This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents. For more details on using R Markdown see http://rmarkdown.rstudio.com.
#SETWD
setwd("~/MAESTRIA EPIDEMIOLOGIA ICESI/ensayos_clinicos")library(readxl)## Warning: package 'readxl' was built under R version 4.5.3library(dplyr)## Warning: package 'dplyr' was built under R version 4.5.3##
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(tidyr)## Warning: package 'tidyr' was built under R version 4.5.3library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.5.3library(randomizr)## Warning: package 'randomizr' was built under R version 4.5.3library(haven)## Warning: package 'haven' was built under R version 4.5.2BD_Aleatorizacion_2 <- read_dta("BD Aleatorizacion-2.dta")
View(BD_Aleatorizacion_2)#Explorar Base de datos
str(BD_Aleatorizacion_2)## tibble [1,000 × 5] (S3: tbl_df/tbl/data.frame)
## $ ID : num [1:1000] 223 665 879 667 937 399 457 181 541 551 ...
## ..- attr(*, "format.stata")= chr "%9.0g"
## $ Sexo : chr [1:1000] "Femenino" "Femenino" "Femenino" "Femenino" ...
## ..- attr(*, "format.stata")= chr "%9s"
## $ Edad : num [1:1000] 68 66 59 38 59 59 38 20 73 31 ...
## ..- attr(*, "format.stata")= chr "%9.0g"
## $ Severidad : dbl+lbl [1:1000] 3, 2, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 3, 2, 1, 2, 1,...
## ..@ format.stata: chr "%9.0g"
## ..@ labels : Named num [1:3] 1 2 3
## .. ..- attr(*, "names")= chr [1:3] "Leve" "Moderado" "Severo"
## $ Mortalidad: num [1:1000] 0 0 0 0 0 0 0 0 0 0 ...
## ..- attr(*, "format.stata")= chr "%9.0g"summary(BD_Aleatorizacion_2)## ID Sexo Edad Severidad
## Min. : 1.0 Length:1000 Min. :18.00 Min. :1.000
## 1st Qu.: 250.8 Class :character 1st Qu.:32.00 1st Qu.:1.000
## Median : 500.5 Mode :character Median :46.50 Median :2.000
## Mean : 500.5 Mean :46.41 Mean :2.001
## 3rd Qu.: 750.2 3rd Qu.:61.00 3rd Qu.:3.000
## Max. :1000.0 Max. :74.00 Max. :3.000
## Mortalidad
## Min. :0.000
## 1st Qu.:0.000
## Median :0.000
## Mean :0.096
## 3rd Qu.:0.000
## Max. :1.000head(BD_Aleatorizacion_2)## # A tibble: 6 × 5
## ID Sexo Edad Severidad Mortalidad
## <dbl> <chr> <dbl> <dbl+lbl> <dbl>
## 1 223 Femenino 68 3 [Severo] 0
## 2 665 Femenino 66 2 [Moderado] 0
## 3 879 Femenino 59 1 [Leve] 0
## 4 667 Femenino 38 2 [Moderado] 0
## 5 937 Femenino 59 2 [Moderado] 0
## 6 399 Femenino 59 2 [Moderado] 0#Creacion de objetos
sujetos <- BD_Aleatorizacion_2$ID
table(sujetos)## sujetos
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 993 994 995 996 997 998 999 1000
## 1 1 1 1 1 1 1 1#Aleatorización simple 1:1
A cada participante se asigna al azar a un grupo.La asignacion no tiene restricciones. Es ideal para muestras grandes mayores de 200 observaciones.
Ventajas: - Sencilla de implementar - Tiene menor sesgo de seleccion por lo que no es predecible.
