n] / M[i][i] for i in range(n)]

def inverse(A):
    n = len(A)
    cols = [solve(A, [1.0 if i == j else 0.0 for i in range(n)]) for j in range(n)]
    return [[cols[j][i] for j in range(n)] for i in range(n)]

def ols_nw(X, y, lag=7):
    k = len(X[0])
    XtX = [[sum(r[i] * r[j] for r in X) for j in range(k)] for i in range(k)]
    beta = solve(XtX, [sum(r[i] * v for r, v in zip(X, y)) for i in range(k)])
    e = [v - sum(b * x for b, x in zip(beta, r)) for r, v in zip(X, y)]
    S = [[0.0] * k for _ in range(k)]
    for l in range(lag + 1):                         # Newey-West with Bartlett weights
        w = 1.0 if l == 0 else 1 - l / (lag + 1)
        for t in range(l, len(y)):
            for i in range(k):
                for j in range(k):
                    v = e[t] * e[t - l] * X[t][i] * X[t - l][j]
                    S[i][j] += w * (v if l == 0 else v + e[t] * e[t - l] * X[t - l][i] * X[t][j])
    B = inverse(XtX)
    V = [[sum(B[i][a] * S[a][b] * B[b][j] for a in range(k) for b in range(k)) for j in range(k)] for i in range(k)]
    return beta, [math.sqrt(V[i][i]) for i in range(k)], e

def design_row(t, start, ev_len):
    return [1.0, t / 100, 1.0 if start <= t < start + ev_len else 0.0, 1.0 if t >= start + ev_len else 0.0]

def fit(treated, control, days, start, ev_len):
    """log(treated) - log(control) = b0 + b1*t + b2*[event window] + b3*[after window]; b2 as % change."""
    X = [design_row(t, start, ev_len) for t in days]
    y = [math.log(treated[t] + 0.5) - math.log(control[t] + 0.5) for t in days]
    beta, se, _ = ols_nw(X, y)
    b, s = beta[2], se[2]
    return math.exp(b) - 1, math.exp(b - 1.96 * s) - 1, math.exp(b + 1.96 * s) - 1

def cits(treated, control, pre_len=180, ev_len=21, post_end=89, drop=frozenset()):
    days = [t for t in range(-pre_len, post_end + 1) if t not in drop]
    return fit(treated, control, days, 0, ev_len)

def placebo(treated, control, ev_len=21, first=-150, last=-28, step=7):
    """Fake event windows inside the baseline; each fit uses only days before the real event."""
    out = []
    for s in range(first, last - ev_len + 1, step):
        days = range(-180, s + ev_len + 7)
        out.append(fit(treated, control, days, s, ev_len)[0])
    return out

if __name__ == "__main__":
    d = make_region()
    comp = {t: d["W1"][t] + d["W2"][t] for t in DAYS}
    print("site  effect  95% interval        placebo_min  placebo_max  rank")
    for s in ("AP", "BF", "CG"):
        est, lo, hi = cits(d[s], comp)
        pl = placebo(d[s], comp)
        rank = 1 + sum(p >= est for p in pl)
        print(f"{s:4}  {est:+.3f}  ({lo:+.3f}, {hi:+.3f})  {min(pl):+11.3f}  {max(pl):+11.3f}  {rank}/{len(pl) + 1}")
    # secondary outcome: AP median minutes to provider, uncontrolled ITS with linear trend (no comparison)
    rows, y = [], []
    for t in DAYS:
        rows.append([1.0, t / 100, 1.0 if 0 <= t <= 20 else 0.0, 1.0 if t > 20 else 0.0])
        y.append(d["AP_wait"][t])
    beta, se, _ = ols_nw(rows, y)
    print(f"AP wait: event-window change {beta[2]:+.1f} min (95% interval {beta[2] - 1.96 * se[2]:+.1f} to {beta[2] + 1.96 * se[2]:+.1f})")

Salida esperada (menos de un segundo):

site  effect  95% interval        placebo_min  placebo_max  rank
AP    +0.244  (+0.067, +0.449)       -0.190       +0.166  1/16
BF    +0.058  (-0.067, +0.199)       -0.137       +0.255  8/16
CG    +0.008  (-0.093, +0.121)       -0.104       +0.242  9/16
AP wait: event-window change +5.9 min (95% interval +2.6 to +9.2)

Interpretación, redactada como la enunciaría el capítulo de resultados de la tesis:

