📊 statistics

Weighted k-Sample Kolmogorov-Smirnov, Cramer-von Mises, and Anderson-Darling Tests for Assessing Covariate Balance

Este artículo extiende las pruebas de Kolmogorov-Smirnov, Cramér-von Mises y Anderson-Darling ponderadas para evaluar el equilibrio de covariables a través de un número arbitrario de grupos (k ≥ 2), demostrando que si bien la potencia omnibús disminuye con más grupos, el procedimiento de comparación por pares post-hoc que lo acompaña sigue siendo una herramienta sensible para detectar desequilibrios específicos, con todos los métodos implementados en Stata.

Autores originales: Ariel Linden

Publicado 2026-08-05

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ariel Linden

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective tratando de resolver un misterio: ¿quién lo hizo realmente? En el mundo de la ciencia, específicamente cuando los investigadores intentan averiguar si una nueva medicina o política realmente funciona, juegan un juego similar. Comparan un grupo de personas que recibió el tratamiento contra un grupo que no lo recibió. Pero aquí está el truco: para que la comparación sea justa, los dos grupos deben ser gemelos en todo lo que importa: misma edad, mismo historial de salud, mismos hábitos. Si no son gemelos, los resultados son un caos de confusión. Esto se llama verificar el "equilibrio de covariables".

Normalmente, los científicos solo verifican si la edad promedio o el ingreso promedio es el mismo. Pero los promedios pueden ser engañosos. Imagina dos grupos donde la edad promedio es 30 en ambos. En un grupo, todos tienen exactamente 30 años. En el otro, la mitad tiene 10 y la otra mitad tiene 50. Los promedios coinciden, ¡pero los grupos son totalmente diferentes! Para atrapar estas diferencias astutas, los científicos utilizan "pruebas de distribución". Piensa en ellas como escáneres de alta tecnología que no solo miran la altura promedio de una multitud, sino que escanean toda la forma de la multitud para ver si los grupos son verdaderamente idénticos. Durante mucho tiempo, estos escáneres solo funcionaron al comparar dos grupos a la vez. Pero, ¿qué pasa si tienes tres, cuatro o más grupos para comparar? Este es el rompecabezas que este artículo aborda.

El artículo, escrito por Ariel Linden, introduce una nueva forma de utilizar tres famosos escáneres estadísticos —las pruebas de Kolmogorov–Smirnov, Anderson–Darling y Cramér–von Mises— para comparar cualquier número de grupos (dos o más) a la vez, incluso cuando los datos están ponderados (como dar más importancia a ciertas personas). El autor también añade una ingeniosa herramienta "post-hoc", que es como una lupa que te ayuda a señalar exactamente qué grupos son diferentes si el gran escaneo dice que algo anda mal.

Aquí está la historia de lo que encontraron. Primero, el autor construyó estos nuevos escáneres de múltiples grupos y los probó en un mundo virtual utilizando simulaciones por computadora. Crearon miles de escenarios falsos con tres grupos para ver si los escáneres cometían errores. ¿La buena noticia? Los escáneres fueron muy honestos. Cuando los grupos eran realmente idénticos, los escáneres rara vez gritaban "¡foul!", manteniendo su tasa de error justo donde debería estar (alrededor del 5%).

Sin embargo, las simulaciones revelaron un giro sorprendente. Cuando los científicos compararon tres grupos en lugar de dos, el gran escáner "omnibus" (el que revisa todos los grupos a la vez) se volvió ligeramente menos sensible. Fue más difícil para el escáner detectar un grupo extraño escondido entre dos grupos normales. El autor explica que esto no es porque el grupo extraño se haya vuelto menos extraño; es porque el escáner tenía que observar más grupos, lo que hizo que el rango "normal" de lo que espera ver fuera mucho más amplio. Es como intentar escuchar un susurro en una habitación silenciosa frente a un susurro en un estadio ruidoso; el susurro es el mismo, pero el ruido de fondo del estadio hace que sea más difícil de detectar.

Debido a esto, el artículo sugiere una estrategia inteligente: si sospechas que un grupo específico es diferente, no te limites a confiar en el gran escaneo de grupo. En su lugar, utiliza la nueva herramienta "post-hoc" para comparar los grupos de dos en dos. Esta herramienta de comparación por pares no sufre del "ruido" de los grupos adicionales y es mucho mejor para atrapar al culpable específico.