Desventajas: -Puede haber desbalance principalmente en muestras pequenas -No controla por variables -
intervenciones <- c("tratamiento","control")BD_Aleatorizacion_con_intervencion <- BD_Aleatorizacion_2 %>%
mutate(intervencion_asignada = sample(intervenciones, nrow(BD_Aleatorizacion_2), replace = TRUE))
head(BD_Aleatorizacion_con_intervencion)## # A tibble: 6 × 6
## ID Sexo Edad Severidad Mortalidad intervencion_asignada
## <dbl> <chr> <dbl> <dbl+lbl> <dbl> <chr>
## 1 223 Femenino 68 3 [Severo] 0 control
## 2 665 Femenino 66 2 [Moderado] 0 control
## 3 879 Femenino 59 1 [Leve] 0 control
## 4 667 Femenino 38 2 [Moderado] 0 tratamiento
## 5 937 Femenino 59 2 [Moderado] 0 control
## 6 399 Femenino 59 2 [Moderado] 0 tratamientotable(BD_Aleatorizacion_con_intervencion$intervencion_asignada)##
## control tratamiento
## 503 497library(dplyr)
library(tidyr)
tabla_resumenAS <- BD_Aleatorizacion_con_intervencion %>%
mutate(
intervencion_asignada = factor(
intervencion_asignada,
levels = c("control", "tratamiento")
)
) %>%
group_by(intervencion_asignada) %>%
summarise(
Edad = paste0(
round(mean(Edad, na.rm = TRUE), 1),
" (", round(sd(Edad, na.rm = TRUE), 1), ")"
),
Sexo = paste0(
sum(Sexo == "Femenino", na.rm = TRUE),
" (", round(mean(Sexo == "Femenino", na.rm = TRUE) * 100, 1), "%)"
),
Mortalidad = paste0(
sum(Mortalidad == 1, na.rm = TRUE),
" (", round(mean(Mortalidad == 1, na.rm = TRUE) * 100, 1), "%)"
)
) %>%
pivot_longer(
cols = -intervencion_asignada,
names_to = "Variable",
values_to = "Valor"
) %>%
pivot_wider(
names_from = intervencion_asignada,
values_from = Valor
)
tabla_resumenAS## # A tibble: 3 × 3
## Variable control tratamiento
## <chr> <chr> <chr>
## 1 Edad 47 (16.3) 45.9 (16.6)
## 2 Sexo 466 (92.6%) 465 (93.6%)
## 3 Mortalidad 48 (9.5%) 48 (9.7%)#Segun severidad
tabla_severidadAS <- BD_Aleatorizacion_con_intervencion %>%
mutate(
intervencion_asignada = factor(
intervencion_asignada,
levels = c("control", "tratamiento")
)
) %>%
count(Severidad, intervencion_asignada) %>%
group_by(intervencion_asignada) %>%
mutate(
pct = round(n / sum(n) * 100, 1),
valor = paste0(n, " (", pct, "%)")
) %>%
ungroup() %>%
select(Severidad, intervencion_asignada, valor) %>%
pivot_wider(
names_from = intervencion_asignada,
values_from = valor
)
tabla_severidadAS## # A tibble: 3 × 3
## Severidad control tratamiento
## <dbl+lbl> <chr> <chr>
## 1 1 [Leve] 154 (30.6%) 163 (32.8%)
## 2 2 [Moderado] 188 (37.4%) 177 (35.6%)
## 3 3 [Severo] 161 (32%) 157 (31.6%)shapiro.test(BD_Aleatorizacion_con_intervencion$Edad)##
## Shapiro-Wilk normality test
##
## data: BD_Aleatorizacion_con_intervencion$Edad
## W = 0.9515, p-value < 2.2e-16No es normal p <0.05. Se rechaza la hipotesis nula
#Se evalua la normalidad de la media de edad en los controles y los pacientes con tratamiento
with(subset(BD_Aleatorizacion_con_intervencion, intervencion_asignada == "control"),
shapiro.test(Edad))##
## Shapiro-Wilk normality test
##
## data: Edad
## W = 0.95129, p-value = 8.101e-12with(subset(BD_Aleatorizacion_con_intervencion, intervencion_asignada == "tratamiento"),
shapiro.test(Edad))##
## Shapiro-Wilk normality test
##
## data: Edad
## W = 0.94953, p-value = 5.516e-12#H0= Los datos siguen distribucion normal #H1= Los datos no siguen distribucion normal
#No es normal p <0.05. Hay evidencia para rechazar la hipotesis nula.
#Se decide realizar una prueba no parametrica de
wilcox.test(Edad ~ intervencion_asignada, data = BD_Aleatorizacion_con_intervencion)##
## Wilcoxon rank sum test with continuity correction
##
## data: Edad by intervencion_asignada
## W = 129841, p-value = 0.2887
## alternative hypothesis: true location shift is not equal to 0#H0= NO hay diferencia en las medianas de los 2 grupos #H1= Hay diferencia en la mediana de los 2 grupos
#p >0.05
#No hay evidencia sufienciente para rechazar la hipoesis nula. #En un estudio con mayor tamaño muestral, esa diferencia podría alcanzar significancia.
#No hay diferencia en la mediana de la edad del grupo control y el de tratemiento.
#Sexo
chisq.test(table(BD_Aleatorizacion_con_intervencion$Sexo,
BD_Aleatorizacion_con_intervencion$intervencion_asignada))##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: table(BD_Aleatorizacion_con_intervencion$Sexo, BD_Aleatorizacion_con_intervencion$intervencion_asignada)
## X-squared = 0.20019, df = 1, p-value = 0.6546#H0= NO hay diferencia en la distribucion de sexo de los 2 grupos #H1= Hay diferencia en la distribucion de sexo en los 2 grupos
#p >0.05
#No hay evidencia sufienciente para rechazar la hipoesis nula.
#No hay diferencia en la distribucion de sexo entre el grupo control y el de tratamiento.
