Estimation of relative risk, odds ratio and their logarithms with guaranteed accuracy and controlled sample size ratio

El artículo propone estimadores de dos etapas secuenciales para la razón de riesgos, la razón de momios y sus logaritmos que garantizan un error cuadrático medio relativo controlado y una relación de tamaños de muestra cercana a un valor prescrito para cualquier par de probabilidades, manteniendo una alta eficiencia respecto al límite de Cramér-Rao.

Lo esencial

¡Claro que sí! Imagina que eres un detective estadístico en una misión muy importante: tienes que comparar dos grupos de personas (por ejemplo, los que tomaron una vacuna y los que no) para ver quién tiene más probabilidades de enfermar.

El problema es que no sabes de antemano cuántas personas necesitas investigar para estar 100% seguro de tu resultado. Si investigas a muy pocos, tu conclusión podría ser un error afortunado. Si investigas a demasiados, estás desperdiciando tiempo y dinero.

Este artículo de Luis Mendo presenta una "receta" inteligente para resolver este dilema. Aquí te explico cómo funciona, usando analogías sencillas:

1. El Problema: La "Adivinanza" de la Muestra

Imagina que quieres saber si un dado está trucado (Populación 1) comparándolo con un dado normal (Populación 2).

• El riesgo relativo (RR): Es simplemente decir: "¿Cuántas veces más probable es que salga un 6 con el dado trucado que con el normal?".
• El odds ratio (OR): Es una forma más compleja de medir esa ventaja, muy usada en medicina y aprendizaje automático.

El desafío es: ¿Cuántas veces debes lanzar los dados para estar seguro de tu cálculo? Si los dados son muy raros (la enfermedad es muy poco común), necesitas lanzarlos muchísimas veces. Si son comunes, con menos basta. Pero como no sabes la "rareza" real, no puedes decidir el número de lanzamientos de antemano.

2. La Solución: El Método de "Dos Fases" (El Ensayo y Error)

El autor propone un sistema de dos etapas, como si fueras a cocinar un plato complejo:

• Fase 1: El "Prueba y Error" (La fase piloto).
  Empiezas lanzando los dados (o tomando muestras) de ambos grupos hasta obtener un número pequeño y fijo de "éxitos" (por ejemplo, 5 personas que enfermaron).

  • Analogía: Es como hacer un "bocadillo de prueba" para ver qué tan salada está la sopa. No comes todo el plato, solo pruebas un poco para tener una idea.
  • Con esta pequeña muestra, calculas una estimación aproximada de la diferencia entre los grupos.

• Fase 2: La "Cocina Definitiva" (La fase de ajuste).
  Aquí viene la magia. Usas la información de la Fase 1 para decidir exactamente cuántos dados más necesitas lanzar en cada grupo.

  • Si la Fase 1 te dijo que el grupo A es muy raro, le dices al sistema: "¡Necesitamos muchos más lanzamientos del grupo A!".
  • Si el grupo B es común, dices: "Con pocos más es suficiente".
  • El sistema calcula automáticamente el número exacto para que tu error final sea menor a un límite que tú mismo elegiste (por ejemplo, "quiero estar seguro al 95%").

3. El Control de la "Equidad" (La Balanza)

A veces, no solo quieres precisión, sino que el número de personas de cada grupo sea equilibrado (o en una proporción específica, como 2 de un grupo por cada 1 del otro).

• Analogía: Imagina que tienes dos balanzas. Quieres que el peso total de las manzanas (Grupo 1) y las peras (Grupo 2) mantenga una relación específica, pero no sabes cuántas frutas hay.
• El método ajusta dinámicamente la cantidad de frutas que pones en cada lado para que, al final, la balanza esté casi perfecta, sin importar si las manzanas son muy pequeñas o muy grandes.

4. Dos Formas de Recoger los Datos

El artículo explica cómo aplicar esto de dos maneras:

• Muestreo Individual (Element Sampling):
  Es como recoger frutas una por una. Si necesitas una manzana más, vas al árbol y coges una. Si necesitas una pera, vas al otro árbol. Es flexible y muy eficiente.
• Muestreo por Grupos (Group Sampling):
  Imagina que tienes cajas. Cada caja viene con 3 manzanas y 2 peras preempaquetadas. No puedes abrir la caja y sacar solo una fruta; tienes que tomar la caja entera.
  • El truco: Si necesitas 10 manzanas y 5 peras, y las cajas traen 3 y 2, tendrás que tomar 4 cajas (que te dan 12 manzanas y 8 peras). Te sobrarán 2 manzanas y 3 peras que tirarás.
  • El autor demuestra que, aunque esto desperdicia un poco de fruta (datos), sigue siendo muy eficiente y garantiza que la proporción de cajas sea exacta.