El artículo también confirmó que los tres diferentes escáneres siguen teniendo sus propios superpoderes especiales, tal como sucede cuando comparan dos grupos. La prueba de Kolmogorov–Smirnov es la mejor para detectar diferencias justo en el medio de los datos (como si todos en un grupo fueran ligeramente más altos que los demás). La prueba de Anderson–Darling es la campeona en detectar diferencias en los extremos o "colas" (como si un grupo tuviera algunas personas extremadamente enfermas que los otros no tienen). La prueba de Cramér–von Mises es una todoterreno sólida, con un rendimiento similar al de Anderson–Darling cuando las diferencias están dispersas por todas partes.

Para demostrar que esto funciona en el mundo real, el autor aplicó estos métodos a datos de un programa de gestión de insuficiencia cardíaca. Tenían tres grupos: personas que no se unieron, personas que recibieron llamadas telefónicas y personas que recibieron monitoreo remoto. Antes de ajustar los datos, los escáneres gritaban que los grupos eran totalmente diferentes. Pero después de aplicar un método de ponderación especial para equilibrarlos, los escáneres dijeron: "Todo despejado". Los grupos eran ahora gemelos estadísticos.

En resumen, este artículo ofrece a los científicos un nuevo conjunto de herramientas para comparar múltiples grupos de manera justa. Advierte que revisar todos los grupos a la vez podría pasar por alto a un solo elemento extraño, pero proporciona una herramienta de seguimiento específica para encontrar a ese elemento extraño. Confirma que diferentes pruebas son mejores para diferentes tipos de diferencias, y demuestra que estos métodos funcionan bien incluso cuando los datos son complejos y están ponderados. El autor está seguro de estos hallazgos basándose en sus simulaciones, aunque señala que el trabajo futuro podría explorar configuraciones de grupos aún más complejas.

Resumen Técnico: Pruebas de Distribución de k-Muestras Ponderadas para el Equilibrio de Covariables

Planteamiento del Problema
El equilibrio de las covariables es un requisito previo para la validez de la inferencia causal en estudios observacionales y ensayos aleatorizados de múltiples brazos. Aunque las pruebas de distribución clásicas (Kolmogorov–Smirnov, Anderson–Darling, Cramér–von Mises) han sido extendidas recientemente para acomodar comparaciones de dos grupos ponderados, persiste una brecha para escenarios que involucran tres o más grupos ( $k \ge 2$ ). Los enfoques existentes para $k > 2$ obligan a los investigadores a tomar decisiones insatisfactorias: realizar comparaciones por pares sin ajustar (ignorando los problemas de pruebas múltiples) o depender de medidas de resumen (por ejemplo, diferencias de medias estandarizadas) que descartan la información de la distribución. Además, ningún marco existente acomoda simultáneamente comparaciones arbitrarias de pesos de casos, generalizaciones de $k$ -muestras y un procedimiento de inferencia por permutación unificado que se reduzca exactamente a sus contrapartes establecidas de dos grupos.

Metodología
Este artículo extiende el marco de dos grupos ponderados a un número arbitrario de grupos ( $k \ge 2$ ) integrando las generalizaciones de $k$ -muestras existentes de la literatura no ponderada con un procedimiento de inferencia por permutación compartido y agnóstico al peso.

Estadísticos de la prueba:
- Kolmogorov–Smirnov (KS): Utiliza la generalización de Kiefer (1959), sumando las discrepancias al cuadrado entre la función de distribución acumulativa empírica (ECDF) ponderada de cada grupo y la ECDF ponderada combinada.
- Cramér–von Mises (CVM): Aplica la generalización de Kiefer (1959), sumando las discrepancias al cuadrado a través de todos los valores distintos en la muestra combinada.
- Anderson–Darling (AD): Emplea la generalización discreta de $k$ -muestras de Scholz y Stephens (1987), incorporando un término de ponderación de varianza que enfatiza las discrepancias en las colas.
Ponderación e Inferencia: Todos los estadísticos utilizan ECDFs ponderadas y tamaños de muestra efectivos (Kish, 1965) para manejar los pesos de los casos. La significancia se evalúa mediante un procedimiento de permutación de etiquetas, donde las etiquetas de los grupos se reordenan preservando los tamaños de grupo y los pesos de las observaciones.
Compatibilidad Hacia Atrás: Una restricción de diseño crítica asegura que, cuando $k=2$ , los estadísticos de $k$ -muestras se reduzcan exactamente (algebraica y numéricamente) a los estadísticos específicos de dos grupos definidos en el trabajo previo (Linden, 2026b), no meramente de forma asintótica.
Procedimiento Post-Hoc: Para abordar la limitación de las pruebas ómnibus para identificar fuentes específicas de desequilibrio, el artículo introduce un procedimiento de comparación por pares. Este ejecuta la prueba exacta de dos grupos en todos los pares $\binom{k}{2}$ utilizando la misma maquinaria de permutación. Para controlar las tasas de error, se proporcionan cuatro métodos de ajuste: Bonferroni, Šidák, el método descendente de Holm y Benjamini–Hochberg.

