📊 statistics

A Permutation Test for a Modified Spearman’s Rank Correlation Using Martingale-Residual Ranks Under Right Censoring

Este artículo propone una prueba de permutación robusta para un coeficiente de correlación de rango de Spearman modificado que utiliza residuos de martingala univariantes para manejar eficazmente los datos censurados por la derecha, asegurando un control asintóticamente correcto del error de Tipo I y reduciéndose a la prueba clásica cuando la censura está ausente.

Autores originales: Alan D. Hutson, Han Yu

Publicado 2026-08-07

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Alan D. Hutson, Han Yu

Artículo original bajo licencia CC BY 4.0 (https://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 intentando resolver un misterio: "¿Ocurren estas dos cosas juntas?". En el mundo de la estadística, esto se llama encontrar una correlación. Por lo general, si quieres saber si dos variables están vinculadas, las alineas y ves si marchan al mismo paso. Pero, ¿qué sucede cuando tus pistas están incompletas? En el mundo de la medicina y la biología, a menudo rastreamos cuánto tiempo tarda en ocurrir algo —como un paciente recuperándose o una máquina averiándose— pero a veces el evento aún no ha ocurrido cuando el estudio termina. A esto lo llamamos "censura". Es como observar una carrera donde algunos corredores todavía están en la pista cuando la cámara se corta; sabes que estaban corriendo, pero no sabes si terminaron en primer o último lugar.

Durante décadas, los estadísticos han tenido una herramienta favorita para comprobar si dos cosas están vinculadas sin asumir una relación de línea recta: la Correlación de Rango de Spearman. Piensa en ello como una forma de decir: "Cuando una cosa sube, ¿la otra también sube?", basándose puramente en su orden, no en sus números exactos. Es robusta, fiable y funciona de maravilla cuando tienes una lista completa de resultados. Pero cuando la "censura" entra en la habitación —cuando los datos se cortan prematuramente— esta herramienta clásica falla. Los métodos antiguos o bien se rinden, o se vuelven demasiado conservadores (perdiendo conexiones reales), o no pueden decirte si un vínculo es realmente existente o solo una casualidad. Los científicos se han quedado estancados, necesitando una nueva forma de clasificar a estos corredores incompletos para ver si realmente estaban corriendo en sincronía.

Este artículo presenta una nueva y astuta herramienta de detective para resolver exactamente ese problema. Los autores, Alan D. Hutson y Han Yu, proponen un método que utiliza algo llamado "Residuos de Martingala" para arreglar el sistema de clasificación roto. Imagina los datos censurados como un rompecabezas con piezas faltantes. En lugar de adivinar, su método utiliza un truco matemático (basado en el estimador de Kaplan-Meier, una forma estándar de estimar tasas de supervivencia) para rellenar las piezas faltantes con los "valores fantasma" más lógicos. Estos valores fantasma, o residuos, actúan como un puente: si no hay censura, desaparecen y la herramienta funciona exactamente como la prueba clásica de Spearman. Pero si hay censura, ajustan los rangos para que los datos incompletos aún puedan compararse de manera justa.

Los investigadores sometieron luego esta nueva herramienta a una serie de pruebas rigurosas. Simularon miles de escenarios donde los datos se cortaban a diferentes ritmos —a veces faltaba el 50% de los datos, otras veces el 67%— para ver si su método podía identificar correctamente un vínculo cuando existía y decir correctamente "no hay vínculo" cuando no lo había. Los resultados fueron prometedores: la nueva prueba mantuvo su "Error de Tipo I" (el riesgo de dar la falsa alarma y encontrar una conexión que no existe) bajo un control estricto, manteniéndose justo en los niveles esperados del 5% o 1%. Más importante aún, fue mucho mejor detectando conexiones reales que la mejor alternativa previa (un estadístico de Kendall modificado), que tendía a ser excesivamente cautelosa y a perder la señal.

Para demostrar que funciona en el mundo real, los autores aplicaron su método a dos conjuntos de datos médicos reales. En uno, analizaron cuánto tiempo sobrevivían los injertos de piel en pacientes con quemaduras; en el otro, examinaron la frecuencia con la que los pacientes renales que utilizaban equipos de diálisis portátiles contraían infecciones. En ambos casos, la nueva prueba encontró un vínculo positivo estadísticamente significativo, con valores de p de 0.044 y 0.031 respectivamente. Esto sugiere que el método está listo para ayudar a los investigadores a desenredar datos médicos complejos e incompletos, ofreciendo una forma fiable de ver si dos tiempos de supervivencia marchan al mismo paso, incluso cuando la carrera no ha terminado para todos.

Resumen Técnico: Una prueba de permutación para una correlación de rango de Spearman modificada utilizando rangos de residuos de martingala bajo censura por la derecha

Planteamiento del problema
Las medidas de asociación basadas en rangos, particularmente el coeficiente de correlación de rango de Spearman ( $\rho_s$ ), son herramientas fundamentales en la estadística no paramétrica para capturar relaciones monótonas. Sin embargo, su aplicación a datos de supervivencia con censura por la derecha presenta desafíos significativos. Aunque la literatura reciente ha propuesto estimadores de correlaciones "tipo Spearman" que se reducen al coeficiente clásico en ausencia de censura, estos métodos generalmente no proporcionan una prueba de hipótesis válida para $H_0: \rho_s = 0$ con un control correcto del error de Tipo I bajo censura. Las alternativas existentes, como las medidas de concordancia de tipo Kendall adaptadas para la censura, ofrecen pruebas de independencia pero no apuntan a $\rho_s$ y suelen ser conservadoras. En consecuencia, existe una brecha para un método que (i) logre un control de error de Tipo I asintóticamente correcto bajo censura por la derecha, (ii) sea aplicable cuando uno o ambos márgenes están censurados, y (iii) se reduzca exactamente a la prueba de permutación de Spearman clásica cuando la censura está ausente. Según el conocimiento de los autores, ningún método existente satisface los tres criterios simultáneamente.

