¿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.
- ¿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 la conducta posterior a la asignación?
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 los recuentos de unidades elegibles, asignadas, observadas y expuestas por brazo aleatorizado y rechazar toda relación de recuento imposible.
- 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 la conducta posterior a la asignación?
12
Diagnósticos e incertidumbre
Diagnósticos e incertidumbre
¿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 la conducta posterior a la asignación?
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 solos recuentos agregados del flujo no identifican la dependencia ni el proceso de ausencia requeridos para intervalos de incertidumbre 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 las probabilidades de asignación y los 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
¿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 la conducta posterior a la asignación?
- 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