📊 statistics

Weighted k-Sample Kolmogorov-Smirnov, Cramer-von Mises, and Anderson-Darling Tests for Assessing Covariate Balance

Este artigo estende os testes de Kolmogorov-Smirnov, Cramer-von Mises e Anderson-Darling ponderados para avaliar o equilíbrio de covariáveis entre um número arbitrário de grupos (k ≥ 2), demonstrando que, embora o poder omnibus diminua com mais grupos, o procedimento de comparação pareada post-hoc subsequente permanece uma ferramenta sensível para detectar desequilíbrios específicos, com todos os métodos implementados no Stata.

Autores originais: Ariel Linden

Publicado 2026-08-05

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ariel Linden

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um detetive tentando resolver um mistério: quem realmente fez isso? No mundo da ciência, especificamente quando pesquisadores tentam descobrir se um novo medicamento ou política realmente funciona, eles jogam um jogo semelhante. Eles comparam um grupo de pessoas que recebeu o tratamento contra um grupo que não recebeu. Mas aqui está o detalhe: para que a comparação seja justa, os dois grupos devem ser gêmeos em todos os aspectos que importam — mesma idade, mesmo histórico de saúde, mesmos hábitos. Se não forem gêmeos, os resultados são apenas uma confusão de confusões. Isso é chamado de verificar o "equilíbrio de covariáveis".

Normalmente, os cientistas apenas verificam se a idade média ou a renda média é a mesma. Mas as médias podem ser traiçoeiras. Imagine dois grupos onde a idade média é 30 em ambos. Em um grupo, todos têm exatamente 30 anos. No outro, metade tem 10 e metade tem 50. As médias coincidem, mas os grupos são totalmente diferentes! Para capturar essas diferenças sorrateiras, os cientistas usam "testes de distribuição" especiais. Pense neles como scanners de alta tecnologia que não olham apenas para a altura média de uma multidão, mas escaneiam toda a forma da multidão para ver se os grupos são verdadeiramente idênticos. Por muito tempo, esses scanners só funcionavam ao comparar dois grupos por vez. Mas e se você tiver três, quatro ou mais grupos para comparar? Este é o enigma que este artigo aborda.

O artigo, escrito por Ariel Linden, apresenta uma nova maneira de usar três famosos scanners estatísticos — o Kolmogorov–Smirnov, o Anderson–Darling e o Cramér–von Mises — para comparar qualquer número de grupos (dois ou mais) de uma só vez, mesmo quando os dados são ponderados (como dar mais importância a certas pessoas). A autora também adiciona uma ferramenta "post-hoc" inteligente, que é como uma lupa que ajuda você a identificar exatamente quais grupos são diferentes se o grande scan disser que algo está errado.

Aqui está a história do que eles descobriram. Primeiro, a autora construiu esses novos scanners de múltiplos grupos e os testou em um mundo virtual usando simulações de computador. Ela criou milhares de cenários falsos com três grupos para ver se os scanners cometeriam erros. A boa notícia? Os scanners foram muito honestos. Quando os grupos eram realmente idênticos, os scanners raramente gritavam "foul" (falta), mantendo sua taxa de erro exatamente onde deveria estar (cerca de 5%).

No entanto, as simulações revelaram uma reviravolta surpreendente. Quando os cientistas compararam três grupos em vez de dois, o grande scanner "omnibus" (aquele que verifica todos os grupos de uma vez) tornou-se ligeiramente menos sensível. Ficou mais difícil para o scanner detectar um único grupo estranho escondido entre dois normais. A autora explica que isso não é porque o grupo estranho se tornou menos estranho; é porque o scanner teve que olhar para mais grupos, o que tornou o intervalo "normal" do que ele espera ver muito mais amplo. É como tentar ouvir um sussurro em um quarto silencioso versus um sussio em um estádio barulhento; o sussurro é o mesmo, mas o ruído de fundo do estádio torna mais difícil detectá-lo.

Por causa disso, o artigo sugere uma estratégia inteligente: se você suspeita que um grupo específico é diferente, não dependa apenas do grande scan de grupo. Em vez disso, use a nova ferramenta "post-hoc" para comparar os grupos dois a dois. Esta ferramenta de pares não sofre com o "ruído" dos grupos extras e é muito melhor em capturar o culpado específico.