Metodología
Los autores proponen un marco de prueba de permutación robusto basado en Residuos de Martingala Univariantes (UMR, por sus siglas en inglés). La metodología avanza a través de los siguientes pasos:

Transformación de datos: Para tiempos de falla emparejados $(S_i, T_i)$ sujetos a censura independiente por la derecha $(C_i, D_i)$ , los datos observados son $(X_i, \delta_{Si})$ y $(Y_i, \delta_{Ti})$ . El método construye los UMR utilizando los estimadores de la función de riesgo acumulada de Kaplan–Meier ( $\hat{H}_S$ y $\hat{H}_T$ ):
$m_{Si} = \delta_{Si} - \hat{H}_S(X_i), \quad m_{Ti} = \delta_{Ti} - \hat{H}_T(Y_i)$
Estos residuos sirven como una transformación generadora de rangos. Cuando no hay censura, se reducen a transformaciones estrictamente monótonas de los datos originales. Bajo censura, incorporan la información de supervivencia a través del estimador de Kaplan–Meier mientras preservan el orden de los tiempos observados con alta probabilidad.
Cálculo de rangos: Los UMR se ordenan para obtener pares de rangos $(a_i, b_i)$ .
Estadístico de prueba: Se calcula un coeficiente de correlación de rango de Spearman modificado, $r_s(m_S, m_T)$ , basado en estos rangos. Para facilitar la prueba de permutación, se construye un estadístico estudentizado $R_s = r_s / \hat{\tau}_n$ , donde $\hat{\tau}_n$ es un estimador de la varianza derivado de los momentos de los rangos.
Marco de permutación: Se prueba la hipótesis nula $H_0: \rho_s = 0$ permutando los rangos de la segunda variable ( $b_i$ ) mientras se mantiene fija la primera. El valor $p$ se deriva de la distribución de permutación del estadístico estudentizado.

Fundamentos Teóricos
La validez de la prueba descansa en varias condiciones de regularidad estándar en el análisis de supervivencia (tiempos de falla i.i.d., censura independiente, distribuciones continuas y consistencia fuerte uniforme de los estimadores de Kaplan–Meier).

Intercambiabilidad Asintótica: Bajo $H_0$ , los rangos normalizados de los UMR convergen casi seguramente a variables aleatorias uniformes independientes. Esto establece que la distribución conjunta de los pares de rangos es asintóticamente invariante bajo permutaciones.
Validez de la Distribución de Permutación: Al aprovechar la descomposición de Hoeffding del estadístico y el proceso de estudentización, los autores demuestran que la distribución de permutación estima consistentemente la distribución muestral del estadístico de prueba.
Control de Error de Tipo I Asintótico: El procedimiento garantiza que la probabilidad de rechazo converja al nivel de significancia nominal $\alpha$ a medida que el tamaño de la muestra aumenta.
Propiedad de Reducción: En ausencia de censura, los UMR se convierten en transformaciones estrictamente monótonas de los datos originales, asegurando que la prueba se reduzca exactamente a la prueba de permutación estudentizada clásica para el $\rho_s$ de Spearman.

Resultados
Los autores evaluaron el método mediante estudios de simulación y aplicaciones de datos reales:

Estudios de Simulación: Se examinaron dos escenarios con diferentes grados de censura (moderada $\approx$ $\approx$ 50% y pesada $\approx$ $\approx$ 67%).
- Error de Tipo I: La prueba propuesta demostró un fuerte control del error de Tipo I en todos los tamaños de muestra y niveles de significancia ( $\alpha = 0.01, 0.05, 0.10$ ).
- Potencia: La prueba exhibió una potencia competitiva en comparación con la prueba clásica de correlación de Pearson aplicada a datos totalmente observados, incluso en presencia de censura.
- Comparación: El método propuesto superó sustancialmente al estadístico de concordancia de Kendall modificado (Oakes, 1987), el cual resultó ser altamente conservador (Error de Tipo I $< 0.002$ ) y poseía una potencia significativamente menor.
Ejemplos de Datos Reales:
1. Supervivencia de Injertos de Piel: El análisis de tiempos de supervivencia emparejados para pacientes con quemaduras ( $n=11$ ) reveló una asociación positiva significativa ( $p=0.044$ ).
2. Recurrencia de Infección Renal: El análisis de tiempos de recurrencia para pacientes renales que utilizan diálisis ( $n=38$ ) con patrones de censura mixtos mostró una asociación positiva estadísticamente significativa ( $p=0.031$ ).

Significancia y Reivindicaciones
El artículo afirma abordar una brecha metodológica crítica al proporcionar una prueba de hipótesis para $H_0: \rho_s = 0$ bajo censura por la derecha que satisface tres criterios específicos: corrección asintótica, aplicabilidad a márgenes con censura simple o doble, y reducción exacta a la prueba clásica en ausencia de censura. Según el conocimiento de los autores, ningún método existente satisface los tres criterios. Los autores enfatizan que el método es "sencillo y robusto", ofreciendo una herramienta confiable para aplicaciones biomédicas donde los resultados de supervivencia emparejados son comunes. Se destaca la disponibilidad de implementaciones en software R como un factor clave para facilitar la adopción de esta metodología. Los autores posicionan este trabajo como una base para futuras extensiones, tales como pruebas exactas de independencia y correlaciones de rango ajustadas por covariables, pero no reclaman soluciones inmediatas para estos problemas más amplios.

Más como este