Christie AP, Abecasis D, Adjeroud M, Alonso JC, Amano T, Anton A, Baldigo BP, Barrientos R, Bicknell JE, Buhl DA, Cebrian J, Ceia RS, Cibils-Martina L, Clarke S, Claudet J, Craig MD, Davoult D, De Backer A, Donovan MK, Eddy TD, França FM, Gardner JPA, Harris BP, Huusko A, Jones IL, Kelaher BP, Kotiaho JS, López-Baucells A, Major HL, Mäki-Petäys A, Martín B, Martín CA, Martin PA, Mateos-Molina D, McConnaughey RA, Meroni M, Meyer CFJ, Mills K, Montefalcone M, Noreika N, Palacín C, Pande A, Pitcher CR, Ponce C, Rinella M, Rocha R, Ruiz-Delgado MC, Schmitter-Soto JJ, Shaffer JA, Sharma S, Sher AA, Stagnol D, Stanley TR, Stokesbury KDE, Torres A, Tully O, Vehanen T, Watts C, Zhao Q, Sutherland

Quantifying and addressing the prevalence and bias of study designs in the environmental and social sciences.

Nat Commun. 2020 Dec 11;11(1):6377

DOI: 10.1038/s41467-020-20142-y

RESUMEN

Para que la gestión de la biodiversidad se base en criterios sólidos, los estudios de impacto ambiental tienen que tener diseños igualmente sólidos. Se evaluaron un total de 49 estudios con diferentes diseños (antes-después, antes-después-control-impacto, randomizados, etc) para ver cuál de ellos presentaba los resultados más robustos. Se demostró que los diseños más complejos suelen presentar estimadores menos sesgados, por lo que se recomiendan frente a los diseños puramente observacionales. Finalmente se discute cómo su uso puede dar lugar a diseños más creíbles.