5. ¿Por qué es genial este método?

• Garantía de Precisión: A diferencia de los métodos antiguos que adivinaban el tamaño de la muestra, este método garantiza que tu error no superará un límite, sin importar cuán raro o común sea el fenómeno que estudias.
• Eficiencia: No desperdicia recursos. Usa la cantidad justa de datos. Si el fenómeno es muy raro, trabaja más; si es común, trabaja menos.
• Versatilidad: Funciona para medir riesgos simples (RR), odds ratios (OR) y sus versiones logarítmicas (que son útiles para algoritmos de Inteligencia Artificial).

En Resumen

Luis Mendo ha creado un algoritmo de "auto-ajuste". Es como un GPS que, en lugar de decirte "llegarás en 30 minutos" (fijo), te dice: "Mira el tráfico ahora mismo (Fase 1), calcula cuánto tardarás realmente y ajusta tu ruta (Fase 2) para llegar exactamente a la hora que prometiste, sin importar si hay un accidente o una carretera despejada".

Es una herramienta poderosa para médicos, científicos de datos y cualquier persona que necesite tomar decisiones basadas en datos sin gastar recursos innecesarios ni arriesgarse a conclusiones erróneas.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Resumen Técnico: Estimación de Riesgo Relativo, Razón de Probabilidades y sus Logaritmos con Precisión Garantizada y Control de Tamaño Muestral

1. Planteamiento del Problema
El artículo aborda el problema de estimar cuatro parámetros estadísticos fundamentales derivados de dos poblaciones independientes con probabilidades de éxito $p_1$ y $p_2$:

• Riesgo Relativo (RR): $\theta = p_1/p_2$.
• Razón de Probabilidades (Odds Ratio, OR): $\psi = \frac{p_1(1-p_2)}{p_2(1-p_1)}$.
• Log-Riesgo Relativo (LRR): $\Theta = \log(\theta)$.
• Log-Razón de Probabilidades (LOR): $\Psi = \log(\psi)$.

El desafío principal reside en diseñar estimadores que garanticen una precisión objetivo (definida como Error Cuadrático Medio Relativo para RR y OR, o Error Cuadrático Medio absoluto para sus versiones logarítmicas) para cualquier valor de $p_1, p_2 \in (0,1)$, sin conocerlos de antemano. Además, el método debe permitir el control de la proporción entre los tamaños muestrales promedio de las dos poblaciones, ya sea mediante muestreo individual (elemento a elemento) o muestreo en grupos (lotes).

Los métodos de tamaño fijo fallan en garantizar esta precisión universal, especialmente cuando las probabilidades son muy bajas, por lo que el autor propone el uso de muestreo secuencial.

2. Metodología Propuesta
La solución se basa en un procedimiento de muestreo secuencial de dos etapas aplicado a cada población, utilizando Muestreo Binomial Inverso (IBS) (Inverse Binomial Sampling).

• Fase 1 (Muestreo Piloto):

  • Se observa cada población hasta obtener un número fijo de éxitos ($r_1$ y $r_2$).
  • El número de muestras necesarias ($M_1, M_2$) sigue una distribución binomial negativa.
  • Estos datos se utilizan para estimar preliminarmente el parámetro de interés y calcular los parámetros necesarios para la segunda fase.

• Fase 2 (Muestreo de Precisión):

  • Basándose en los resultados de la fase 1, se calculan dinámicamente nuevos parámetros de IBS ($s_1$ y $s_2$) para cada población.
  • Se realiza un nuevo muestreo hasta obtener $s_1$ y $s_2$ éxitos (o éxitos/fallos específicos según el estimador).
  • Los tamaños de muestra $s_1$ y $s_2$ se eligen para satisfacer dos condiciones simultáneamente:
    1. Garantía de Error: El Error Cuadrático Medio (MSE) o MSE relativo debe ser menor que un valor objetivo $A$.
    2. Control de Proporción: La relación entre los tamaños muestrales promedio de ambas poblaciones debe aproximarse a una razón deseada $\lambda$.

• Estrategias de Muestreo:

  • Muestreo de Elementos: Las muestras se toman una a una. La relación de tamaños es aproximada en promedio.
  • Muestreo en Grupos (Group Sampling): Las muestras se toman en lotes de tamaño fijo ($l_1$ de la población 1 y $l_2$ de la población 2). Esto impone una relación de tamaños exacta ($l_1/l_2$), aunque puede generar un ligero exceso de muestras no utilizadas (desperdicio) al final del proceso.

