Experimento aleatorio

En ciencia , los experimentos aleatorios son los que permiten la mayor fiabilidad y validez de las estimaciones estadísticas de los efectos del tratamiento. La inferencia basada en la aleatorización es especialmente importante en el diseño experimental y en el muestreo por encuestas .

En la teoría estadística del diseño de experimentos , la aleatorización implica la asignación aleatoria de las unidades experimentales entre los grupos de tratamiento . Por ejemplo, si un experimento compara un fármaco nuevo con un fármaco estándar, los pacientes deberían ser asignados al fármaco nuevo o al fármaco estándar de control mediante aleatorización.

La experimentación aleatoria no es aleatoria. La aleatorización reduce el sesgo al igualar otros factores que no se han tenido en cuenta explícitamente en el diseño experimental (de acuerdo con la ley de los grandes números ). La aleatorización también produce diseños ignorables , que son valiosos en la inferencia estadística basada en modelos , especialmente la bayesiana o basada en la probabilidad . En el diseño de experimentos, el diseño más simple para comparar tratamientos es el "diseño completamente aleatorio". Puede haber alguna "restricción a la aleatorización" con el bloqueo y los experimentos que tienen factores difíciles de cambiar; pueden ocurrir restricciones adicionales a la aleatorización cuando una aleatorización completa no es factible o cuando es deseable reducir la varianza de los estimadores de efectos seleccionados.

La aleatorización de los tratamientos en los ensayos clínicos plantea problemas éticos. En algunos casos, la aleatorización reduce las opciones terapéuticas tanto para el médico como para el paciente, por lo que requiere un equilibrio clínico en cuanto a los tratamientos.

Los sitios web pueden ejecutar experimentos controlados aleatorios ^[2] para crear un ciclo de retroalimentación. ^[3] Las diferencias clave entre la experimentación fuera de línea y los experimentos en línea incluyen: ^{[3] [4]}

• Registro: las interacciones del usuario se pueden registrar de forma confiable.
• Número de usuarios: sitios grandes, como Amazon, Bing/Microsoft y Google, realizan experimentos, cada uno con más de un millón de usuarios.
• Número de experimentos simultáneos: los sitios grandes ejecutan decenas de experimentos superpuestos o simultáneos. ^[5]
• Robots, ya sean rastreadores web de fuentes válidas o bots de Internet maliciosos . ^{[ aclaración necesaria ]}
• Capacidad para aumentar los experimentos desde porcentajes bajos a porcentajes más altos.
• La velocidad y el rendimiento tienen un impacto significativo en las métricas clave. ^{[3] [6]}

• Capacidad de utilizar el período previo al experimento como una prueba A/A para reducir la varianza. ^[7]

En el Antiguo Testamento, en el libro de Daniel, parece que se sugirió un experimento controlado. El rey Nabucodonosor propuso que algunos israelitas comieran «una cantidad diaria de comida y vino de la mesa del rey». Daniel prefería una dieta vegetariana, pero al funcionario le preocupaba que el rey «te viera con peor aspecto que los demás jóvenes de tu edad. El rey me cortaría la cabeza por tu culpa». Daniel propuso entonces el siguiente experimento controlado: «Haz una prueba con tus siervos durante diez días. No nos des más que legumbres para comer y agua para beber. Luego compara nuestra apariencia con la de los jóvenes que comen la comida real, y trata a tus siervos conforme a lo que veas» (Daniel 1, 12-13). ^{[8] [9]}

Los experimentos aleatorios se institucionalizaron en psicología y educación a fines del siglo XIX, luego de la invención de los experimentos aleatorios por CS Peirce . ^{[10] [11] [12] [13]} Fuera de la psicología y la educación, los experimentos aleatorios fueron popularizados por RA Fisher en su libro Métodos estadísticos para investigadores , que también introdujo principios adicionales de diseño experimental.

