📊 statistics

Sample Size Determination Under Selection Bias: Robust Tolerance Limits for Prevalent Cohort Data

Dieser Beitrag leitet modifizierte, verteilungsfreie Toleranzgrenzformeln her und validiert diese, die verschiedene verzerrte Stichprobenverfahren wie Gewichtsverzerrung und Zensierung berücksichtigen, um die Einschränkungen traditioneller Methoden zu adressieren, wenn unverzerrte repräsentative Stichproben nicht verfügbar sind, und demonstriert ihre Anwendung anhand von Demenzdaten aus der kanadischen Studie zur Gesundheit und zum Altern.

Ursprüngliche Autoren: James H. McVittie, Martin Lysy, Masoud Asgharian

Veröffentlicht 2026-05-20

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: James H. McVittie, Martin Lysy, Masoud Asgharian

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 Bäcker, der herausfinden muss, wie viele Kekse er backen muss, um sicherzustellen, dass, wenn Sie zwei bestimmte Kekse aus dem Blech nehmen (sagen wir den 3. kleinsten und den 10. größten), der Raum zwischen ihnen mindestens 80 % aller Keksgrößen enthält, die Sie hätten backen können.

In der Welt der Statistik nennt man dies das Finden einer Toleranzgrenze. Seit Jahrzehnten haben Statistiker ein berühmtes, einfaches Rezept (die Scheffé-Tukey-Formel), um diese Frage zu beantworten. Das Rezept funktioniert perfekt, wenn Ihr Keksblech eine faire, zufällige Stichprobe der gesamten Charge darstellt. Wenn Sie Kekse blind auswählen, stimmt die Mathematik.

Das Problem: Das „verzerrte" Blech
In der realen Welt – insbesondere in medizinischen Studien wie der Verfolgung von Demenzpatienten – können Sie jedoch oft kein faires, zufälliges Blech erhalten. Sie erhalten möglicherweise nur Kekse, die „länger" oder „schwerer" sind, aufgrund der Art und Weise, wie Sie sie gesammelt haben.

Die Analogie: Stellen Sie sich vor, Sie untersuchen, wie lange Menschen mit einer Krankheit leben. Wenn Sie erst anfangen, Menschen zu beobachten, nachdem sie bereits eine Weile krank waren (eine „prävalente Kohorte"), finden Sie mit größerer Wahrscheinlichkeit die Menschen, die länger überleben. Die kurzlebigen Patienten sind bereits verstorben und für Sie unsichtbar.
Das Ergebnis: Ihre Stichprobe ist verzerrt. Es ist wie ein Blech, auf dem nur die größten Kekse bleiben durften. Wenn Sie das alte, einfache Rezept auf dieses verzerrte Blech anwenden, berechnen Sie, dass Sie sehr wenige Kekse benötigen, um Ihre 80 %-Abdeckung zu erreichen. In Wirklichkeit liegen Sie jedoch weit daneben. Sie denken, Sie hätten genügend Daten, aber das tun Sie nicht.

Die Lösung: Neue Rezepte für eine verzerrte Welt
Die Autoren dieses Papiers, James McVittie, Martin Lysy und Masoud Asgharian, erkannten, dass das alte Rezept versagt, wenn die Daten verzerrt sind. Sie entwickelten zwei neue „Rezepte" (Methoden), um die Mathematik so zu korrigieren, dass sie auch funktioniert, wenn Ihre Stichprobe verzerrt ist.

Die „Ungleichheits"-Methode (Der Über-Vorbereiter):
Diese Methode versucht, auf der sicheren Seite zu sein, indem sie eine Reihe logischer „Wenn-Dann"-Regeln verwendet. Es ist wie ein Bäcker, der sich wegen des verzerrten Blechs Sorgen macht und beschließt, viel mehr Kekse zu backen als nötig, nur um absolut sicher zu gehen.
- Der Haken: Es funktioniert, ist aber verschwenderisch. Es sagt Ihnen, dass Sie eine massive Datenmenge (eine riesige Stichprobengröße) sammeln müssen, um auf der sicheren Seite zu sein, und überschätzt oft, was Sie tatsächlich benötigen.
Die „FFT"-Methode (Der Präzisions-Koch):
Dies ist der Star des Papiers. „FFT" steht für Fast Fourier Transform (Schnelle Fourier-Transformation), ein ausgeklügeltes mathematisches Werkzeug, das wie ein Hochgeschwindigkeitsmixer für Wahrscheinlichkeitskurven wirkt.
- Funktionsweise: Anstatt zu raten oder lockere Regeln zu verwenden, nimmt diese Methode die Form Ihrer verzerrten Daten und „mixt" sie mathematisch zurück, um zu sehen, wie die ursprüngliche, faire Verteilung aussah. Anschließend berechnet sie die genaue Anzahl der Kekse (Stichprobengröße), die benötigt wird.
- Das Ergebnis: Sie ist unglaublich genau. Sie sagt Ihnen die genaue Anzahl der Personen, die Sie untersuchen müssen, um Ihre 80 %-Abdeckung zu erreichen, nicht mehr und nicht weniger.

