📊 statistics

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

Dit artikel leidt gewijzigde, distributievrije tolerantiegrensformules af en valideert deze die verschillende vertekende steekproefplannen, zoals gewichtsvertekening en censurering, accommoderen om de beperkingen van traditionele methoden aan te pakken wanneer onbevooroordeelde representatieve steekproeven niet beschikbaar zijn, en demonstreert hun toepassing met dementiedata uit de Canadese Studie van Gezondheid en Ouderdom.

Oorspronkelijke auteurs: James H. McVittie, Martin Lysy, Masoud Asgharian

Gepubliceerd 2026-05-20

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: James H. McVittie, Martin Lysy, Masoud Asgharian

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 bakker bent die probeert uit te rekenen hoeveel koekjes je moet bakken om ervoor te zorgen dat, als je twee specifieke koekjes uit de bak pakt (bijvoorbeeld het 3e kleinste en het 10e grootste), de ruimte ertussen minstens 80% van alle koekjesgroottes bevat die je had kunnen maken.

In de wereld van de statistiek heet dit het vinden van een tolerantiegrens. Decennialang hadden statistici een beroemd, eenvoudig recept (de formule van Scheffé-Tukey) om deze vraag te beantwoorden. Het recept werkt perfect als je bak met koekjes een eerlijke, willekeurige steekproef is van de hele batch. Als je blindelings koekjes pakt, klopt de wiskunde.

Het Probleem: De "Vooroordeel" Bak
Echter, in het echte leven – vooral in medische studies zoals het volgen van patiënten met dementie – kun je vaak geen eerlijke, willekeurige bak krijgen. Je krijgt misschien alleen koekjes die "langer" of "zwaarder" zijn vanwege de manier waarop je ze hebt verzameld.

De Analogie: Stel je voor dat je onderzoekt hoe lang mensen met een ziekte leven. Als je pas begint te kijken naar mensen nadat ze al een tijdje ziek zijn geweest (een "prevalente cohort"), is de kans groter dat je mensen vindt die langer overleven. Patiënten die korter leefden, zijn al overleden en voor jou onzichtbaar.
Het Resultaat: Je steekproef is bevooroordeeld. Het is als een bak waar alleen de grootste koekjes mochten blijven. Als je het oude, simpele recept op deze bevooroordeelde bak toepast, zul je berekenen dat je zeer weinig koekjes nodig hebt om je 80% dekking te krijgen. Maar in werkelijkheid zit je er enorm naast. Je denkt dat je genoeg data hebt, maar dat is niet zo.

De Oplossing: Nieuwe Recepten voor een Bevooroordeelde Wereld
De auteurs van dit artikel, James McVittie, Martin Lysy en Masoud Asgharian, beseften dat het oude recept faalt wanneer de data bevooroordeeld is. Zij creëerden twee nieuwe "recepten" (methoden) om de wiskunde te corrigeren zodat het werkt, zelfs als je steekproef scheef is.

De "Ongelijkheid"-Methode (De Overvoorbereider):
Deze methode probeert veilig te spelen door een reeks logische "als-dan"-regels te gebruiken. Het is als een bakker die, bezorgd over de bevooroordeelde bak, besluit om veel meer koekjes te bakken dan nodig, alleen maar om absoluut zeker te zijn.
- De Vloer: Het werkt, maar het is verspillend. Het zegt je dat je een enorme hoeveelheid data moet verzamelen (een enorme steekproefgrootte) om veilig te zijn, en overschat vaak wat je eigenlijk nodig hebt.
De "FFT"-Methode (De Precisie-Kok):
Dit is de ster van het artikel. "FFT" staat voor Fast Fourier Transform, een verfijnd wiskundig hulpmiddel dat fungeert als een high-speed blender voor kansverdelingscurves.
- Hoe het werkt: In plaats van te gokken of losse regels te gebruiken, neemt deze methode de vorm van je bevooroordeelde data en "ont-blendt" deze wiskundig om te zien hoe de oorspronkelijke, eerlijke verdeling eruit zag. Vervolgens berekent het het exacte aantal koekjes (steekproefgrootte) dat nodig is.
- Het Resultaat: Het is ongelooflijk nauwkeurig. Het geeft je het exacte aantal mensen dat je moet onderzoeken om je 80% dekking te krijgen, niet meer en niet minder.