O artigo também confirmou que os três diferentes scanners ainda têm seus próprios superpoderes, assim como fazem ao comparar dois grupos. O teste Kolmogorov–Smoto é o melhor para detectar diferenças bem no meio dos dados (como se todos em um grupo fossem ligeiramente mais altos que os outros). O teste Anderson–Darling é o campeão em detectar diferenças nas extremidades ou "caudas" (como se um grupo tivesse algumas pessoas extremamente doentes que os outros não têm). O teste Cramér–von Mises é um generalista sólido, com desempenho semelhante ao Anderson–Darling quando as diferenças estão espalhadas por toda parte.

Para mostrar que isso funciona no mundo real, a autora aplicou esses métodos a dados de um programa de gestão de insuficiência cardíaca. Eles tinham três grupos: pessoas que não aderiram, pessoas que receberam chamadas telefônicas e pessoas que receberam monitoramento remoto. Antes de ajustar os dados, os scanners gritavam que os grupos eram totalmente diferentes. Mas após aplicar um método de ponderação especial para equilibrá-los, os scanners disseram: "Tudo limpo!". Os grupos agora eram gêmeos estatísticos.

Em suma, este artigo oferece aos cientistas um novo conjunto de ferramentas para comparar múltiplos grupos de forma justa. Ele avisa que verificar todos os grupos de uma vez pode deixar passar um único elemento estranho, mas fornece uma ferramenta de acompanhamento específica para encontrar esse elemento. Ele confirma que diferentes testes são melhores para diferentes tipos de diferenças e prova que esses métodos funcionam bem mesmo quando os dados são complexos e ponderados. A autora está confiante em suas descobertas baseadas em suas simulações, embora observe que trabalhos futuros poderiam explorar configurações de grupos ainda mais complexas.

Resumo Técnico: Testes de Distribuição k-Amostra Ponderados para Equilíbrio de Covariáveis

Definição do Problema
O equilíbrio de covariáveis é um pré-requisito para a inferência causal válida em estudos observacionais e ensaios randomizados de múltiplos braços. Embora os testes de distribuição clássicos (Kolmogorov–Smirnov, Anderson–Darling, Cramér–von Mises) tenham sido recentemente estendidos para acomodar comparações de dois grupos ponderadas, permanece uma lacuna para cenários envolvendo três ou mais grupos ( $k \ge 2$ ). As abordagens existentes para $k > 2$ forçam os investigadores a escolhas insatisfatórias: realizar comparações pareadas não ajustadas (ignorando problemas de testes múltiplos) ou confiar em medidas de resumo (ex.: diferenças médias padronizadas) que descartam informações de distribuição. Além disso, nenhum framework existente acomoda simultaneamente comparações de $k$ -amostras com pesos de casos arbitrários, generalizações de $k$ -amostras e um procedimento de inferência por permutação unificado que se reduz exatamente aos contrapartes de dois grupos estabelecidos.

Metodologia
Este artigo estende o framework de dois grupos ponderados para um número arbitrário de grupos ( $k \ge 2$ ), integrando as generalizações de $k$ -amostras existentes da literatura não ponderada com um procedimento de inferência por permutação compartilhado e agnóstico ao peso.

Estatísticas de Teste:
- Kolmogorov–Smirnov (KS): Utiliza a generalização de Kiefer (1959), somando as discrepâncias quadráticas entre a função de distribuição cumulativa empírica (ECDF) ponderada de cada grupo e a ECDF ponderada combinada.
- Cramér–von Mises (CVM): Aplica a generalização de Kiefer (1959), somando as discrepâncias quadráticas através de todos os valores distintos na amostra combinada.
- Anderson–Darling (AD): Emprega a generalização discreta de $k$ -amostras de Scholz e Stephens (1987), incorporando um termo de ponderação de variância que enfatiza discrepâncias nas caudas.
Ponderação e Inferência: Todas as estatísticas utilizam ECDFs ponderadas e tamanhos de amostra efetivos (Kish, 1965) para lidar com pesos de casos. A significância é avaliada via um procedimento de permutação de rótulos, onde os rótulos dos grupos são reembaralhados preservando os tamanhos dos grupos e os pesos das observações.
Compatibilidade Reversa: Uma restrição de design crítica garante que, quando $k=2$ , as estatísticas de $k$ -amostras reduzam-se exatamente (algebraica e numericamente) às estatísticas específicas de dois grupos definidas no trabalho anterior (Linden, 2026b), não meramente de forma assintótica.
Procedimento Post-Hoc: Para abordar a limitação dos testes omnibus na identificação de fontes específicas de desequilíbrio, o artigo introduz um procedimento de comparação pareada. Este executa o teste de dois grupos exato em todos os $\binom{k}{2}$ pares utilizando a mesma maquinaria de permutação. Para controlar as taxas de erro, quatro métodos de ajuste são fornecidos: Bonferroni, Šidák, Holm (step-down) e Benjamini–Hochberg.

