📊 statistics

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

Cet article dérive et valide des formules modifiées de limites de tolérance sans distribution qui s'adaptent à divers schémas d'échantillonnage biaisés, tels que le biais de pondération et la censure, afin de remédier aux limites des méthodes traditionnelles lorsque des échantillons représentatifs non biaisés ne sont pas disponibles, en démontrant leur application avec des données sur la démence issues de l'Étude canadienne sur la santé et le vieillissement.

Auteurs originaux : James H. McVittie, Martin Lysy, Masoud Asgharian

Publié 2026-05-20

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : James H. McVittie, Martin Lysy, Masoud Asgharian

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous soyez un boulanger essayant de déterminer combien de biscuits cuire pour garantir que, si vous prenez deux biscuits spécifiques sur la plaque (disons le 3e plus petit et le 10e plus grand), l'espace entre eux contienne au moins 80 % de toutes les tailles de biscuits que vous auriez pu fabriquer.

Dans le monde des statistiques, cela s'appelle trouver une limite de tolérance. Pendant des décennies, les statisticiens ont eu une recette célèbre et simple (la formule de Scheffé-Tukey) pour répondre à cette question. La recette fonctionne parfaitement si votre plaque de biscuits est un échantillon aléatoire équitable de tout le lot. Si vous choisissez les biscuits à l'aveugle, les mathématiques tiennent bon.

Le Problème : La Plaque « Biaisée »
Cependant, dans la vie réelle — en particulier dans les études médicales comme le suivi de patients atteints de démence — vous ne pouvez souvent pas obtenir une plaque équitable et aléatoire. Vous pourriez n'obtenir que des biscuits « plus longs » ou « plus lourds » en raison de la façon dont vous les avez collectés.

L'Analogie : Imaginez que vous étudiez la durée de vie des personnes atteintes d'une maladie. Si vous commencez seulement à regarder les personnes après qu'elles aient déjà été malades pendant un certain temps (une « cohorte prévalente »), vous avez plus de chances de trouver les personnes qui survivent plus longtemps. Les patients à courte durée de vie sont déjà décédés et invisibles pour vous.
Le Résultat : Votre échantillon est biaisé. C'est comme une plaque où seuls les plus gros biscuits ont été autorisés à rester. Si vous utilisez l'ancienne recette simple sur cette plaque biaisée, vous calculerez que vous avez besoin de très peu de biscuits pour obtenir votre couverture de 80 %. Mais en réalité, vous serez complètement à côté de la plaque. Vous penserez avoir assez de données, mais vous n'en aurez pas.

La Solution : Nouvelles Recettes pour un Monde Biaisé
Les auteurs de cet article, James McVittie, Martin Lysy et Masoud Asgharian, ont réalisé que l'ancienne recette échouait lorsque les données étaient biaisées. Ils ont créé deux nouvelles « recettes » (méthodes) pour corriger les mathématiques afin qu'elles fonctionnent même lorsque votre échantillon est déformé.

La Méthode « Inégalité » (Le Préparateur Excessif) :
Cette méthode tente d'être prudente en utilisant une série de règles logiques « si-alors ». C'est comme un boulanger qui, inquiet à cause de la plaque biaisée, décide de cuire beaucoup plus de biscuits que nécessaire juste pour être absolument sûr.
- Le Problème : Cela fonctionne, mais c'est gaspilleur. Cela vous dit de collecter une quantité massive de données (un échantillon énorme) pour être en sécurité, surestimant souvent ce dont vous avez réellement besoin.
La Méthode « FFT » (Le Chef de Précision) :
C'est la star de l'article. « FFT » signifie Transformée de Fourier Rapide, qui est un outil mathématique sophistiqué agissant comme un mixeur haute vitesse pour les courbes de probabilité.
- Comment ça marche : Au lieu de deviner ou d'utiliser des règles lâches, cette méthode prend la forme de vos données biaisées et les « démixe » mathématiquement pour voir à quoi ressemblait la distribution originale et équitable. Elle calcule ensuite le nombre exact de biscuits (taille de l'échantillon) nécessaire.
- Le Résultat : Elle est incroyablement précise. Elle vous indique le nombre exact de personnes que vous devez étudier pour obtenir votre couverture de 80 %, ni plus ni moins.