Het Bewijs: De Simulatie en de Echte Test
De auteurs testten deze nieuwe recepten op twee manieren:

De Simulatie: Ze creëerden nep-computerdata waarbij ze het "ware" antwoord kenden. Toen ze het oude recept toepasten op bevooroordeelde data, faalde het op erbarmelijke wijze (ze voorspelden dat ze te weinig mensen nodig hadden). De "Ongelijkheid"-methode was te voorzichtig (voorspelde te veel). De FFT-methode raakte elke keer de kern.
De Echte Wereld Test: Ze pasten dit toe op echte data uit de Canadese Studie naar Gezondheid en Ouderdom (CSHA), die mensen met dementie volgt. Omdat deze studie alleen mensen pakt die al gediagnosticeerd zijn (een bevooroordeelde steekproef), zou de oude wiskunde het verkeerde antwoord hebben gegeven. Met hun nieuwe FFT-methode berekenden ze precies hoeveel extra deelnemers nodig waren om statistisch zeker te zijn.

De Conclusie
Als je een studie doet waarbij je data van nature "bevooroordeeld" is (zoals het bekijken van mensen die de ziekte al een tijdje hebben overleefd), gebruik dan niet de oude, simpele wiskundige formule. Die zal je liegen.

Gebruik in plaats daarvan de nieuwe FFT-methode die in dit artikel wordt voorgesteld. Het is als upgraden van een ruwe schatting naar een laser-gestuurde rekenmachine. Het zorgt ervoor dat je geen geld en tijd verspilt aan het verzamelen van te veel data, noch dat je je studie riskeert te laten falen door te weinig te verzamelen. Het is de meest efficiënte manier om rommelige, real-world data te hanteren.

Technische Samenvatting: Bepaling van Steekproefomvang onder Selectiebias

Probleemstelling
De bepaling van voldoende steekproefgroottes voor statistische studies is cruciaal voor het waarborgen van de power van hypothesetoetsen en het vastleggen van het merendeel van de populatieverdeling. Het klassieke kader voor dit probleem, gevestigd door Scheffé en Tukey (1944), biedt een distributie-vrije formule die steekproefomvang relateert aan populatie-dekking met behulp van ordestatistieken. Deze formule berust echter op de strikte aanname van een onbevooroordeelde, willekeurige steekproef uit de doelpopulatie. In biologische en medische toepassingen beletten logistieke beperkingen vaak dergelijke steekproeven, wat leidt tot bevooroordeelde ontwerpen zoals prevalentie-cohortstudies, lengte-bias steekproeven en gecensureerde uitvalstijdsdata. Wanneer de klassieke Scheffé-Tukey-formule wordt toegepast op deze bevooroordeelde steekproeven, levert dit onjuiste schattingen van de steekproefomvang en dekkingkansen op. Bestaande recente benaderingen voor gecensureerde data vertrouwen vaak op restrictieve aannames, zoals exponentiële uitvalstijdsverdelingen. Dit artikel adresseert de behoefte aan robuuste formules voor steekproefomvang die algemene bevooroordeelde steekproefplannen accommoderen zonder beperkt te zijn tot specifieke parametrische vormen zoals de exponentiële verdeling.

Methodologie
De auteurs stellen uitbreidingen op de Scheffé-Tukey-formule voor om een grote klasse van bevooroordeelde steekproefplannen te hanteren, waaronder gewichtsbias en censuur. In tegenstelling tot het onbevooroordeelde geval zijn de gewijzigde formules niet distributie-vrij; ze vereisen a priori kennis (of schatting) van zowel de doelpopulatieverdeling ( $F$ ) als de bevooroordeelde steekproefverdeling ( $G$ ). Het artikel schetst twee primaire benaderingen om de ongelijkheid voor het dekkingprobleem op te lossen: $P[F(Y_{n-m+1}) - F(Y_r) \geq q] \geq 1 - \alpha$ , waarbij $Y$ ordestatistieken uit de bevooroordeelde verdeling voorstelt:

Analytische Ongelijkheidbenadering: Deze methode benadert het tweezijdige dekkingprobleem door de ordestatistieken als ongeveer onafhankelijk te behandelen en gebruik te maken van een reeks eenzijdige ongelijkheden. Het maakt gebruik van een stuksgewijs lineaire benadering van de kwantielfunctie $\Phi^{-1} = F \circ G^{-1}$ . Hoewel dit een analytische oplossing oplevert, merken de auteurs op dat de reeks ongelijkheden ruwe grenzen biedt, wat vaak leidt tot een overschatting van de vereiste steekproefomvang.
Computational FFT-benadering: Om de overschatting inherent aan de ongelijkheidsmethode te vermijden, stellen de auteurs een computationele benadering voor gebaseerd op de Fast Fourier Transform (FFT). Onder de aanname van onafhankelijkheid tussen ordestatistieken voor matige steekproefgroottes, wordt de kansdichtheidsfunctie (PDF) van het verschil tussen ordestatistieken afgeleid via de convolutie van hun individuele PDF's. Deze convolutie wordt efficiënt berekend met behulp van de FFT. De methode benadert de integraal van de resulterende PDF met een Riemann-som op een rooster, wat numerieke schatting van de dekkingkans en de daaropvolgende wortelbepaling van de steekproefomvang $n$ mogelijk maakt.