• PI1, Alder Point (6 km). Las llegadas en ambulancia durante el desvío fueron un 24,4 % superiores a lo esperado según la tendencia previa al evento y el cambio concurrente de Wexmoor (intervalo del 95 %: del 6,7 % al 44,9 %). La estimación superó las 15 estimaciones placebo (rango 1 de 16). El valor verdadero del generador es el 22 %; la estimación se acerca, pero el intervalo es amplio, en consonancia con la advertencia del laboratorio 3 sobre la precisión en un solo SU.
• PI1, Brookfield (14 km). +5,8 % (de −6,7 % a +19,9 %); rango 8 de 16. Los datos son compatibles con ningún cambio y con un cambio de alrededor del 20 %. El valor verdadero era el 10 %: el estudio no detectó un efecto que existe. La afirmación honesta es «no concluyente», nunca «sin efecto».
• PI1, Calloway (38 km). +0,8 % (de −9,3 % a +12,1 %); rango 9 de 16. Compatible con ningún cambio; los aumentos superiores a alrededor del 12 % son improbables según el modelo.
• PI2, distancia. Las estimaciones puntuales disminuyen con la distancia (24,4 %, 5,8 %, 0,8 %), en consonancia con una transferencia de carga concentrada en el SU más cercano. Los intervalos de Brookfield y Calloway se solapan mucho, así que los datos no pueden decir si el descenso es gradual o se limita al hospital más cercano.
• Resultado secundario, tiempo de espera en Alder Point. +5,9 minutos durante el desvío (de 2,6 a 9,2). Este modelo no tiene serie de comparación, porque Wexmoor no publica tiempos de espera; por tanto, la estimación incluye cualquier saturación estacional. En el generador sintético, la estación añade hasta 3 minutos y el efecto verdadero del desvío es de 4 minutos; la estimación combina ambos. La tesis debe decir que la estimación del tiempo de espera está confundida por la estación y que probablemente exagera la contribución del desvío.

6.6 La vertiente cualitativa

6.6.1 Muestreo y entrevistas

PI3 pregunta cómo se redistribuyó la carga, algo que solo pueden contar las personas implicadas. El muestreo es intencional: la dirección de los SU de cada vecino, los supervisores de operaciones y de despacho de los SEM, y el personal de la coalición. Cuántas entrevistas bastan no tiene una respuesta única. Guest, Bunce and Johnson (2006) encontraron, en un estudio con participantes relativamente homogéneos, que la mayoría de los temas aparecían en las doce primeras entrevistas; Malterud, Siersma and Guassora (2016) proponen el poder informativo: cuanta más información pertinente tiene cada participante para un objetivo acotado, menos participantes se necesitan. El objetivo del Estudio de Desbordamiento es acotado y sus participantes tienen un conocimiento directo y específico; diez entrevistas (I01–I10) en las tres funciones dieron un poder informativo adecuado, un juicio que la tesis debe explicar y no limitarse a afirmar.

Las entrevistas siguieron la guía revisada (capítulo 5), ancladas al tiempo y a la información. Se grabaron con consentimiento, se transcribieron, se desidentificaron (se sustituyeron los nombres, los nombres de las organizaciones, los títulos de puesto únicos y las fechas) y las grabaciones se destruyeron tras la transcripción, como indicaba el formulario de consentimiento.

6.6.2 Análisis temático

Braun and Clarke (2006) describen el análisis temático en seis fases: familiarización con los datos; generación de los códigos iniciales; búsqueda de temas; revisión de los temas; definición y denominación de los temas; y elaboración del informe. Mantenga una pista de auditoría: el libro de códigos con definiciones y ejemplos, memorandos que expliquen cada decisión y las versiones de la estructura de temas.

6.6.3 Acuerdo entre codificadores

Si medir el acuerdo entre codificadores es objeto de debate. O'Connor and Joffe (2020) revisan el debate y sugieren que la fiabilidad entre codificadores puede aportar rigor y transparencia cuando un libro de códigos se aplica de forma coherente, mientras que encaja mal con los enfoques interpretativos en los que la perspectiva del investigador forma parte del análisis. El Estudio de Desbordamiento usa un enfoque basado en un libro de códigos para las preguntas operativas, así que un segundo codificador codificó de forma independiente una muestra de fragmentos; el acuerdo se midió con la kappa de Cohen (capítulo 1) y cada desacuerdo se discutió y se resolvió afinando las definiciones de los códigos. La kappa se comunica como evidencia de que el libro de códigos puede aplicarse de forma coherente, no como prueba de que los temas sean verdaderos.

6.6.4 Temas (sintéticos)

Tabla de la lección; desplázate para ver todas las columnas →

6.7 Integración: la presentación conjunta

Fetters, Curry and Creswell (2013) describen la integración en los niveles del diseño, los métodos y la interpretación, y la presentación conjunta como una forma de reunir los resultados. Cada fila empareja un resultado cuantitativo con un hallazgo cualitativo y enuncia una metainferencia: confirmación (ambas vertientes coinciden), ampliación (una añade algo a la otra) o discordancia (entran en conflicto, lo que exige una explicación).

