Inferencia causal basada en el diseño con resultados perdidos: mecanismos de falta, pruebas de aleatorización...

Área de la Ciencia:

• Inferencia causal
• Las estadísticas
• Diseño experimental

Sus antecedentes:

• La inferencia causal basada en el diseño ofrece una fuerte validez a través del diseño del estudio, evitando suposiciones distributivas.
• La falta de resultados es un desafío importante en la aplicación de la inferencia causal basada en el diseño.
• Los métodos existentes pueden tener problemas con los mecanismos complejos de ausencia o la especificación errónea del modelo.

Objetivo del estudio:

• Abordar sistemáticamente la falta de resultados en la inferencia causal basada en el diseño.
• Desarrollar un marco flexible para las pruebas de aleatorización sin resultados.
• Asegurar el control exacto de los errores de tipo I en poblaciones finitas bajo diversas condiciones de ausencia.

Principales métodos:

• Propuso un mecanismo general de ausencia de resultados para las pruebas de aleatorización exacta de población finita.
• Se introdujo un marco de "imputación y re-imputación" para manejar los resultados perdidos.
• Amplió el marco para el ajuste covariado y la construcción de regiones de confianza.

Principales resultados:

• El marco propuesto garantiza un control exacto de la tasa de error de tipo I en poblaciones finitas.
• Robustez demostrada incluso con modelos de imputación mal especificados, covariables no observados o interferencia.
• Aplicación exitosa en simulaciones y un experimento aleatorizado a gran escala.

Conclusiones:

• El marco de "imputación y re-imputación" maneja efectivamente los resultados perdidos en la inferencia causal basada en el diseño.
• Consigue un control exacto de los errores de tipo I de población finita, mejorando el rigor estadístico.
• Proporciona un método sólido para el ajuste de las covariables y los intervalos de confianza con datos faltantes.