Principais Contribuições

Extensão para $k$ Grupos: A extensão formal dos testes de KS, AD e CVM ponderados para $k \ge 2$ grupos, garantindo a redução exata para as formas de dois grupos em $k=2$ .
Framework Post-Hoc Unificado: Um procedimento sistemático para localizar desequilíbrios entre grupos específicos após um rejeição omnibus, integrado dentro do mesmo framework de permutação.
Implementação: Os métodos são implementados em comandos Stata disponíveis gratuitamente (kstest, adtest, cvmtest).

Resultados
Um estudo de simulação com $k=3$ grupos e quatro cenários de discrepância (Erro Tipo I, central, de cauda e difusa) gerou os seguintes achados:

Erro Tipo I: Todos os três testes mantiveram taxas de rejeição próximas ao nível nominal de 5% através de diferentes tamanhos de amostra e níveis de variabilidade de peso, correspondendo ao desempenho do cenário de dois grupos.
Características de Poder: Os padrões de sensibilidade relativa estabelecidos para dois grupos foram preservados:
- O KS foi mais poderoso contra discrepâncias localizadas centralmente.
- O AD foi esmagadoramente mais poderoso contra discrepâncias localizadas nas caudas.
- AD e CVM apresentaram desempenho comparável contra discrepâncias difusas, com o AD mantendo uma ligeira e consistente vantagem.
Redução de Poder em Testes Omnibus: Um achado sistemático foi que o poder omnibus em $k=3$ foi uniformemente inferior ao do cenário correspondente de dois grupos. O artigo atribui isso não à diluição do sinal (visto que a discrepância ao nível populacional permanece constante), mas à expansão dos graus de liberdade ( $k-1$ ) da distribuição nula, o que eleva o valor crítico necessário para a rejeição.
Sensibilidade Post-Hoc: Como as estatísticas pareadas não carregam a penalidade de poder do teste omnibus, o procedimento post-hoc é frequentemente mais sensível para detectar desequilíbrios de grupos específicos do que o próprio teste omnibus.
Exemplo Aplicado: Em um estudo de um programa de gestão de doenças com três grupos (Controle, Telefone, Monitoramento Remoto), os testes detectaram um desequilíbrio significativo pré-ponderação. Após a aplicação de pesos de média marginal através de estratificação (MMWS), tanto os testes omnibus quanto os post-hoc indicaram sucesso no equilíbrio, sem diferenças residuais significativas.

Significância e Alegações
O artigo alega que estas extensões permitem que os investigadores avaliem o equilíbrio de covariáveis entre múltiplos grupos sem sacrificar a informação de distribuição ou o rigor estatístico. A principal significância reside na capacidade de passar de uma avaliação global de homogeneidade para conclusões pareadas específicas e ajustadas dentro de um único e consistente framework.

O autor nota explicitamente que a redução do poder omnibus conforme $k$ aumenta é uma propriedade estrutural da construção do teste (aumento dos graus de liberdade na distribuição nula), e não uma falha na ponderação ou nos tipos de discrepância. Consequentemente, o artigo aconselha que, quando desequilíbrios de grupos específicos são suspeitos, os investigadores devem confiar nos resultados pareados post-hoc em vez do teste omnibus isoladamente. O estudo conclui modestamente que, embora os resultados para $k=3$ confirmem a preservação das propriedades de dois grupos, a escala da redução de poder e o desempenho post-hoc para $k > 3$ e distribuições não normais permanecem como questões abertas para trabalhos futuros.

Mais como este