Replicación (estadísticas)

En ingeniería , ciencia y estadística , la replicación es el proceso de repetir un estudio o experimento bajo las mismas condiciones o condiciones similares para respaldar la afirmación original, lo cual es crucial para confirmar la precisión de los resultados, así como para identificar y corregir los defectos 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 denomina réplica " .

En un diseño factorial completo, las réplicas son múltiples ejecuciones experimentales con los mismos niveles de factores. Se pueden replicar combinaciones de niveles de factores, grupos de combinaciones de niveles de factores o incluso diseños completos. Por ejemplo, considere 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 réplica completa de este diseño comprendería 8 ejecuciones (2^3). El diseño se puede ejecutar una vez o con varias réplicas. ^[2]

Existen dos tipos principales de replicación en estadística. En primer lugar, existe un tipo llamado “replicación exacta” (también llamada “replicación directa”), que implica repetir el estudio lo más fielmente posible al original para ver 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 métodos de medición. El segundo tipo de replicación se llama “replicación conceptual”. Esto implica probar la misma teoría que el estudio original pero con diferentes condiciones. ^[3] Por ejemplo, probar el efecto de la misma dieta en los niveles de azúcar en sangre en lugar de la pérdida de peso, utilizando diferentes métodos de medición.

Tanto las réplicas exactas (directas) como las réplicas conceptuales son importantes. Las réplicas directas ayudan a confirmar la precisión de los hallazgos dentro de las condiciones que se probaron inicialmente. Por otro lado, las réplicas conceptuales examinan la validez de la teoría detrás de esos hallazgos y exploran diferentes condiciones bajo las cuales esos hallazgos siguen siendo verdaderos. En esencia, la réplica conceptual proporciona información sobre cuán generalizables son 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 sola sesión experimental, mientras que las mediciones replicadas se recopilan en diferentes sesiones experimentales. ^[2] La replicación en estadística 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 de experimentos similares. ^[5]

Ejemplo de réplica: probar el efecto de un nuevo medicamento sobre la presión arterial en grupos separados en días diferentes.

Repeticiones Ejemplo: Medir la presión arterial varias veces en un 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 se produzcan por casualidad si la hipótesis nula fuera verdadera. En los estudios de replicación, los valores p nos ayudan a determinar si los hallazgos se pueden replicar 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 es probable que el hallazgo original sea reproducible.

Intervalos de confianza : los intervalos de confianza proporcionan un rango de valores dentro del cual es probable que se encuentre el tamaño del efecto real. En los estudios de replicación, la comparación de 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, considere un proceso continuo que produce artículos. Luego se procesan o tratan lotes de artículos. Finalmente, se realizan pruebas o mediciones. Pueden existir varias opciones para obtener diez valores de prueba. Algunas posibilidades son:

• Un artículo terminado y tratado puede 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 errores de observación .
• Se pueden tomar diez artículos terminados y tratados de un lote y medir cada uno una vez. Esto no es una réplica completa porque las diez muestras no son aleatorias y no son representativas del procesamiento continuo ni del procesamiento por lotes.
• Se extraen cinco elementos del proceso continuo basado en un muestreo estadístico sólido. Estos se procesan en un lote y se prueban dos veces cada uno. Esto incluye la replicación de las muestras iniciales, pero no permite la variación de un lote a otro en el procesamiento. Las pruebas repetidas en cada uno proporcionan cierta medida y control del error de prueba.
• Se toman cinco elementos del proceso continuo sobre la base de un muestreo estadístico sólido. Estos se procesan en cinco lotes diferentes y se prueban dos veces cada uno. Este plan incluye la réplica adecuada de las muestras iniciales y también incluye la variación de lote a lote. Las pruebas repetidas en cada uno proporcionan cierta medida y control del error de prueba.
• Para que el muestreo sea adecuado , un proceso o lote de productos debe estar bajo un control estadístico razonable ; existe una variación aleatoria inherente , pero no una variación debida a causas asignables (especiales). La evaluación o prueba de un solo artículo no permite la variación entre artículos y puede no representar el lote o proceso. Se necesita 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
• 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 de 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 .