Research & Evidence

Buscar un método

Busca entre títulos, preguntas, territorios e identificadores MSC.

    ← Todos los métodos
    FICHA DE MÉTODOMSC-P-017Experimentación y causalidadDosier científico verificado

    ¿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

    1. 01

      Responsable — Conectar el resultado con una decisión, un umbral útil y un coste de error declarados.

    2. 02

      Profesional — Fijar población, unidad, horizonte, variables disponibles y regla de análisis antes del cálculo.

    3. 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_control

    Afirmaciones 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

    1. 01

      Conciliar los recuentos de unidades elegibles, asignadas, observadas y expuestas por brazo aleatorizado y rechazar toda relación de recuento imposible.

    2. 02

      Calcular pérdidas por brazo, pérdida diferencial, exposición del tratamiento y contaminación del control.

    3. 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=0.04/0.02
    • differential_attrition=0.02
    • exposure/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

    1. 01

      Caracterizar las amenazas y realizar análisis de sensibilidad.

    2. 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

    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_control

    Dosier verificado: afirmaciones vinculadas a fuentes a nivel de pasaje, cálculo Python/R reproducido, límites explícitos y revisión científica independiente completada.

    18

    Entregable final esperado

    1. 01

      ¿Cómo detectar selección, contaminación y pérdida en un experimento? — Unidad elegible a lo largo del flujo de análisis

    2. 02

      assigned_arm · observed_arm · exposed_arm · attrition_arm · exposure_T · contamination_C

    3. 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

    4. 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?

    5. 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.

    1. MSC-P017-C01 — El cálculo del tamaño muestral debe nombrar el resultado primario y todas las cantidades usadas.
    2. MSC-P017-C02 — Deben informarse los ajustes por pérdidas e incumplimiento.
    3. MSC-P017-C03 — El análisis por asignación aleatoria preserva la comparación prevista.
    4. MSC-P017-C04 — La consistencia vincula el resultado observado con el potencial bajo la política asignada.
    5. MSC-P017-C05 — El estimando causal supone que la asignación de un cliente no altera el resultado de otro.
    1. CONSORT 2010 Explanation and Elaboration
    2. Hernán & Robins, Causal Inference: What If

    Conexiones metodológicas

    Territorio principalMedición y causalidad: ¿cómo establecer un efecto de marketing?

    Leer después

    MSC-P-010¿Cuándo debe realizarse un experimento de marketing?→MSC-P-011¿Cómo diseñar una prueba A/B que estime realmente un efecto?→MSC-P-013¿Cómo medir el efecto incremental de una campaña con un grupo de control?→