Research & Evidence

Buscar un método

Busca entre títulos, preguntas, territorios e identificadores MSC.

    ← Todos los métodos
    FICHA DE MÉTODOMSC-P-012Experimentación y causalidadDosier científico verificado

    ¿Cuántas observaciones necesita un experimento?

    El tamaño depende de la tasa base o varianza, MDE, alfa, potencia, asignación, pérdida y conglomerados. Se calcula antes de la prueba y se redondea al alza.

    Redacción científica: Marketing Science Center

    Respuesta directa

    Dimensionar una prueba para un efecto mínimo predefinido.

    El tamaño depende de la tasa base o varianza, MDE, alfa, potencia, asignación, pérdida y conglomerados. Se calcula antes de la prueba y se redondea al alza.

    Cohen, 1992CONSORT 2010 Explanation and Elaboration

    01

    Resumen operativo

    Pregunta científica y alcance

    ¿Cuántas observaciones necesita un experimento?

    Admisible

    Dimensionar una prueba para un efecto mínimo predefinido.

    Prohibido

    Usar la potencia observada después de la prueba como evidencia.

    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 tamaño depende de la tasa base o varianza, MDE, alfa, potencia, asignación, pérdida y conglomerados. Se calcula antes de la prueba y se redondea al alza.

    04

    Pregunta científica y alcance

    ¿Cuántas observaciones necesita un experimento?

    n por brazo para un outcome binario, MDE, α y 1−β; asignación igual, aproximación normal

    Datos necesarios

    Unidad de aleatorización por brazo

    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

    • Usar la potencia observada después de la prueba como evidencia.
    • ¿Están declarados el outcome binario primario y su ventana fija de observación?
    • ¿Son p0 y p1 valores de planificación defendibles y no tasas observadas a posteriori?
    • ¿La estructura de asignación exige ajustes por pérdida, asignación desigual o diseño por conglomerados?

    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.

    n por brazo para un outcome binario, MDE, α y 1−β; asignación igual, aproximación normal

    07

    Datos necesarios

    Diccionario de símbolos científicos

    p0
    Probabilidad basal del evento en el brazo comparador. Unidad: probabilidad · Tipo: número en (0, 1) · Función: entrada
    p1
    Probabilidad objetivo del evento que representa el efecto mínimo que el diseño tiene potencia para detectar. Unidad: probabilidad · Tipo: número en (0, 1) · Función: entrada
    p_bar
    Punto medio de planificación (p0 + p1) / 2 para la aproximación normal con asignación igual. Unidad: probabilidad · Tipo: número · Función: derivado
    alpha
    Probabilidad bilateral preespecificada de error de tipo I. Unidad: probabilidad · Tipo: número en (0, 1) · Función: entrada
    power
    Probabilidad preespecificada de rechazar la hipótesis nula en la diferencia objetivo bajo el modelo de planificación. Unidad: probabilidad · Tipo: número en (0, 1) · Función: entrada
    z_alpha
    Cuantil normal estándar 1 − alpha/2, calculado a partir de alpha. Unidad: adimensional · Tipo: número positivo · Función: derivado
    z_power
    Cuantil normal estándar para la potencia declarada, calculado a partir de la potencia. Unidad: adimensional · Tipo: número · Función: derivado
    n_raw
    Tamaño muestral por brazo sin redondear según la aproximación normal, antes de los ajustes del diseño. Unidad: unidad de aleatorización por brazo · Tipo: número positivo · Función: derivado
    n_planned
    Tamaño muestral operativo por brazo tras redondear al alza y aplicar cualquier ajuste declarado por separado por pérdida o conglomerados. Unidad: unidad de aleatorización por brazo · Tipo: entero positivo · Función: salida