Der Beweis: Die Simulation und der reale Test
Die Autoren testeten diese neuen Rezepte auf zwei Arten:

Die Simulation: Sie erstellten gefälschte Computerdaten, bei denen sie die „wahre" Antwort kannten. Als sie das alte Rezept auf verzerrte Daten anwendeten, versagte es kläglich (es sagte voraus, dass sie zu wenige Personen benötigten). Die „Ungleichheits"-Methode war zu vorsichtig (sie sagte zu viele voraus). Die FFT-Methode traf jedes Mal den Bullseye.
Der reale Test: Sie wandten dies auf echte Daten aus der Canadian Study of Health and Aging (CSHA) an, die Menschen mit Demenz verfolgt. Da diese Studie nur Menschen erfasst, die bereits diagnostiziert wurden (eine verzerrte Stichprobe), hätte die alte Mathematik die falsche Antwort geliefert. Mit ihrer neuen FFT-Methode berechneten sie genau, wie viele weitere Teilnehmer benötigt würden, um statistisch sicher zu sein.

Das Fazit
Wenn Sie eine Studie durchführen, bei der Ihre Daten natürlich „verzerrt" sind (wie beim Betrachten von Menschen, die eine Krankheit bereits eine Weile überlebt haben), verwenden Sie nicht die alte, einfache mathematische Formel. Sie wird Sie anlügen.

Verwenden Sie stattdessen die neue FFT-Methode, die in diesem Papier vorgeschlagen wird. Es ist wie der Upgrade von einer groben Schätzung zu einem lasergeführten Rechner. Es stellt sicher, dass Sie weder Geld und Zeit verschwenden, indem Sie zu viele Daten sammeln, noch Ihr Studium riskieren, indem Sie zu wenig sammeln. Es ist der effizienteste Weg, um mit unordentlichen, realen Daten umzugehen.

Technisches Fazit: Bestimmung des Stichprobenumfangs unter Selektionsverzerrung

Problemstellung
Die Bestimmung ausreichender Stichprobenumfänge für statistische Studien ist entscheidend, um die Power von Hypothesentests zu gewährleisten und den Großteil der Populationsverteilung abzubilden. Der klassische Rahmen für dieses Problem, der von Scheffé und Tukey (1944) etabliert wurde, liefert eine verteilungsfreie Formel, die den Stichprobenumfang über Ordnungsstatistiken mit der Populationsabdeckung in Beziehung setzt. Diese Formel beruht jedoch auf der strengen Annahme einer unverzerrten, zufälligen Stichprobe aus der Zielpopulation. In biologischen und medizinischen Anwendungen verhindern logistische Einschränkungen oft eine solche Stichprobenziehung, was zu verzerrten Designs führt, wie etwa Prävalenz-Kohortenstudien, längenverzerrter Stichprobenziehung und zensierten Ausfallzeitdaten. Wenn die klassische Scheffé-Tukey-Formel auf diese verzerrten Stichproben angewendet wird, liefert sie fehlerhafte Schätzungen des Stichprobenumfangs und der Abdeckungswahrscheinlichkeiten. Bestehende neuere Ansätze für zensierte Daten beruhen häufig auf einschränkenden Annahmen, wie etwa exponentiellen Ausfallzeitverteilungen. Dieser Beitrag adressiert den Bedarf an robusten Formeln für den Stichprobenumfang, die allgemeine verzerrte Stichprobenpläne aufnehmen, ohne auf spezifische parametrische Formen wie die Exponentialverteilung beschränkt zu sein.

Methodik
Die Autoren schlagen Erweiterungen der Scheffé-Tukey-Formel vor, um eine große Klasse verzerrter Stichprobenpläne zu behandeln, einschließlich Gewichtsverzerrung und Zensierung. Im Gegensatz zum unverzerrten Fall sind die modifizierten Formeln nicht verteilungsfrei; sie erfordern a priori-Wissen (oder eine Schätzung) sowohl der Zielpopulationsverteilung ( $F$ ) als auch der verzerrten Stichprobenverteilung ( $G$ ). Der Beitrag skizziert zwei primäre Ansätze zur Lösung der Ungleichung für das Abdeckungsproblem $P[F(Y_{n-m+1}) - F(Y_r) \geq q] \geq 1 - \alpha$ , wobei $Y$ Ordnungsstatistiken aus der verzerrten Verteilung darstellt:

Analytischer Ungleichungsansatz: Diese Methode approximiert das zweiseitige Abdeckungsproblem, indem sie die Ordnungsstatistiken als annähernd unabhängig behandelt und eine Sequenz einseitiger Ungleichungen nutzt. Sie verwendet eine stückweise lineare Approximation der Quantilabbildung $\Phi^{-1} = F \circ G^{-1}$ . Obwohl dies eine analytische Lösung liefert, stellen die Autoren fest, dass die Sequenz von Ungleichungen lockere Schranken bietet, was häufig zu einer Überschätzung des erforderlichen Stichprobenumfangs führt.
Computergestützter FFT-Ansatz: Um die im Ungleichungsansatz inhärente Überschätzung zu vermeiden, schlagen die Autoren einen rechnerischen Ansatz vor, der auf der Fast Fourier Transform (FFT) basiert. Unter der Annahme der Unabhängigkeit zwischen Ordnungsstatistiken für moderate Stichprobenumfänge wird die Wahrscheinlichkeitsdichtefunktion (PDF) der Differenz zwischen Ordnungsstatistiken durch die Faltung ihrer individuellen PDFs hergeleitet. Diese Faltung wird effizient unter Verwendung der FFT berechnet. Die Methode approximiert das Integral der resultierenden PDF mittels einer Riemann-Summe auf einem Gitter, was die numerische Schätzung der Abdeckungswahrscheinlichkeit und die anschließende Nullstellensuche für den Stichprobenumfang $n$ ermöglicht.

