Experimento aleatorio

En ciencia , los experimentos aleatorios son aquellos que permiten obtener la mayor fiabilidad y validez en las estimaciones estadísticas de los efectos de los tratamientos. La inferencia basada en la aleatorización es especialmente importante en el diseño experimental y en el muestreo de 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 uno estándar, los pacientes deben ser asignados aleatoriamente al grupo que recibe el fármaco nuevo o al grupo de control que recibe el fármaco estándar.

La experimentación aleatoria no es fortuita. La aleatorización reduce el sesgo al igualar otros factores que no se han tenido en cuenta explícitamente en el diseño experimental (según 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 la basada en la verosimilitud . En el diseño de experimentos, el diseño más simple para comparar tratamientos es el "diseño completamente aleatorio". Pueden existir algunas "restricciones a la aleatorización" con el bloqueo y en experimentos con factores difíciles de cambiar; pueden surgir restricciones adicionales a la aleatorización cuando una aleatorización completa es inviable o cuando es deseable reducir la varianza de los estimadores de los efectos seleccionados.

La aleatorización del tratamiento 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 con respecto 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 de actividad: las interacciones del usuario pueden registrarse de forma fiable.
• Número de usuarios: grandes plataformas como Amazon, Bing/Microsoft y Google realizan experimentos, cada una con más de un millón de usuarios.
• Número de experimentos concurrentes: los sitios grandes ejecutan decenas de experimentos superpuestos o concurrentes. ^{[ 5 ]}
• Robots, ya sean rastreadores web de fuentes legítimas o bots maliciosos de Internet .
• Capacidad para aumentar gradualmente la intensidad de los experimentos, desde porcentajes bajos hasta porcentajes más altos.
• La velocidad/el rendimiento tiene 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 ]}

Parece que en el libro de Daniel del Antiguo Testamento se sugiere un experimento controlado . El rey Nabucodonosor propuso que algunos israelitas comieran «una ración diaria de comida y vino de la mesa del rey». Daniel prefería una dieta vegetariana , pero el funcionario temía que el rey «te viera con peor aspecto que los demás jóvenes de tu edad. El rey me decapitaría por tu culpa». Entonces Daniel propuso el siguiente experimento controlado: «Pon a prueba a tus siervos durante diez días. Danos solo verduras 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 según lo que veas». ( Daniel 1 :12-13). ^{[ 8 ] [ 9 ]}

Los experimentos aleatorios se institucionalizaron en psicología y educación a finales del siglo XIX, tras 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.

El modelo causal de Rubin proporciona una forma común de describir un experimento aleatorio. Si bien este modelo ofrece un marco para definir los parámetros causales (es decir, los efectos de un tratamiento aleatorio sobre un resultado), el análisis de los experimentos puede adoptar diversas formas. El modelo asume que existen dos resultados potenciales para cada unidad en el estudio: el resultado si la unidad recibe el tratamiento y el resultado si la unidad no lo recibe. La diferencia entre estos dos resultados potenciales se conoce como efecto del tratamiento, que es el efecto causal del tratamiento sobre el resultado. Generalmente, los experimentos aleatorios se analizan mediante ANOVA , la prueba t de Student , el análisis de regresión o una prueba estadística similar . El modelo también considera 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 correlacionados tanto con el tratamiento como con el resultado.

El modelo causal de Rubin constituye 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 en 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 un mismo individuo, por lo que se utilizan métodos estadísticos para estimar el efecto causal a partir de los datos del experimento.

Empíricamente, existen diferencias entre estudios aleatorizados y no aleatorizados, ^{[ 14 ]}y ha sido difícil detectar diferencias entre ensayos aleatorizados adecuados e inadecuados. ^{[ 15 ] [ 16 ]}

La aleatorización es la piedra angular de muchas afirmaciones científicas. Aleatorizar significa eliminar los factores de confusión. Supongamos que estudiamos el efecto de A sobre B. Sin embargo, existen muchas variables no observables U que potencialmente afectan a B y confunden nuestra estimación del resultado. Para explicar este tipo de problemas, los estadísticos o econometristas utilizan actualmente grafos acíclicos dirigidos .

• Pruebas A/B
• ocultamiento de asignación
• Asignación aleatoria
• Diseño de bloques aleatorios
• Ensayo controlado aleatorizado

• Caliński, Tadeusz y Kageyama, Sanpei (2000). Diseños de bloques: Un enfoque de aleatorización, Volumen I : Análisis . Lecture Notes in Statistics. 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 . Lecture Notes in Statistics. 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 978-0-471-72756-9MR 2363107 .​ 
• Kempthorne, Oscar (1992). «Experimentos de intervención, aleatorización e inferencia» . En Malay Ghosh y Pramod K. Pathak (eds.). Temas actuales en inferencia estadística : ensayos en honor de D. Basu . Apuntes de clase del Instituto de Estadística Matemática - Serie de monografías. Hayward, CA: Instituto de Estadística Matemática. pp. 13–31 . doi : 10.1214/lnms/1215458836 . ISBN  978-0-940600-24-9. MR 1194407 .