Replicación (estadística)

En ingeniería , ciencia y estadística , la replicación es el proceso de repetir un estudio o experimento bajo las mismas condiciones o similares. Es un paso crucial para probar la afirmación original y confirmar o rechazar la exactitud de los resultados, así como para identificar y corregir las fallas en el experimento original. ^{[ 1 ]} ASTM , en la norma E1847, define la replicación como "...la repetición del conjunto de todas las combinaciones de tratamientos que se compararán en un experimento. Cada una de las repeticiones se llama réplica ".

Para un diseño factorial completo , las réplicas son múltiples ejecuciones experimentales con los mismos niveles de factor. Se pueden replicar combinaciones de niveles de factor, grupos de combinaciones de niveles de factor o incluso diseños completos. Por ejemplo, consideremos un escenario con tres factores, cada uno con dos niveles, y un experimento que prueba cada combinación posible de estos niveles (un diseño factorial completo). Una replicación completa de este diseño comprendería 8 ejecuciones (${\displaystyle 2^{3}}$). El diseño puede ejecutarse una vez o con varias réplicas. ^{[ 2 ]}

En estadística existen dos tipos principales de replicación. Primero, está el tipo llamado “replicación exacta” (también llamada “replicación directa”), que consiste en repetir el estudio lo más fielmente posible al original para comprobar si los resultados originales pueden reproducirse con precisión. ^{[ 3 ]} Por ejemplo, repetir un estudio sobre el efecto de una dieta específica en la pérdida de peso utilizando el mismo plan de dieta y los mismos métodos de medición. El segundo tipo de replicación se denomina “replicación conceptual”. Esta consiste en probar la misma teoría que el estudio original, pero con condiciones diferentes. ^{[ 3 ]} Por ejemplo, probar el efecto de la misma dieta en los niveles de glucosa en sangre en lugar de en la pérdida de peso, utilizando diferentes métodos de medición.

Tanto las replicaciones exactas (directas) como las conceptuales son importantes. Las replicaciones directas ayudan a confirmar la exactitud de los hallazgos dentro de las condiciones que se probaron inicialmente. Por otro lado, las replicaciones conceptuales examinan la validez de la teoría que sustenta esos hallazgos y exploran diferentes condiciones bajo las cuales dichos hallazgos siguen siendo válidos. En esencia, la replicación conceptual proporciona información sobre la generalización de los hallazgos. ^{[ 4 ]}

La replicación no es lo mismo que las mediciones repetidas del mismo elemento. Tanto las mediciones repetidas como las replicadas implican múltiples observaciones tomadas en los mismos niveles de factores experimentales. Sin embargo, las mediciones repetidas se recopilan durante una única sesión experimental, mientras que las mediciones replicadas se recopilan en diferentes sesiones experimentales. ^{[ 2 ]} En estadística, la replicación evalúa la consistencia de los resultados del experimento en diferentes ensayos para garantizar la validez externa, mientras que la repetición mide la precisión y la consistencia interna dentro del mismo experimento o experimentos similares. ^{[ 5 ]}

Ejemplo de réplicas: Probar el efecto de un nuevo fármaco sobre la presión arterial en grupos separados en días diferentes.

Ejemplo de repetición: Medir la presión arterial varias veces en un mismo grupo durante una sola sesión.

En los estudios de replicación dentro del campo de la estadística, se emplean varios métodos y conceptos clave para evaluar la fiabilidad de los resultados de la investigación. A continuación, se presentan algunos de los principales métodos y conceptos estadísticos utilizados en la replicación:

Valores p : El valor p es una medida de la probabilidad de que los datos observados ocurran por casualidad si la hipótesis nula es verdadera. En los estudios de replicación, los valores p nos ayudan a determinar si los hallazgos pueden replicarse de manera consistente. Un valor p bajo en un estudio de replicación indica que es poco probable que los resultados se deban al azar. ^{[ 6 ]} Por ejemplo, si un estudio encontró un efecto estadísticamente significativo de una condición de prueba sobre un resultado, y la replicación también encuentra efectos estadísticamente significativos, esto sugiere que el hallazgo original es probablemente reproducible.

Intervalos de confianza : Los intervalos de confianza proporcionan un rango de valores dentro del cual es probable que se encuentre el verdadero tamaño del efecto. En los estudios de replicación, comparar los intervalos de confianza del estudio original y la replicación puede indicar si los resultados son consistentes. ^{[ 6 ]} Por ejemplo, si el estudio original informa un efecto del tratamiento con un intervalo de confianza del 95 % de [5, 10], y el estudio de replicación encuentra un efecto similar con un intervalo de confianza de [6, 11], esta superposición indica hallazgos consistentes en ambos estudios.

Como ejemplo, consideremos un proceso continuo que produce artículos. Luego, se procesan o tratan lotes de artículos. Finalmente, se realizan pruebas o mediciones. Existen varias opciones para obtener diez valores de prueba. Algunas posibilidades son:

• Un mismo artículo terminado y tratado podría medirse repetidamente para obtener diez resultados de prueba. Solo se midió un artículo, por lo que no hay replicación. Las mediciones repetidas ayudan a identificar el error de observación .
• Se pueden tomar diez artículos terminados y tratados de un lote y medir cada uno una sola vez. Esto no constituye una replicación completa, ya que las diez muestras no son aleatorias ni representativas del procesamiento continuo ni del procesamiento por lotes.
• Se seleccionan cinco elementos del proceso continuo mediante un muestreo estadístico riguroso. Estos se procesan en lotes y se analizan dos veces cada uno. Esto incluye la replicación de las muestras iniciales, pero no permite la variación entre lotes en el procesamiento. Las pruebas repetidas en cada elemento proporcionan una medida y un control del error de prueba.
• Se seleccionan cinco elementos del proceso continuo mediante un muestreo estadístico riguroso. Estos se procesan en cinco lotes diferentes y se analizan dos veces cada uno. Este plan incluye la replicación adecuada de las muestras iniciales y también contempla la variación entre lotes. Las pruebas repetidas en cada elemento permiten medir y controlar el margen de error.
• Para un muestreo adecuado , un proceso o lote de productos debe estar bajo un control estadístico razonable ; existe variación aleatoria inherente , pero no variación debida a causas asignables (especiales). La evaluación o prueba de un solo artículo no permite considerar la variación entre artículos y puede no ser representativa del lote o proceso. Se requiere replicación para tener en cuenta esta variación entre artículos y tratamientos.

Cada opción requeriría diferentes métodos de análisis de datos y arrojaría conclusiones diferentes.

• Grados de libertad (estadística)
• Diseño de experimentos
• Pseudorreplicación
• Crisis de replicación
• Tamaño de la muestra
• Conjunto estadístico
• Control estadístico de procesos
• Método de prueba

• ASTM E122-07 Práctica estándar para calcular el tamaño de la muestra para estimar, con precisión especificada, el promedio de una característica de un lote o proceso.
• " Manual de estadística para ingeniería ", NIST/SEMATEK
• Pyzdek, T., "Manual de ingeniería de calidad", 2003, ISBN 0-8247-4614-7.
• Godfrey, AB, "Manual de calidad de Juran", 1999, ISBN 9780070340039.