What is estimated in cluster randomized crossover trials with informative sizes? -- A survey of estimands and common estimators
Dit artikel definieert en evalueert de consistentie van diverse schatters voor meervoudige behandelingseffect-estimanden in 2-periode cluster-gerandomiseerde crossover-trials met informatieve grootheden, waarbij wordt aangetoond dat hoewel ongegewogen en gewogen onafhankelijkheids-schattingsvergelijkingen (en specifieke vaste of uitwisselbare modellen) onbevooroordeelde resultaten opleveren, ongegewogen en gewogen geneste uitwisselbare gemengde effecten-modellen inconsistent zijn en gevoelig zijn voor bias.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een detective bent die een mysterie probeert op te lossen over een nieuw medicijn. Je kunt het niet op slechts één persoon testen; je moet het testen op hele groepen, zoals verschillende scholen, ziekenhuizen of buurten. Dit wordt een "cluster randomized trial" genoemd. Het is alsof je een nieuw schoolkantine-menu test door de hele lunchlijn op School A te vervangen door het nieuwe eten, terwijl School B het oude eten behoudt, en ze dan de volgende week omwisselen. Dit is een "crossover" ontwerp omdat de groepen van rol wisselen.
Maar hier komt het lastige deel: wat als de scholen niet even groot zijn? Wat als School A 500 leerlingen heeft en School B er slechts 50? Als het nieuwe eten geweldig werkt voor de grote school maar slecht voor de kleine school, hoe tel je dan de resultaten? Geef je om de gemiddelde leerling (het "individuele" perspectief), of om de gemiddelde school (het "cluster" perspectief)? In de wereld van de statistiek worden dit "estimanden" genoemd: het specifieke doel dat je probeert te raken. Wanneer de groepsgroottes veranderen op een manier die verbonden is met hoe goed de behandeling werkt, noemen statistici dit "informatieve groottes". Het is alsof de grootste scholen toevallig de scholen waren waar het nieuwe eten het beste smaakte; als je daar geen rekening mee houdt, kan je wiskunde liegen.
Dit artikel is een gids voor detectives (onderzoekers) die deze mysteries oplossen in multi-period crossover trials. De auteurs, een team van statistici van universiteiten uit de VS, het VK, Australië en Nieuw-Zeeland, wilden ontdekken welke wiskundige hulpmiddelen (estimators) het juiste antwoord geven wanneer de groepsgroottes "informatief" zijn. Ze keken naar vier hoofdtypen hulpmiddelen: eenvoudige gemiddelden (Independence Estimating Equations), modellen die groepen behandelen als willekeurige steekproeven (Mixed Effects) en modellen die groepen behandelen als vaste feiten (Fixed Effects). Ze keken ook naar wat er gebeurt als je de data probeert te "wegen" om grote en kleine groepen even zwaar te laten tellen.
De auteurs voerden duizenden computersimulaties uit om deze hulpmiddelen te testen. Ze ontdekten dat sommige populaire hulpmiddelen, specifiek de "nested exchangeable mixed effects" modellen, de wiskunde vaak fout doen wanneer de groepsgroottes informatief zijn. Het is alsof je een weegschaal gebruikt die automatisch extra gewicht toevoegt aan zware dozen; als je niet weet dat de dozen zwaar zijn, is je uiteindelijke gewicht fout. Deze modellen kunnen resultaten produceren die echt lijken, maar eigenlijk een verwarrend, oninterpreteerbaar getal targeten dat noch het gemiddelde van de leerling, noch het gemiddelde van de school is.
Echter, het goede nieuws is dat de "Independence Estimating Equation" (IEE) hulpmiddelen, vooral wanneer ze met de juiste gewichten worden gebruikt, als een betrouwbare, onwrikbare weegschaal werken. Ze raken consequent het juiste doel, of je nu wilt weten wat het effect is op een individu of op een hele groep, zelfs wanneer de groottes rommelig zijn. Het artikel vond ook dat "Fixed Effects" modellen verraderlijk kunnen zijn; ze targeten soms per ongeluk het verkeerde ding (zoals de gemiddelde tijdsperiode in plaats van de gemiddelde groep) als de groottes op een specifieke manier veranderen.
In een praktijktest hebben de auteurs een studie geheranalyseerd over medicijnen voor maagzweren bij patiënten aan beademingsapparatuur. Ze ontdekten dat de verschillende hulpmiddelen licht verschillende antwoorden gaven, wat erop wees dat de groottes van de ziekenhuizen mogelijk "informatief" waren. De studie concludeert dat wanneer onderzoekers te maken hebben met deze complexe, multi-period trials, ze heel voorzichtig moeten zijn met welk hulpmiddel ze kiezen. Als ze er zeker van willen zijn dat ze niet worden misleid door de grootte van de groepen, zijn de eenvoudige, gewogen IEE-hulpmiddelen de veiligste keuze, terwijl de complexere nested modellen met voorzichtigheid moeten worden gebruikt of vermeden als de groepsgroottes op een relevante manier variëren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.