Het artikel beschrijft in detail hoe de benodigde kwantielfuncties ( $\Phi$ en $\Phi^{-1}$ ) in verschillende situaties kunnen worden verkregen: analytisch voor specifieke verdelingen, via Monte Carlo-simulatie wanneer verdelingen onhandelbaar zijn, of via niet-parametrische maximum likelihood-schattingen (NPMLE) met behulp van pilotstudiedata.

Belangrijkste Resultaten
De voorgestelde methoden werden gevalideerd door middel van een uitgebreide simulatiestudie en een toepassing op real-world data:

Simulatiestudie: Met behulp van Gamma-verdeelde doelpopulaties met variërende hazard-rates en lengte-bias steekproeven met rechtse censuur, vergeleek de studie de klassieke Scheffé-Tukey-formule, de ongelijkheidsbenadering en de FFT-benadering.
- De Scheffé-Tukey-formule onderschatte consequent de vereiste steekproefomvang, wat resulteerde in empirische dekkingkansen die significant lager waren dan het nominale niveau van 95%.
- De ongelijkheidbenadering neigde tot overschatting van de steekproefomvang, wat dekkingkansen opleverde die dicht bij 100% lagen; dit wordt minder efficiënt naarmate de censureringspercentages toenemen.
- De FFT-benadering slaagde erin de juiste steekproefomvang te identificeren, met empirische dekkingkansen die dicht bij het nominale niveau van 0,95 lagen in alle scenario's. De computatiekosten bleken verwaarloosbaar (doorgaans onder de 0,1 seconde).
Toepassing op CSHA-Data: De methoden werden toegepast op data uit de Canadian Study of Health and Aging (CSHA), een prevalentie-cohortstudie van patiënten met dementie met lengte-bias en rechtse gecensureerde uitvalstijden. Met behulp van de CSHA-data als pilotstudie om de verdelingen te schatten, berekenden de auteurs de vereiste steekproefgroottes voor verschillende configuraties van ordestatistieken.
- De resultaten weerspiegelden de simulatiebevindingen: Scheffé-Tukey leverde de kleinste steekproefgroottes op, de ongelijkheidsbenadering de grootste, en de FFT-benadering resulteerde in tussenliggende waarden.
- De auteurs merken op dat hoewel de berekende steekproefgroottes kleiner waren dan de bestaande CSHA-cohortgrootte, de vergelijking de aanzienlijke divergentie in schattingen tussen methoden benadrukt wanneer bias aanwezig is.

Betekenis en Claims
Het artikel claimt dat de klassieke Scheffé-Tukey-formule ongeldig is voor bevooroordeelde steekproefregimes, wat leidt tot statistisch onhoudbare studieontwerpen. De primaire bijdrage is de afleiding en validatie van gewijzigde formules voor steekproefomvang die selectiebias en censuur in aanmerking nemen. De auteurs benadrukken dat hoewel deze methoden kennis van de onderliggende verdelingen vereisen (of de mogelijkheid om deze via pilotstudies te schatten), ze een noodzakelijke correctie bieden op de standaardpraktijk.

De auteurs concluderen bescheiden dat de op FFT gebaseerde benadering de aanbevolen methode is voor het berekenen van steekproefgroottes voor tolerantiegrenzen onder bevooroordeelde steekproeven. Zij betogen dat de verwaarloosbare computatietrade-off van de FFT-methode gerechtvaardigd is door de aanzienlijke toename in nauwkeurigheid in vergelijking met zowel de klassieke formule als de conservatieve ongelijkheidsbenadering. Het werk biedt een praktisch kader voor onderzoekers die te maken hebben met prevalentie-cohortdata, waarbij wordt gewaarborgd dat berekeningen van steekproefomvang de complexiteiten van bevooroordeelde steekproefontwerpen weerspiegelen in plaats van te vertrouwen op geïdealiseerde aannames van onbevooroordeeldheid.

Technische Samenvatting: Bepaling van Steekproefomvang onder Selectiebias

Meer zoals dit