Tabla de la lección; desplázate para ver todas las columnas →

La fila de discordancia no es una debilidad del estudio; es un hallazgo. Una tesis que oculta la discordancia para contar una historia más limpia pierde la parte más informativa de los métodos mixtos.

6.8 Ejemplo resuelto: la desviación que casi se ocultó (sintético)

Tras el análisis principal, el candidato observó que eliminar los dos festivos regionales cambiaba ligeramente la estimación de Brookfield y tuvo la tentación de comunicar la versión sin festivos, que «se parecía más al gradiente esperado». La regla del supervisor: el modelo preespecificado es el análisis primario; cualquier alternativa se comunica como comprobación de robustez con el motivo por el que se examinó, en el registro de desviaciones, con fecha y anotando que ya se habían visto los resultados. Después, la curva de especificaciones del capítulo 8 comunica juntas todas las elecciones razonables, para que ninguna elección aislada —hecha tras ver los resultados— sostenga la conclusión. El episodio es típico: el riesgo del análisis flexible no es la deshonestidad, sino la atracción silenciosa de una historia preferida (Gelman and Loken, 2014).

6.9 Errores comunes y límites

• Editar datos a mano después de congelarlos, o analizar un extracto cuya versión no puede identificarse.
• Ajustar una STI no controlada y llamar efecto al resultado cuando es plausible un choque compartido.
• Comunicar intervalos de mínimos cuadrados ordinarios para datos diarios autocorrelacionados sin comprobarlo.
• Convertir un rango placebo en «p < 0,05» cuando el número de placebos lo hace imposible.
• Comunicar una estimación no concluyente como «sin efecto».
• Presentar un resultado secundario confundido con la misma confianza que el resultado primario controlado.
• Afirmar la saturación o la suficiencia del número de entrevistas sin explicar el razonamiento.
• Tratar una kappa alta como prueba de que los temas son válidos.
• Ocultar la discordancia entre vertientes.
• Elegir entre variantes de análisis después de ver los resultados y comunicar solo la preferida.

El límite de este análisis es que descansa en un solo evento, una sola región de comparación y un modelo cuyos supuestos —tendencias paralelas, una tendencia previa lineal, un efecto en forma de escalón— pueden sondearse, pero no demostrarse. El capítulo 8 comprueba cuánto depende de ellos la conclusión.

Ejercicios — capítulo 6

EX033 — Ejecutar y comunicar el análisis principal. Objetivo: usar el laboratorio 6 y redactar los resultados. Entradas: laboratorios 4 y 6. Restricciones: sin conexión; no cambiar las semillas. Pasos: (1) ejecute el laboratorio 6 y registre la salida; (2) redacte un párrafo de resultados de 200 palabras para PI1 y PI2 con estimaciones, intervalos y rangos placebo; (3) redacte una frase sobre el resultado del tiempo de espera que enuncie su limitación. Evidencia esperada: salida y texto. Rúbrica: 3 = cifras exactas, Brookfield descrito como no concluyente y no como nulo, gradiente enunciado con la salvedad del solapamiento, tiempo de espera señalado como no controlado; 2 = una exageración; 1 = se usa «significativo» como conclusión sin estimaciones; 0 = nada.

EX034 — Sensibilidad al retardo. Objetivo: poner a prueba el método de intervalos. Entradas: lab6_its.py. Restricciones: cambiar solo el retardo de Newey–West. Pasos: (1) calcule el intervalo de Alder Point con retardos 0, 7 y 14; (2) calcule la autocorrelación de los residuos en los retardos 1 y 7 y el estadístico de Durbin–Watson; (3) explique por qué un retardo más largo no siempre amplía el intervalo; (4) indique qué comunicaría. Evidencia esperada: tabla y párrafo. Rúbrica: 3 = intervalos y diagnósticos correctos, comportamiento no monótono explicado (las autocovarianzas muestrales ponderadas por Bartlett pueden ser negativas), retardo preespecificado comunicado con su sensibilidad; 2 = un valor erróneo; 1 = elige el intervalo más estrecho; 0 = nada.

EX035 — Aritmética de los placebos. Objetivo: interpretar la evidencia basada en rangos. Entradas: la salida de placebos del laboratorio 6. Restricciones: no hace falta código nuevo. Pasos: (1) enuncie el valor p unilateral basado en rangos de cada centro; (2) indique cuántas ventanas placebo se necesitarían para que el menor valor alcanzable llegue a 0,05 y a 0,01, y para que quede estrictamente por debajo; (3) explique por qué las primeras ventanas placebo son más ruidosas que el ajuste real; (4) proponga un cambio que añada ventanas sin usar datos posteriores al evento. Evidencia esperada: respuestas. Rúbrica: 3 = se calculan 1/16, 8/16 y 9/16; 19 y 99 ventanas para llegar a 0,05 y 0,01, 20 y 100 para quedar por debajo; se explican los periodos previos cortos; una propuesta válida (por ejemplo, inicios diarios en lugar de semanales, o ventanas de años anteriores si existen datos) con su salvedad de dependencia; 2 = un error; 1 = trata el p placebo como exacto; 0 = nada.