#Mortalidad
chisq.test(table(BD_Aleatorizacion_con_intervencion$Mortalidad,
BD_Aleatorizacion_con_intervencion$intervencion_asignada))##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: table(BD_Aleatorizacion_con_intervencion$Mortalidad, BD_Aleatorizacion_con_intervencion$intervencion_asignada)
## X-squared = 8.9361e-31, df = 1, p-value = 1#H0= NO hay diferencia en la mortalidad de los 2 grupos #H1= Hay diferencia en la mortalidad en los 2 grupos
#p >0.05
#No hay evidencia sufienciente para rechazar la hipoesis nula.
#No hay diferencia en la mortalidad entre el grupo control y el de tratamiento.
#Severidad como variable ordinal
library(dplyr)
library(haven)
BD_Aleatorizacion_con_intervencion <- BD_Aleatorizacion_con_intervencion %>%
mutate(
Severidad_num = as.numeric(haven::as_factor(Severidad))
)
wilcox.test(Severidad_num ~ intervencion_asignada,
data = BD_Aleatorizacion_con_intervencion)##
## Wilcoxon rank sum test with continuity correction
##
## data: Severidad_num by intervencion_asignada
## W = 127212, p-value = 0.6065
## alternative hypothesis: true location shift is not equal to 0#H0= NO hay diferencia en la severidad de la enfermedad del grupo control y el que recibe tratamiento #H1= Hay diferencia en la severidad de la enfermedad del grupo control y el que recibe tratamiento en los 2 grupos
#p >0.05
#No hay evidencia sufienciente para rechazar la hipoesis nula.
#No hay diferencia en laseveridad entre el grupo control y el de tratamiento.
n <- nrow(BD_Aleatorizacion_2)
bloques <- rep(1:(n/4), each = 4)
BD_Aleatorizacion_bloques4 <- BD_Aleatorizacion_2 %>%
mutate(
bloque = bloques,
intervencion_asignada = block_ra(
blocks = bloque,
conditions = c("control", "intervencion")
)
)
head(BD_Aleatorizacion_bloques4)## # A tibble: 6 × 7
## ID Sexo Edad Severidad Mortalidad bloque intervencion_asignada
## <dbl> <chr> <dbl> <dbl+lbl> <dbl> <int> <fct>
## 1 223 Femenino 68 3 [Severo] 0 1 control
## 2 665 Femenino 66 2 [Moderado] 0 1 intervencion
## 3 879 Femenino 59 1 [Leve] 0 1 intervencion
## 4 667 Femenino 38 2 [Moderado] 0 1 control
## 5 937 Femenino 59 2 [Moderado] 0 2 control
## 6 399 Femenino 59 2 [Moderado] 0 2 control#ver cuantos quedaron en con tratamiento y cuantos con control
BD_Aleatorizacion_bloques4 %>%
count(intervencion_asignada)## # A tibble: 2 × 2
## intervencion_asignada n
## <fct> <int>
## 1 control 500
## 2 intervencion 500#Numero de bloques
n_distinct(BD_Aleatorizacion_bloques4$bloque)## [1] 250#Tabla de comparacion
tabla_comparativaABL <- BD_Aleatorizacion_bloques4 %>%
group_by(intervencion_asignada) %>%
summarise(
Edad = paste0(
round(median(Edad, na.rm = TRUE), 1), " (",
round(quantile(Edad, 0.25, na.rm = TRUE), 1), " - ",
round(quantile(Edad, 0.75, na.rm = TRUE), 1), ")"
),
Sexo = paste0(
sum(Sexo == "Femenino", na.rm = TRUE), " (",
round(mean(Sexo == "Femenino", na.rm = TRUE) * 100, 1), "%)"
),
Mortalidad = paste0(
sum(Mortalidad == 1, na.rm = TRUE), " (",
round(mean(Mortalidad == 1, na.rm = TRUE) * 100, 1), "%)"
)
) %>%
pivot_longer(
cols = -intervencion_asignada,
names_to = "Variable",
values_to = "Valor"
) %>%
pivot_wider(
names_from = intervencion_asignada,
values_from = Valor
)
tabla_comparativaABL## # A tibble: 3 × 3
## Variable control intervencion
## <chr> <chr> <chr>
## 1 Edad 48 (33 - 61) 46 (31 - 60)
## 2 Sexo 462 (92.4%) 469 (93.8%)
## 3 Mortalidad 48 (9.6%) 48 (9.6%)#Pruebas estadisticas asumiendo no normalidad de variable numerica
wilcox.test(Edad ~ intervencion_asignada,
data = BD_Aleatorizacion_bloques4)$p.value## [1] 0.3576961chisq.test(table(BD_Aleatorizacion_bloques4$Sexo,
BD_Aleatorizacion_bloques4$intervencion_asignada))$p.value## [1] 0.4540962chisq.test(table(BD_Aleatorizacion_bloques4$Mortalidad,
BD_Aleatorizacion_bloques4$intervencion_asignada))$p.value## [1] 1#ALEATORIZACIÓN ESTRATIFICADA #
*Recuerda que la variable de estratificación puede actuar como una confusora, por lo que debes tenerla en cuenta al momento de asignar los participantes a los grupos