La Preuve : La Simulation et le Test Réel
Les auteurs ont testé ces nouvelles recettes de deux manières :

La Simulation : Ils ont créé de fausses données informatiques où ils connaissaient la « vraie » réponse. Lorsqu'ils ont utilisé l'ancienne recette sur des données biaisées, elle a échoué lamentablement (prédisant qu'ils avaient besoin de trop peu de personnes). La méthode « Inégalité » était trop prudente (prédisant trop de personnes). La méthode FFT a touché la cible à chaque fois.
Le Test du Monde Réel : Ils ont appliqué cela à des données réelles de l'Étude canadienne sur la santé et le vieillissement (ECSA), qui suit les personnes atteintes de démence. Parce que cette étude ne capture que les personnes déjà diagnostiquées (un échantillon biaisé), les anciennes mathématiques auraient donné la mauvaise réponse. En utilisant leur nouvelle méthode FFT, ils ont calculé exactement combien de participants supplémentaires seraient nécessaires pour être statistiquement confiants.

Le Fond du Problème
Si vous menez une étude où vos données sont naturellement « biaisées » (comme regarder des personnes qui ont déjà survécu à une maladie pendant un certain temps), n'utilisez pas l'ancienne formule mathématique simple. Elle vous mentira.

Au lieu de cela, utilisez la nouvelle méthode FFT proposée dans cet article. C'est comme passer d'une estimation grossière à une calculatrice guidée par laser. Cela garantit que vous ne gaspillez ni argent ni temps à collecter trop de données, ni que vous risquez d'échouer à votre étude en collectant trop peu. C'est le moyen le plus efficace de gérer des données désordonnées du monde réel.

Résumé technique : Détermination de la taille d'échantillon sous biais de sélection

Énoncé du problème
La détermination de tailles d'échantillon suffisantes pour les études statistiques est cruciale pour garantir la puissance des tests d'hypothèses et capturer la majorité de la distribution d'une population. Le cadre classique pour ce problème, établi par Scheffé et Tukey (1944), fournit une formule sans distribution reliant la taille d'échantillon à la couverture de la population en utilisant les statistiques d'ordre. Cependant, cette formule repose sur l'hypothèse stricte d'un échantillon aléatoire non biaisé issu de la population cible. Dans les applications biologiques et médicales, les contraintes logistiques empêchent souvent un tel échantillonnage, conduisant à des designs biaisés tels que les études de cohorte prévalentes, l'échantillonnage biaisé par la durée et les données de temps de défaillance censurées. Lorsque la formule classique de Scheffé-Tukey est appliquée à ces échantillons biaisés, elle produit des estimations de taille d'échantillon et des probabilités de couverture incorrectes. Les approches récentes existantes pour les données censurées reposent souvent sur des hypothèses restrictives, telles que des distributions de temps de défaillance exponentielles. Cet article répond au besoin de formules de taille d'échantillon robustes qui accommodent des schémas d'échantillonnage biaisés généraux sans être limités à des formes paramétriques spécifiques comme la distribution exponentielle.

Méthodologie
Les auteurs proposent des extensions à la formule de Scheffé-Tukey pour traiter une large classe de schémas d'échantillonnage biaisés, incluant le biais de pondération et la censure. Contrairement au cas non biaisé, les formules modifiées ne sont pas sans distribution ; elles nécessitent une connaissance a priori (ou une estimation) à la fois de la distribution de la population cible ( $F$ ) et de la distribution d'échantillonnage biaisée ( $G$ ). L'article décrit deux approches principales pour résoudre l'inégalité du problème de couverture $P[F(Y_{n-m+1}) - F(Y_r) \geq q] \geq 1 - \alpha$ , où $Y$ représente les statistiques d'ordre issues de la distribution biaisée :

Approche par inégalité analytique : Cette méthode approxime le problème de couverture bilatéral en traitant les statistiques d'ordre comme approximativement indépendantes et en utilisant une séquence d'inégalités unilatérales. Elle emploie une approximation linéaire par morceaux de l'application des quantiles $\Phi^{-1} = F \circ G^{-1}$ . Bien que cela produise une solution analytique, les auteurs notent que la séquence d'inégalités fournit des bornes lâches, conduisant souvent à une surestimation de la taille d'échantillon requise.
Approche computationnelle par FFT : Pour éviter la surestimation inhérente à la méthode par inégalités, les auteurs proposent une approche computationnelle basée sur la transformée de Fourier rapide (FFT). En supposant l'indépendance entre les statistiques d'ordre pour des tailles d'échantillon modérées, la fonction de densité de probabilité (PDF) de la différence entre les statistiques d'ordre est dérivée via la convolution de leurs PDF individuelles. Cette convolution est calculée efficacement en utilisant la FFT. La méthode approxime l'intégrale de la PDF résultante en utilisant une somme de Riemann sur une grille, permettant l'estimation numérique de la probabilité de couverture et la recherche subséquente de la racine de la taille d'échantillon $n$ .