EX036 — Reparar el resultado secundario. Objetivo: abordar una estimación confundida. Entradas: el resultado del tiempo de espera y el §6.5. Restricciones: no pueden inventarse datos nuevos. Pasos: (1) explique la confusión; (2) proponga dos diseños que podrían eliminarla con datos obtenibles; (3) enuncie la afirmación que respalda la estimación actual; (4) redacte la frase para la sección de limitaciones. Evidencia esperada: una página. Rúbrica: 3 = se explica la confusión por la estación, diseños viables (Calloway como comparación dentro de la región para el tiempo de espera, dado su efecto nulo en las llegadas, o una serie de comparación de los datos publicados de otra región), afirmación limitada a «compatible con un aumento; magnitud confundida», limitación con dirección; 2 = un diseño inviable; 1 = sin limitación; 0 = nada.

EX037 — Acuerdo entre codificadores. Objetivo: aplicar e interpretar la kappa en la codificación cualitativa. Entradas: doce fragmentos sintéticos codificados por dos codificadores con los códigos DIV (decisiones de destino de los SEM), INFO (información y notificación), STAFF (personal y tensión), PROC (procedimientos). Codificador A: DIV, INFO, STAFF, DIV, PROC, INFO, INFO, STAFF, DIV, PROC, INFO, STAFF. Codificador B: DIV, INFO, STAFF, STAFF, PROC, INFO, DIV, STAFF, DIV, PROC, PROC, STAFF. Fragmento 4: «Teníamos dos dotaciones esperando en la puerta y nadie para recibir el relevo». Fragmento 7: «Despacho no sabía que Kestrel estaba cerrado, así que la dotación decidió sobre la marcha». Fragmento 11: «No sabíamos si empezar el proceso de triaje en papel o esperar noticias de informática». Restricciones: calcular a mano o con la función del laboratorio 1. Pasos: (1) calcule el acuerdo observado, el acuerdo por azar y la kappa; (2) para cada desacuerdo, decida si el problema es la definición del libro de códigos o el fragmento; (3) revise una definición. Evidencia esperada: cálculo, análisis y definición revisada. Rúbrica: 3 = κ ≈ 0,67 calculada correctamente, desacuerdos diagnosticados como problemas de límites (fragmentos que encajan en dos códigos), una revisión que permite la doble codificación o decide sobre ella; 2 = cálculo correcto, diagnóstico pobre; 1 = solo acuerdo bruto; 0 = nada.

EX038 — Presentación conjunta. Objetivo: integrar las vertientes. Entradas: §6.5 y §6.6.4. Restricciones: al menos cuatro filas; al menos una discordancia. Pasos: (1) construya la presentación; (2) enuncie la metainferencia de cada fila; (3) para cada discordancia, enumere las explicaciones y la evidencia que podría elegir entre ellas. Evidencia esperada: tabla y párrafo. Rúbrica: 3 = metainferencias bien etiquetadas, discordancia explicada sin dejar que una vertiente se imponga a la otra, evidencia de seguimiento específica; 2 = se omite la discordancia; 1 = vertientes yuxtapuestas sin inferencia; 0 = nada.

Síntesis del capítulo

Mantenga el linaje: cada extracto registrado, auditado, congelado y usado solo mediante scripts. La STI controlada modela el cociente logarítmico de las llegadas de un vecino respecto de las de la región de comparación con una tendencia, un escalón de desvío y un escalón posterior al desvío; exp(β₂) − 1 es la estimación. Compruebe la autocorrelación y use intervalos robustos con un retardo preespecificado y su sensibilidad. Los rangos placebo son evidencia honesta cuyo menor valor p alcanzable depende del número de ventanas. En el Estudio de Desbordamiento sintético, las llegadas a Alder Point aumentaron alrededor de una cuarta parte durante el desvío, con un intervalo amplio; el resultado de Brookfield no es concluyente aunque existía un efecto real; el de Calloway es compatible con ninguno; la estimación del tiempo de espera está confundida por la estación. Las entrevistas explican el gradiente mediante la geografía viaria y revelan la notificación tardía, la tensión nocturna y el vínculo entre la duración del desvío y la recuperación de los sistemas clínicos. Integre las vertientes en una presentación conjunta y comunique la discordancia como un hallazgo.