Análisis de sensibilidad para la clasificación errónea de resultados binarios en pruebas de aleatorización a través...

Área de la Ciencia:

• Las estadísticas
• Estadísticas biológicas
• Diseño experimental

Sus antecedentes:

• Las pruebas de aleatorización se utilizan ampliamente para la inferencia causal en experimentos aleatorios debido a sus suposiciones mínimas.
• La clasificación errónea de los resultados es una fuente significativa de sesgo que puede comprometer la validez de las pruebas de aleatorización.
• Los métodos existentes a menudo se basan en supuestos distributivos o modelos complejos, lo que limita su aplicabilidad.

Objetivo del estudio:

• Proponer un análisis de sensibilidad libre de modelo para la clasificación errónea de resultados binarios en pruebas de aleatorización.
• Introducir el concepto de "precisión de advertencia" para cuantificar el impacto de la clasificación errónea en los resultados de los ensayos.
• Proporcionar un método computacional eficiente para evaluar la sensibilidad a las clasificaciones erróneas.

Principales métodos:

• Desarrolló un marco de análisis de sensibilidad de población finita para la clasificación errónea de resultados.
• Definir y utilizar la "precisión de advertencia" como umbral para las posibles discrepancias entre los resultados medidos y los resultados reales.
• Reformulación adaptativa empleada de la programación de enteros a gran escala para el cálculo eficiente en grandes conjuntos de datos.
• Aplicó el método a los datos del ensayo de prevención del cáncer de próstata (PCPT).

Principales resultados:

• La "precisión de advertencia" propuesta cuantifica la sensibilidad de las pruebas de aleatorización a la clasificación errónea de resultados binarios sin suposiciones adicionales.
• El método permite la amplificación de los análisis de pruebas de aleatorización cuando los datos de resultado pueden ser imperfectos.
• Se demuestra la computación eficiente para grandes conjuntos de datos, lo que facilita la aplicación práctica.
• El enfoque se aplicó con éxito al conjunto de datos del PCPT.

Conclusiones:

• El análisis de sensibilidad desarrollado proporciona una herramienta sólida para evaluar el impacto de la clasificación errónea de los resultados en las pruebas de aleatorización.
• La métrica de "precisión de advertencia" ofrece información valiosa sobre la confiabilidad de las conclusiones causales.
• El paquete R de código abierto permite la adopción y aplicación generalizadas de la metodología propuesta.