¿Cómo detectar selección, contaminación y pérdida en un experimento?
El diagnóstico sigue las unidades desde la elegibilidad hasta el resultado: asignación, exposición, contaminación, pérdidas y exclusiones. El ITT sigue basándose en la asignación.
Redacción científica : Marketing Science Center
Respuesta directa
Caracterizar las amenazas y realizar análisis de sensibilidad.
El diagnóstico sigue las unidades desde la elegibilidad hasta el resultado: asignación, exposición, contaminación, pérdidas y exclusiones. El ITT sigue basándose en la asignación.
CONSORT 2010 Explanation and ElaborationHernán & Robins, Causal Inference: What If
01
Resumen operativo
Pregunta científica y alcance
¿Cómo detectar selección, contaminación y pérdida en un experimento?
Admisible
Caracterizar las amenazas y realizar análisis de sensibilidad.
Prohibido
Reparar automáticamente una pérdida diferencial grave.
02
Tres niveles de lectura
- 01
Responsable — Conectar el resultado con una decisión, un umbral útil y un coste de error declarados.
- 02
Profesional — Fijar población, unidad, horizonte, variables disponibles y regla de análisis antes del cálculo.
- 03
Analista — Reproducir el cálculo, cuantificar la incertidumbre y documentar diagnósticos, fallos y sensibilidad.
03
Situación de marketing concreta
El diagnóstico sigue las unidades desde la elegibilidad hasta el resultado: asignación, exposición, contaminación, pérdidas y exclusiones. El ITT sigue basándose en la asignación.
04
Pregunta científica y alcance
¿Cómo detectar selección, contaminación y pérdida en un experimento?
Evidencia diagnóstica, no un nuevo efecto causal
Datos necesarios
Unidad elegible a lo largo del flujo de análisis
La población, la unidad de análisis, la fecha de origen y el horizonte deben declararse en el entregable. Sin ellos, el estimando cambia sin advertencia.
05
Por qué puede fallar un análisis simple
- Reparar automáticamente una pérdida diferencial grave.
- Asignación preespecificada y prueba SRM si se implementa
- Pérdida diferencial
- Mapa de efectos indirectos
06
Intuición del método
El método no convierte automáticamente una asociación en evidencia. Vincula una pregunta declarada con un estimando, una especificación, datos compatibles y una regla de interpretación limitada.
Evidencia diagnóstica, no un nuevo efecto causal
07
Datos necesarios
Diccionario de símbolos científicos
assigned_arm- Número de unidades elegibles aleatorizadas al brazo declarado. Unidad:
unidad· Tipo:entero no negativo· Función:entrada observed_arm- Número de unidades asignadas con resultado primario observado según la regla preespecificada de datos faltantes. Unidad:
unidad· Tipo:entero no negativo· Función:entrada exposed_arm- Número de unidades asignadas que recibieron la exposición medida según la definición preespecificada. Unidad:
unidad· Tipo:entero no negativo· Función:entrada attrition_arm- Proporción de unidades asignadas sin resultado primario observado en el brazo. Unidad:
proporción· Tipo:número en [0, 1]· Función:salida exposure_T- Proporción expuesta entre unidades asignadas al tratamiento. Unidad:
proporción· Tipo:número en [0, 1]· Función:diagnóstico contamination_C- Proporción expuesta entre unidades asignadas al control. Unidad:
proporción· Tipo:número en [0, 1]· Función:diagnóstico
Entradas exactas y selladas del motor
assigned_treatment- Valor:
5000· Unidad:unidad· Tipo:entero· Estado de los datos:sintético assigned_control- Valor:
5000· Unidad:unidad· Tipo:entero· Estado de los datos:sintético observed_treatment- Valor:
4800· Unidad:unidad· Tipo:entero· Estado de los datos:sintético observed_control- Valor:
4900· Unidad:unidad· Tipo:entero· Estado de los datos:sintético exposed_treatment- Valor:
4500· Unidad:unidad· Tipo:entero· Estado de los datos:sintético exposed_control- Valor:
200· Unidad:unidad· Tipo:entero· Estado de los datos:sintético
08
Modelo formal
Modelo formal
attrition_treatment = 1 − observed_treatment/assigned_treatment; attrition_control = 1 − observed_control/assigned_control; differential_attrition = attrition_treatment − attrition_control; treatment_exposure = exposed_treatment/assigned_treatment; control_contamination = exposed_control/assigned_controlAfirmaciones respaldadas: MSC-P017-C01 · MSC-P017-C02 · MSC-P017-C03 · MSC-P017-C04 · MSC-P017-C05
Pregunta científica y alcance
Evidencia diagnóstica, no un nuevo efecto causal
09
Cálculo declarado
- 01
Conciliar elegibles, asignados, observados y expuestos por brazo y rechazar relaciones imposibles.
- 02
Calcular pérdidas por brazo, pérdida diferencial, exposición del tratamiento y contaminación del control.
- 03
Informar solo diagnósticos de implementación; no afirmar que reparan sesgo ni constituyen una prueba SRM.
10
Ejemplo numérico o caso de aplicación
Ejemplo de aplicación — datos sintéticos o parámetros declarados; ninguna observación real
Entradas selladas
assigned_treatment=5000 [unidad]assigned_control=5000 [unidad]observed_treatment=4800 [unidad]observed_control=4900 [unidad]exposed_treatment=4500 [unidad]exposed_control=200 [unidad]
Resultados reproducibles
attrition_treatment/control=0.04/0.02differential_attrition=0.02exposure/contamination=0.90/0.04
Dosier verificado: afirmaciones vinculadas a fuentes a nivel de pasaje, cálculo Python/R reproducido, límites explícitos y revisión científica independiente completada.