Contribuciones Clave

Extensión a $k$ Grupos: La extensión formal de las pruebas de KS, AD y CVM ponderadas a $k \ge 2$ grupos, asegurando la reducción exacta a las formas de dos grupos cuando $k=2$ .
Marco Post-Hoc Unificado: Un procedimiento sistemático para localizar desequilibrios entre grupos específicos tras un rechazo ómnibus, integrado dentro del mismo marco de permutación.
Implementación: Los métodos están implementados en comandos de Stata disponibles gratuitamente (kstest, adtest, cvmtest).

Resultados
Un estudio de simulación con $k=3$ grupos y cuatro escenarios de discrepancia (error Tipo I, central, de cola y difusa) arrojó los siguientes hallazgos:

Error Tipo I: Las tres pruebas mantuvieron tasas de rechazo cercanas al nivel nominal del 5% a través de diversos tamaños de muestra y niveles de variabilidad de pesos, coincidiendo con el desempeño del escenario de dos grupos.
Características de Potencia: Los patrones de sensibilidad relativa establecidos para dos grupos se preservaron:
- KS fue más potente contra discrepancias localizadas centralmente.
- AD fue abrumadoramente más potente contra las discrepancias localizadas en las colas.
- AD y CVM se desempeñaron de manera comparable contra las discrepancias difusas, con AD manteniendo una ligera y consistente ventaja.
Reducción de Potencia en Pruebas Ómnibus: Un hallazgo sistemático fue que la potencia ómnibus en $k=3$ fue uniformemente menor que en el escenario de dos grupos emparejados. El artículo atribuye esto no a la dilución de la señal (ya que la discrepancia a nivel poblacional permanece constante), sino a la expansión de los grados de libertad ( $k-1$ ) de la distribución nula, lo que eleva el valor crítico requerido para el rechazo.
Sensibilidad Post-Hoc: Debido a que los estadísticos por pares no conllevan la penalización de potencia de la prueba ómnibus, el procedimiento post-hoc es a menudo más sensible para detectar desequilibrios de grupos específicos que la propia prueba ómnibus.
Ejemplo Aplicado: En un estudio de un programa de gestión de enfermedades con tres grupos (Control, Teléfono, Monitoreo Remoto), las pruebas detectaron un desequilibrio significativo antes del ponderado. Tras aplicar pesos de media marginal mediante estratificación (MMWS), tanto las pruebas ómnibus como las post-hoc indicaron un equilibrio exitoso, sin diferencias residuales significativas.

Significancia y Reivindicaciones
El artículo sostiene que estas extensiones permiten a los investigadores evaluar el equilibrio de las covariables a través de múltiples grupos sin sacrificar la información de la distribución ni el rigor estadístico. La principal significancia radica en la capacidad de pasar de una evaluación global de homogeneidad a conclusiones por pares ajustadas y específicas dentro de un marco único y consistente.

El autor señala explícitamente que la reducción de la potencia ómnibus a medida que $k$ aumenta es una propiedad estructural de la construcción de la prueba (aumento de los grados de libertad en la distribución nula) y no un defecto en el tipo de ponderación o de discrepancia. Por consiguiente, el artículo aconseja que, cuando se sospechan desequilibrios de grupos específicos, los investigadores deben confiar en los resultados por pares post-hoc en lugar de en la prueba ómnibus por sí sola. El estudio concluye modestamente que, si bien los resultados de $k=3$ confirman la preservación de las propiedades de dos grupos, la escala de la reducción de potencia y el desempeño post-hoc para $k > 3$ y distribuciones no normales sigue siendo una cuestión abierta para trabajos futuros.

Más como este