Esta sección necesita ser ampliada . Puedes ayudar agregándole algo. ( Septiembre 2012 )

El modelo causal de Rubin proporciona una forma común de describir un experimento aleatorio. Si bien el modelo causal de Rubin proporciona un marco para definir los parámetros causales (es decir, los efectos de un tratamiento aleatorio sobre un resultado), el análisis de experimentos puede adoptar varias formas. El modelo supone que existen dos resultados potenciales para cada unidad del estudio: el resultado si la unidad recibe el tratamiento y el resultado si la unidad no recibe el tratamiento. La diferencia entre estos dos resultados potenciales se conoce como el efecto del tratamiento, que es el efecto causal del tratamiento sobre el resultado. Lo más común es que los experimentos aleatorios se analicen mediante ANOVA , la prueba t de Student , el análisis de regresión o una prueba estadística similar . El modelo también tiene en cuenta los posibles factores de confusión, que son factores que podrían afectar tanto al tratamiento como al resultado. Al controlar estos factores de confusión, el modelo ayuda a garantizar que cualquier efecto del tratamiento observado sea verdaderamente causal y no simplemente el resultado de otros factores que están correlacionados tanto con el tratamiento como con el resultado.

El modelo causal de Rubin es un marco útil para comprender cómo estimar el efecto causal del tratamiento, incluso cuando existen variables de confusión que pueden afectar el resultado. Este modelo especifica que el efecto causal del tratamiento es la diferencia entre los resultados que se habrían observado para cada individuo si hubiera recibido el tratamiento y si no lo hubiera recibido. En la práctica, no es posible observar ambos resultados potenciales para el mismo individuo, por lo que se utilizan métodos estadísticos para estimar el efecto causal utilizando datos del experimento.

Empíricamente, ha sido difícil detectar diferencias entre estudios aleatorizados y no aleatorizados, ^{[14] [ necesita actualización ] y entre ensayos adecuadamente e inadecuadamente aleatorizados. [15] [16]}

La aleatorización es la piedra angular de muchas afirmaciones científicas. Aleatorizar significa que podemos eliminar los factores de confusión. Digamos que estudiamos el efecto de A sobre B. Sin embargo, hay muchos factores no observables U que potencialmente afectan a B y confunden nuestra estimación del resultado. Para explicar este tipo de cuestiones, los estadísticos o los econometristas utilizan actualmente gráficos acíclicos dirigidos . ^{[ necesita actualización ]}

• Prueba A/B
• Ocultación de la asignación
• Asignación aleatoria
• Diseño de bloques aleatorios
• Ensayo controlado aleatorio

• Caliński, Tadeusz y Kageyama, Sanpei (2000). Diseños de bloques: un enfoque de aleatorización, Volumen I: Análisis . Apuntes de clase sobre estadística. Vol. 150. Nueva York: Springer-Verlag. ISBN 978-0-387-98578-7.
• Caliński, Tadeusz y Kageyama, Sanpei (2003). Diseños de bloques: un enfoque de aleatorización, Volumen II: Diseño . Apuntes de clase en estadística. Vol. 170. Nueva York: Springer-Verlag. ISBN 978-0-387-95470-7.
• Hacking, Ian (septiembre de 1988). "Telepatía: orígenes de la aleatorización en el diseño experimental". Isis . 79 (3): 427–451. doi :10.1086/354775. JSTOR  234674. MR  1013489. S2CID  52201011.
• Hinkelmann, Klaus; Kempthorne, Oscar (2008). Diseño y análisis de experimentos, volumen I: Introducción al diseño experimental (segunda edición). Wiley. ISBN 978-0-471-72756-9.Señor 2363107  .
• Kempthorne, Oscar (1992). "Experimentos de intervención, aleatorización e inferencia". En Malay Ghosh y Pramod K. Pathak (ed.). Cuestiones actuales en inferencia estadística: ensayos en honor a D. Basu . Apuntes de clase del Instituto de Estadística Matemática - Serie de monografías. Hayward, CA: Instituto de Estadística Matemática. págs. 13–31. doi :10.1214/lnms/1215458836. ISBN 978-0-940600-24-9.Señor 1194407  .