Der Beitrag erläutert, wie die notwendigen Quantilabbildungen ( $\Phi$ und $\Phi^{-1}$ ) in verschiedenen Szenarien erhalten werden können: analytisch für spezifische Verteilungen, mittels Monte-Carlo-Simulation, wenn Verteilungen nicht handhabbar sind, oder durch nichtparametrische Maximum-Likelihood-Schätzer (NPMLE) unter Verwendung von Daten aus Pilotstudien.

Hauptergebnisse
Die vorgeschlagenen Methoden wurden durch eine umfassende Simulationsstudie und eine Anwendung auf reale Daten validiert:

Simulationsstudie: Unter Verwendung von Gamma-verteilten Zielpopulationen mit variierenden Hazard-Raten und längenverzerrter Stichprobenziehung mit rechtszensierten Daten verglich die Studie die klassische Scheffé-Tukey-Formel, den Ungleichungsansatz und den FFT-Ansatz.
- Die Scheffé-Tukey-Formel unterschätzte den erforderlichen Stichprobenumfang konsistent, was zu empirischen Abdeckungswahrscheinlichkeiten führte, die signifikant unter dem nominalen Niveau von 95 % lagen.
- Der Ungleichungsansatz neigte dazu, den Stichprobenumfang zu überschätzen und lieferte Abdeckungswahrscheinlichkeiten nahe 100 %, was mit steigenden Zensierungsraten weniger effizient wird.
- Der FFT-Ansatz identifizierte erfolgreich den korrekten Stichprobenumfang und erreichte über alle Szenarien hinweg empirische Abdeckungswahrscheinlichkeiten nahe dem nominalen Niveau von 0,95. Die Rechenkosten wurden als vernachlässigbar befunden (typischerweise unter 0,1 Sekunden).
Anwendung auf CSHA-Daten: Die Methoden wurden auf Daten aus der Canadian Study of Health and Aging (CSHA) angewendet, einer Prävalenz-Kohortenstudie bei Demenzpatienten mit längenverzerrten und rechtszensierten Ausfallzeiten. Unter Verwendung der CSHA-Daten als Pilotstudie zur Schätzung der Verteilungen berechneten die Autoren erforderliche Stichprobenumfänge für verschiedene Konfigurationen von Ordnungsstatistiken.
- Die Ergebnisse spiegelten die Befunde der Simulationsstudie wider: Scheffé-Tukey lieferte die kleinsten Stichprobenumfänge, der Ungleichungsansatz die größten, und der FFT-Ansatz ergab mittlere Werte.
- Die Autoren stellen fest, dass zwar die berechneten Stichprobenumfänge kleiner waren als die Größe der bestehenden CSHA-Kohorte, der Vergleich jedoch die erhebliche Abweichung der Schätzungen zwischen den Methoden bei Vorliegen von Verzerrungen unterstreicht.

Bedeutung und Behauptungen
Der Beitrag behauptet, dass die klassische Scheffé-Tukey-Formel für verzerrte Stichprobenregime ungültig ist und zu statistisch unhaltbaren Studiendesigns führt. Der primäre Beitrag ist die Herleitung und Validierung modifizierter Formeln für den Stichprobenumfang, die Selektionsverzerrung und Zensierung berücksichtigen. Die Autoren betonen, dass diese Methoden zwar Wissen über die zugrunde liegenden Verteilungen (oder die Fähigkeit zu deren Schätzung mittels Pilotstudien) erfordern, aber eine notwendige Korrektur zur Standardpraxis darstellen.

Die Autoren schließen bescheiden, dass der FFT-basierte Ansatz die empfohlene Methode zur Berechnung von Stichprobenumfängen für Toleranzgrenzen unter verzerrter Stichprobenziehung ist. Sie argumentieren, dass der vernachlässigbare rechnerische Trade-off des FFT-Verfahrens durch die signifikante Steigerung der Genauigkeit im Vergleich sowohl zur klassischen Formel als auch zum konservativen Ungleichungsansatz gerechtfertigt ist. Die Arbeit bietet einen praktischen Rahmen für Forscher, die mit Daten aus Prävalenz-Kohorten umgehen, und stellt sicher, dass Berechnungen des Stichprobenumfangs die Komplexitäten verzerrter Stichprobenpläne widerspiegeln, anstatt sich auf idealisierte Annahmen der Unverzerrtheit zu verlassen.

Technisches Fazit: Bestimmung des Stichprobenumfangs unter Selektionsverzerrung

Mehr davon