What is estimated in cluster randomized crossover trials with informative sizes? -- A survey of estimands and common estimators
Questo articolo definisce e valuta la coerenza di vari stimatori per gli estimandi degli effetti multipli del trattamento in trial crossover cluster randomizzati a 2 periodi con dimensioni informative, dimostrando che mentre le equazioni di stima di indipendenza non pesate e pesate (e specifici modelli fissi o scambiabili) forniscono risultati non distorti, i modelli a effetti misti annidati e scambiabili, sia non pesati che pesati, sono incoerenti e soggetti a distorsione.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immagina di essere un detective che cerca di risolvere un mistero riguardante un nuovo medicinale. Non puoi testarlo su una sola persona; devi testarlo su interi gruppi, come diverse scuole, ospedali o quartieri. Questo è chiamato un "trial randomizzato a cluster". È come testare un nuovo menù per la mensa cambiando l'intera fila del pranzo alla Scuola A per il nuovo cibo, mentre la Scuola B mantiene il vecchio cibo, per poi scambiarsi i ruoli la settimana successiva. Questo è un design "crossover" perché i gruppi scambiano i ruoli.
Ma ecco la parte complicata: cosa succede se le scuole non hanno la stessa dimensione? E se la Scuola A ha 500 studenti e la Scuola B ne ha solo 50? Se il nuovo cibo funziona benissimo per la scuola grande ma male per quella piccola, come si contano i risultati? Ti interessa la media degli studenti (la visione "individuale") o la media delle scuole (la visione "del cluster")? Nel mondo della statistica, questi sono chiamati "estimand": il bersaglio specifico che stai cercando di colpire. Quando le dimensioni dei gruppi cambiano in un modo che è legato a quanto bene funziona il trattamento, i statistici chiamano questo fenomeno "dimensioni informative". È come se le scuole più grandi fossero state proprio quelle dove il nuovo cibo aveva un gusto migliore solo per caso; se non tieni conto di questo, la tua matematica potrebbe mentirti.
Questo articolo è una guida per i detective (i ricercatori) che risolvono questi misteri nei trial crossover multi-periodo. Gli autori, un team di statistici provenienti da università degli Stati Uniti, del Regno Unito, dell'Australia e della Nuova Zelanda, volevano capire quali strumenti matematici (stimatori) fornissero la risposta corretta quando le dimensioni dei gruppi sono "informative". Hanno esaminato quattro tipi principali di strumenti: medie semplici (Equazioni di Stima di Indipendenza), modelli che trattano i gruppi come campioni casuali (Effetti Misti) e modelli che trattano i gruppi come fatti fissi (Effetti Fissi). Hanno anche guardato cosa succede quando si prova a "pesare" i dati per far sì che i gruppi grandi e piccoli contino ugualmente.
Gli autori hanno eseguito migliaia di simulazioni al computer per testare questi strumenti. Hanno scoperto che alcuni strumenti popolari, nello specifico i modelli "nested exchangeable mixed effects", spesso sbagliano i calcoli quando le dimensioni dei gruppi sono informative. È come usare una bilancia che aggiunge automaticamente peso alle scatole pesanti; se non sai che le scatole sono pesanti, il tuo peso finale è sbagliato. Questi modelli possono produrre risultati che sembrano reali ma che in realtà mirano a un numero confuso e ininterpretabile che non è né la media dello studente né la media della scuola.
Tuttavia, la buona notizia è che gli strumenti "Independence Estimating Equation" (IEE), specialmente se usati con i pesi corretti, sono come una bilancia affidabile e incrollabile. Colpiscono costantemente il bersaglio giusto, sia che tu voglia conoscere l'effetto su un individuo che su un intero gruppo, anche quando le dimensioni sono disordinate. L'articolo ha anche scoperto che i modelli a "Effetti Fissi" possono essere complicati; a volte prendono accidentalmente il bersaglio sbagliato (come la media del periodo temporale invece della media del gruppo) se le dimensioni cambiano in un modo specifico.
In un test del mondo reale, gli autori hanno rianalizzato uno studio sui medicinali per l'ulcera gastrica per pazienti sotto ventilazione. Hanno scoperto che i diversi strumenti davano risposte leggermente diverse, suggerendo che le dimensioni degli ospedali potessero essere "informative". Lo studio conclude che, quando si affrontano questi complessi trial multi-periodo, i ricercatori devono essere molto prudenti nella scelta dello strumento. Se vogliono essere sicuri di non essere tratti in inganno dalle dimensioni dei gruppi, gli strumenti IEE semplici e pesati sono la scommessa più sicura, mentre i modelli "nested" più complessi dovrebbero essere usati con cautela o evitati se le dimensioni dei gruppi variano in modo significativo.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.