What is estimated in cluster randomized crossover trials with informative sizes? -- A survey of estimands and common estimators
Diese Arbeit definiert und evaluiert die Konsistenz verschiedener Schätzer für multiple Behandlungseffekt-Estimanden in 2-Perioden-Cluster-Randomized-Crossover-Studien mit informativen Zensierungen und zeigt auf, dass während ungewichtete und gewichtete Unabhängigkeits-Schätzgleichungen (sowie spezifische feste oder austauschbare Modelle) unverzerrte Ergebnisse liefern, ungewichtete und gewichtete geschachtelte austauschbare Mixed-Effects-Modelle inkonsistent sind und zu Verzerrungen neigen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel um ein neues Medikament zu lösen. Sie können es nicht an nur einer Person testen; Sie müssen es an ganzen Gruppen testen, wie zum Beispiel verschiedenen Schulen, Krankenhäusern oder Nachbarschaften. Dies wird als „Cluster-randomisierte Studie“ bezeichnet. Es ist so, als würde man einen neuen Speiseplan in der Kantine testen, indem man die gesamte Essensausgabe an Schule A auf das neue Essen umstellt, während Schule B das alte Essen behält, und sie dann in der nächsten Woche vertauscht. Dies ist ein „Crossover“-Design, weil die Gruppen ihre Rollen tauschen.
Aber hier ist der knifflige Teil: Was ist, wenn die Schulen nicht gleich groß sind? Was ist, wenn Schule A 500 Schüler hat und Schule B nur 50? Wenn das neue Essen an der großen Schule super funktioniert, aber an der kleinen schlecht abschneidet, wie zählen Sie die Ergebnisse? Interessieren Sie sich für den durchschnittlichen Schüler (die „individuelle“ Sicht) oder die durchschnittliche Schule (die „Cluster“-Sicht)? In der Welt der Statistik nennt man dies „Estimanden“ – das spezifische Ziel, das man erreichen will. Wenn sich die Größen der Gruppen in einer Weise ändern, die mit der Wirksamkeit der Behandlung verknüpft ist, nennen Statistiker dies „informative Größen“. Es ist so, als ob die größten Schulen zufällig genau die Schulen gewesen wären, an denen das neue Essen rein zufällig am besten schmeckte; wenn man das nicht berücksichtigt, könnte Ihre Mathematik lügen.
Dieses Papier ist ein Leitfaden für Detektive (Forscher), die solche Rätsel in Multi-Period-Crossover-Studien lösen. Die Autoren, ein Team von Statistikern aus den USA, Großbritannien, Australien und Neuseeland, wollten herausfinden, welche mathematischen Werkzeuge (Schätzer) die richtige Antwort liefern, wenn die Gruppengrößen „informativ“ sind. Sie untersuchten vier Haupttypen von Werkzeugen: einfache Mittelwerte (Unabhängigkeits-Schätzgleichungen/Independence Estimating Equations), Modelle, die Gruppen als Zufallsstichproben behandeln (Mixed-Effects-Modelle), und Modelle, die Gruppen als feste Fakten behandeln (Fixed-Effects-Modelle). Sie untersuchten auch, was passiert, wenn man versucht, die Daten zu „gewichten“, um große und kleine Gruppen gleich zu behandeln.
Die Autoren führten tausende Computersimulationen durch, um diese Werkzeuge zu testen. Sie fanden heraus, dass einige populäre Werkzeuge, insbesondere die „verschachtelten austauschbaren Mixed-Effects-Modelle“ (nested exchangeable mixed effects), die Mathematik oft falsch machen, wenn die Gruppengrößen informativ sind. Es ist, als würde man eine Waage benutzen, die automatisch zusätzliches Gewicht zu schweren Kisten hinzufügt; wenn man nicht weiß, dass die Kisten schwer sind, ist das Endergebnis falsch. Diese Modelle können Ergebnisse liefern, die echt aussehen, aber tatsächlich eine verwirrende, nicht interpretierbare Zahl anvisieren, die weder der durchschnittliche Schüler noch die durchschnittliche Schule ist.
Die gute Nachricht ist jedoch, dass die Werkzeuge der „Unabhängigkeits-Schätzgleichung“ (IEE), besonders wenn sie mit den richtigen Gewichten verwendet werden, wie eine zuverlässige, unerschütterliche Waage sind. Sie treffen konsistent das richtige Ziel, egal ob man den Effekt auf ein Individuum oder eine ganze Gruppe wissen möchte, selbst wenn die Größen chaotisch sind. Das Papier fand auch heraus, dass „Fixed-Effects“-Modelle tückisch sein können; sie zielen manchmal versehentlich auf das falsche Ziel ab (wie den durchschnittlichen Zeitraum anstatt der durchschnittlichen Gruppe), wenn sich die Größen auf eine bestimmte Weise ändern.
In einem Praxistest analysierten die Autoren eine Studie über Medikamente gegen Magengeschüre bei Patienten an Beatmungsgeräten neu. Sie fanden heraus, dass die verschiedenen Werkzeuge leicht unterschiedliche Antworten gaben, was darauf hindeutete, dass die Krankenhausgrößen „informativ“ gewesen sein könnten. Die Studie kommt zu dem Schluss, dass Forscher bei der Arbeit mit diesen komplexen Multi-Period-Studien sehr vorsichtig sein müssen, welches Werkzeug sie wählen. Wenn sie sicher sein wollen, dass sie nicht von der Größe der Gruppen getäuscht werden, ist die einfache, gewichtete IEE-Methode die sicherste Wahl, während die komplexeren verschachtelten Modelle mit Vorsicht zu genießen oder zu vermeiden sind, wenn die Gruppengrößen in einer Weise variieren, die eine Rolle spielt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.