L'article détaille comment les applications de quantiles nécessaires ( $\Phi$ et $\Phi^{-1}$ ) peuvent être obtenues dans divers contextes : analytiquement pour des distributions spécifiques, via une simulation de Monte Carlo lorsque les distributions sont ingérables, ou par l'intermédiaire d'estimateurs du maximum de vraisemblance non paramétriques (NPMLE) utilisant des données d'étude pilote.

Résultats clés
Les méthodes proposées ont été validées par une étude de simulation extensive et une application à des données réelles :

Étude de simulation : En utilisant des populations cibles distribuées selon une loi Gamma avec des taux de risque variables et un échantillonnage biaisé par la durée avec censure à droite, l'étude a comparé la formule classique de Scheffé-Tukey, l'approche par inégalités et l'approche FFT.
- La formule de Scheffé-Tukey a systématiquement sous-estimé la taille d'échantillon requise, entraînant des probabilités de couverture empiriques significativement inférieures au niveau nominal de 95 %.
- L'approche par inégalités a tendance à surestimer la taille d'échantillon, produisant des probabilités de couverture proches de 100 %, ce qui devient moins efficace à mesure que les taux de censure augmentent.
- L'approche FFT a identifié avec succès la taille d'échantillon correcte, atteignant des probabilités de couverture empiriques proches du niveau nominal de 0,95 dans tous les scénarios. Le coût computationnel s'est révélé négligeable (généralement inférieur à 0,1 seconde).
Application aux données de l'ECSSA : Les méthodes ont été appliquées à des données de l'Étude canadienne sur la santé et le vieillissement (ECSSA), une étude de cohorte prévalente de patients atteints de démence avec des temps de défaillance biaisés par la durée et censurés à droite. En utilisant les données de l'ECSSA comme étude pilote pour estimer les distributions, les auteurs ont calculé les tailles d'échantillon requises pour diverses configurations de statistiques d'ordre.
- Les résultats ont reflété les conclusions de la simulation : Scheffé-Tukey a produit les plus petites tailles d'échantillon, l'approche par inégalités les plus grandes, et l'approche FFT des valeurs intermédiaires.
- Les auteurs notent que, bien que les tailles d'échantillon calculées soient inférieures à la taille de la cohorte ECSSA existante, la comparaison met en évidence la divergence substantielle des estimations entre les méthodes lorsque le biais est présent.

Signification et affirmations
L'article affirme que la formule classique de Scheffé-Tukey est invalide pour les régimes d'échantillonnage biaisés, conduisant à des designs d'étude statistiquement non fondés. La contribution principale est la dérivation et la validation de formules de taille d'échantillon modifiées qui tiennent compte du biais de sélection et de la censure. Les auteurs soulignent que, bien que ces méthodes nécessitent une connaissance des distributions sous-jacentes (ou la capacité de les estimer via des études pilotes), elles offrent une correction nécessaire à la pratique standard.

Les auteurs concluent modestement que l'approche basée sur la FFT est la méthode recommandée pour calculer les tailles d'échantillon des limites de tolérance sous échantillonnage biaisé. Ils soutiennent que le compromis computationnel négligeable de la méthode FFT est justifié par l'augmentation significative de la précision par rapport à la fois à la formule classique et à l'approche par inégalités conservatrice. Ce travail fournit un cadre pratique pour les chercheurs traitant des données de cohorte prévalentes, garantissant que les calculs de taille d'échantillon reflètent les complexités des designs d'échantillonnage biaisés plutôt que de s'appuyer sur des hypothèses idéalisées d'absence de biais.

Résumé technique : Détermination de la taille d'échantillon sous biais de sélection

Articles similaires