Un mal tamaño de muestra puede matar tu investigación

Demasiados economistas jóvenes cometen el mismo error.

Pasan 6 meses limpiando datos. Construyen un modelo econométrico ELEGANTÍSIMO. Corren la regresión...

Y obtienen un p-value de 0.2.

¿La conclusión? "No encontramos un efecto significativo".

FALSO.

La conclusión REAL es que probablemente NUNCA TUVISTE EL PODER para encontrar un efecto, incluso si existía.

Acabas de quemar 6 meses de trabajo. Felicitaciones.

Esto se llama "Análisis de Poder" o "Estimación del Tamaño de Muestra". Y es la habilidad MÁS infravalorada en la econometría.

No es sexy. No es "big data". Pero es lo que separa a los amateurs de los profesionales.

Es crucial porque ODIO desperdiciar tiempo y DINERO

Y tú también deberías.

Calcular tu tamaño de muestra no es un ejercicio académico. Es un ejercicio de GESTIÓN DE RIESGO.

• Muestra muy pequeña: Es como comprar un boleto de lotería. Estás apostando a la suerte. Si no encuentras nada, no sabes si es porque no hay nada o porque tu "red" era demasiado pequeña. INÚTIL.
• Muestra muy grande: Es como quemar dinero para calentar tu casa. Ineficiente. Gastaste recursos (tiempo, dinero de la encuesta, poder computacional) que no necesitabas.

Tu objetivo es la EFICIENCIA. El tamaño de muestra MÍNIMO VIABLE para obtener una respuesta CONFIABLE.

Los 5 errores que estás cometiendo

Veo estos errores todos los días. Están matando tus resultados.

1. El error de "ya veremos" (Hacerlo al final). Este es el más tonto. Corres tu análisis, obtienes p=0.15 y luegocorres un "análisis de poder post-hoc" para justificar tu fracaso. NO. El poder se calcula ANTES. Es un plan, no una autopsia.
2. Paralizarse con las fórmulas. Te pones a ver esto: $n_i = \frac{2\sigma^2 \cdot (Z_{\alpha/2} + Z_{1-\beta})^2}{(\mu_1 - \mu_2)^2}$. Y tu cerebro se apaga. BASURA. No necesitas la fórmula. Necesitas el CONCEPTO. La computadora hace la matemática. Tú tomas las decisiones.
3. Adivinar mal el "Tamaño del Efecto". Este es el error más común. El "tamaño del efecto" (effect size) es simplemente la diferencia mínima que te importa detectar. Si copias "d=0.5" de un paper sin pensar, estás jugando. ¿Una política que aumenta el ingreso en $1 te importa? No. ¿Y en $100? Sí. ESA es tu decisión.
4. Seguir ciegamente el "80% de poder". Todos usan 80% de poder ($\beta = 0.2$) porque "es la convención". Piénsalo. ¿Estás cómodo con una probabilidad de 1 en 5 de FRACASAR en encontrar un efecto que SÍ existe? Yo no. A veces necesitas 90% o 95%. Deja de seguir a la manada.
5. Creer que "más datos" siempre es la solución. "Solo necesito más datos". Falso. 'Más datos' puede ser más caro e igual de inútil si no sabes lo que buscas. Un plan mediocre con 1 millón de observaciones sigue siendo un plan mediocre.

Cómo hacerlo en R (El método anti-matemáticas)

Basta de teoría. Vamos a la acción.