11
Supuestos de validez
- ¿Los recuentos asignados concuerdan con el registro de aleatorización y la asignación preespecificada?
- ¿Se compara la falta de resultados por brazo bajo una regla declarada?
- ¿Exposición y contaminación se definen sin condicionar el ITT primario a conducta posterior?
12
Diagnósticos e incertidumbre
Diagnósticos e incertidumbre
Asignación preespecificada y prueba SRM si se implementa · Pérdida diferencial · Mapa de efectos indirectos · La ilustración informa recuentos y tasas pero no calcula un valor p SRM
Diagnóstico acotado
Los diagnósticos describen el flujo de implementación; no reparan sesgo ni sustituyen una prueba SRM.
Contrato explícito de incertidumbre · not_estimable_from_sealed_inputs
Método : Evaluación explícita de no estimabilidad frente al esquema de entradas sellado.
Objetivo : Incertidumbre muestral de las tasas de pérdida, exposición y contaminación.
Evidencia del motor : diagnostic=diagnostics_do_not_repair_bias
Interpretación : Los recuentos agregados no identifican la dependencia o el proceso de ausencia requerido para intervalos válidos.
Detenerse si
Reparar automáticamente una pérdida diferencial grave.
13
Interpretación del resultado
- Caracterizar las amenazas y realizar análisis de sensibilidad.
- El resultado está condicionado por la población, el horizonte, la especificación y los controles declarados. No debe extenderse a otra decisión sin nueva justificación.
14
Conclusión admisible y prohibida
Admisible
Caracterizar las amenazas y realizar análisis de sensibilidad.
Prohibido
Reparar automáticamente una pérdida diferencial grave.
15
Decisión de marketing posible
- 01
Caracterizar las amenazas y realizar análisis de sensibilidad.
- 02
El resultado está condicionado por la población, el horizonte, la especificación y los controles declarados. No debe extenderse a otra decisión sin nueva justificación.
16
Cuándo usar — cuándo detenerse
Usar si
Caracterizar las amenazas y realizar análisis de sensibilidad.
Unidad elegible a lo largo del flujo de análisis
Detenerse si
Reparar automáticamente una pérdida diferencial grave.
Alternativas metodológicas
- Ejecutar una prueba SRM exacta cuando estén disponibles probabilidades y registros.
- Usar límites de sensibilidad para resultados faltantes o incumplimiento.
- Informar ITT y análisis preespecificados por tratamiento recibido sin sustituir el estimando ITT.
17
Contrato de reproducibilidad
Python y R son las referencias ejecutables. SPSS y SAS siguen siendo sintaxis secundarias hasta verificarse con los mismos datos, especificación y diagnósticos.
El motor selecciona únicamente el segmento y la rama explícita de esta página. Su hash, salidas y diagnósticos quedan sellados en el expediente atómico; no se permite ninguna rama genérica de respaldo.
Huella del segmento: 86981a5527088e6e95da14a6c0091530f1f492c73e0b0dec47bdbd5cbda693e0
CSV · CC0
msc-validation-inputs-v1.csv ↓Python · MIT
msc-validation-reference-v1.py ↓R · MIT
msc-validation-reference-v1.R ↓SPSS / SAS · MIT · solo inspección
SPSS ↓SAS ↓Modelo formal
attrition_treatment = 1 − observed_treatment/assigned_treatment; attrition_control = 1 − observed_control/assigned_control; differential_attrition = attrition_treatment − attrition_control; treatment_exposure = exposed_treatment/assigned_treatment; control_contamination = exposed_control/assigned_controlDosier verificado: afirmaciones vinculadas a fuentes a nivel de pasaje, cálculo Python/R reproducido, límites explícitos y revisión científica independiente completada.
18
Entregable final esperado
- 01
¿Cómo detectar selección, contaminación y pérdida en un experimento? —
Unidad elegible a lo largo del flujo de análisis - 02
assigned_arm · observed_arm · exposed_arm · attrition_arm · exposure_T · contamination_C
- 03
attrition_treatment = 1 − observed_treatment/assigned_treatment; attrition_control = 1 − observed_control/assigned_control; differential_attrition = attrition_treatment − attrition_control; treatment_exposure = exposed_treatment/assigned_treatment; control_contamination = exposed_control/assigned_control - 04
Asignación preespecificada y prueba SRM si se implementa · Pérdida diferencial · Mapa de efectos indirectos · La ilustración informa recuentos y tasas pero no calcula un valor p SRM
- 05
Caracterizar las amenazas y realizar análisis de sensibilidad. / Reparar automáticamente una pérdida diferencial grave.
19
Fuentes científicas y estado de la evidencia
Dosier verificado: afirmaciones vinculadas a fuentes a nivel de pasaje, cálculo Python/R reproducido, límites explícitos y revisión científica independiente completada.
MSC-P017-C01— El cálculo del tamaño muestral debe nombrar el resultado primario y todas las cantidades usadas.MSC-P017-C02— Deben informarse los ajustes por pérdidas e incumplimiento.MSC-P017-C03— El análisis por asignación aleatoria preserva la comparación prevista.MSC-P017-C04— La consistencia vincula el resultado observado con el potencial bajo la política asignada.MSC-P017-C05— El estimando causal supone que la asignación de un cliente no altera el resultado de otro.
Conexiones metodológicas