• Casos Especiales (OR y LOR):

  • Para estimar la Razón de Probabilidades (OR) y su logaritmo, el método requiere estimar las probabilidades de éxito y fracaso por separado.
  • Se utiliza una técnica de "Fábrica de Bernoulli" en la primera etapa para generar muestras con parámetros transformados ($\bar{p}_i = p_i(1-p_i)$) a partir de las observaciones originales, permitiendo el control de la precisión en la estimación de la varianza.

3. Contribuciones Clave

• Estimadores Insesgados con Garantía Rigurosa: Se proponen estimadores insesgados que garantizan matemáticamente que el error (relativo o absoluto) no exceda el umbral $A$ para cualquier $p_1, p_2$, superando las limitaciones de los métodos de tamaño fijo.
• Control de Eficiencia y Proporción: El método logra un equilibrio óptimo entre la precisión requerida y el costo muestral, permitiendo ajustar la proporción de muestras entre poblaciones.
• Análisis de Eficiencia: Se demuestra que la eficiencia de los estimadores (definida en relación con el límite de Cramér-Rao) es muy alta, acercándose a 1 (óptimo) cuando el error objetivo $A$ es pequeño.
• Generalización: El marco teórico se extiende para cubrir tanto el muestreo individual como el en grupos, y se aplica a las cuatro variantes de parámetros (RR, LRR, OR, LOR).
• Algoritmos Definidos: Se proporcionan algoritmos explícitos (Algoritmos 1 y 2 en el anexo) que detallan los pasos computacionales, incluyendo la selección de parámetros de diseño ($r_1, r_2, \gamma, \delta$) basados en funciones de curvatura y aproximaciones asintóticas.

4. Resultados
Los resultados se validan mediante simulaciones de Monte Carlo ($10^6$ realizaciones) y comparaciones con límites teóricos:

• Precisión: El Error Cuadrático Medio Relativo (para RR/OR) y el MSE (para LRR/LOR) siempre permanecen por debajo del valor objetivo $A$, cumpliendo la garantía teórica.
• Tamaño Muestral: Los tamaños muestrales promedio obtenidos en las simulaciones coinciden estrechamente con las cotas teóricas derivadas, especialmente para valores pequeños de $A$.
• Proporción de Muestras: La relación entre los tamaños muestrales promedio de las dos poblaciones se mantiene muy cerca de la razón deseada $\lambda$ (desviaciones menores al 11% incluso en casos extremos, y mucho menores para $A$ pequeño).
• Eficiencia:
  • Para muestreo de elementos, la eficiencia es alta (ej. >80% para un RMSE relativo del 20%).
  • Para muestreo en grupos, la eficiencia es ligeramente inferior (pérdida de ~0.15 en el rango de $A$ 0.01–0.1) debido a la necesidad de tomar el máximo de los lotes requeridos por ambas poblaciones, pero sigue siendo muy buena.
• Comportamiento Asintótico: A medida que $A \to 0$, la eficiencia tiende a 1, indicando que los estimadores son asintóticamente eficientes.

5. Significado e Impacto
Este trabajo es significativo por varias razones:

• Aplicabilidad en Ciencias Médicas y Sociales: Proporciona herramientas robustas para ensayos clínicos (ej. comparación de vacunas) donde es crítico garantizar un nivel de precisión sin depender de suposiciones previas sobre la incidencia de la enfermedad.
• Optimización de Recursos: Permite diseñar estudios que no solo cumplen con los requisitos estadísticos de error, sino que también optimizan el uso de recursos al controlar la proporción de muestras recolectadas en cada grupo.
• Avance Teórico: Llena un vacío en la literatura al ofrecer estimadores que combinan simultáneamente la garantía de error universal y el control de la relación de tamaños muestrales, algo que los métodos anteriores no lograban conjuntamente.
• Versatilidad: La capacidad de adaptarse al muestreo en grupos es particularmente útil en escenarios donde la recolección de datos ocurre en lotes (ej. pruebas de laboratorio por tandas), asegurando que la relación de tamaños sea exacta sin sacrificar la precisión estadística.

En conclusión, el artículo presenta un marco metodológico completo y riguroso para la estimación de parámetros de riesgo y odds, ofreciendo soluciones prácticas y teóricamente sólidas para problemas de inferencia estadística en poblaciones binarias.