    Entradas exactas y selladas del motor

    baseline_rate
    Valor: 0.10 · Unidad: probabilidad · Tipo: número · Estado de los datos: sintético
    target_rate
    Valor: 0.12 · Unidad: probabilidad · Tipo: número · Estado de los datos: sintético
    alpha_two_sided
    Valor: 0.05 · Unidad: probabilidad · Tipo: número · Estado de los datos: parámetro declarado
    power
    Valor: 0.80 · Unidad: probabilidad · Tipo: número · Estado de los datos: parámetro declarado
    attrition_rate
    Valor: 0 · Unidad: probabilidad · Tipo: número · Estado de los datos: parámetro declarado
    design_effect
    Valor: 1 · Unidad: adimensional · Tipo: número · Estado de los datos: parámetro declarado

    08

    Modelo formal

    Modelo formal

    p_bar = (baseline_rate + target_rate)/2; z_alpha = Φ⁻¹(1−alpha_two_sided/2); z_power = Φ⁻¹(power); n_raw = [z_alpha×sqrt(2p_bar(1−p_bar)) + z_power×sqrt(baseline_rate(1−baseline_rate)+target_rate(1−target_rate))]^2/(target_rate−baseline_rate)^2; n_planned = ceil(n_raw×design_effect/(1−attrition_rate))

    Afirmaciones respaldadas: MSC-P012-C01 · MSC-P012-C02 · MSC-P012-C03 · MSC-P012-C04 · MSC-P012-C05

    Pregunta científica y alcance

    n por brazo para un outcome binario, MDE, α y 1−β; asignación igual, aproximación normal

    09

    Cálculo declarado

    1. 01

      Validar tasas de outcome binario, alfa bilateral, potencia, asignación igual y una diferencia objetivo distinta de cero.

    2. 02

      Calcular ambos cuantiles normales a partir de alfa y potencia y después evaluar la fórmula de planificación para dos proporciones.

    3. 03

      Redondear al alza e informar el alcance de la aproximación; aplicar pérdida o efectos del diseño solo cuando se suministren explícitamente.

    10

    Ejemplo numérico o caso de aplicación

    Ejemplo calculado — datos sintéticos o parámetros declarados; ninguna observación real

    Entradas selladas

    • baseline_rate=0.10 [probabilidad]
    • target_rate=0.12 [probabilidad]
    • alpha_two_sided=0.05 [probabilidad]
    • power=0.80 [probabilidad]
    • attrition_rate=0 [probabilidad]
    • design_effect=1 [adimensional]

    Resultados reproducibles

    • computed_z_alpha=1.959964
    • computed_z_power=0.841621
    • raw_n_per_arm=3840.847482
    • planned_n_per_arm=3841

    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

    • ¿Están declarados el outcome binario primario y su ventana fija de observación?
    • ¿Son p0 y p1 valores de planificación defendibles y no tasas observadas a posteriori?
    • ¿La estructura de asignación exige ajustes por pérdida, asignación desigual o diseño por conglomerados?

    12

    Diagnósticos e incertidumbre

    Diagnósticos e incertidumbre

    ¿Están declarados el outcome binario primario y su ventana fija de observación? · ¿Son p0 y p1 valores de planificación defendibles y no tasas observadas a posteriori? · ¿La estructura de asignación exige ajustes por pérdida, asignación desigual o diseño por conglomerados?

    Diagnóstico acotado

    Aproximación normal con asignación igual; los cuantiles se calculan a partir de alfa y potencia y después se redondea el resultado al alza.

    Contrato explícito de incertidumbre · design_sensitivity

    Método: Cálculo determinista del motor de referencia sobre el segmento de entradas sellado.

    Objetivo: Sensibilidad del tamaño muestral requerido al alfa, la potencia, la pérdida y el efecto del diseño preespecificados.

    Evidencia del motor: metric.raw_n_per_arm= · metric.planned_n_per_arm= · metric.z_alpha_two_sided= · metric.z_power=

    Interpretación: El resultado es una cantidad determinista de planificación condicionada a todos los inputs declarados, no un intervalo de confianza para el efecto futuro.

    Detenerse si

    Usar la potencia observada después de la prueba como evidencia.

    13

    Interpretación del resultado

    • Dimensionar una prueba para un efecto mínimo predefinido.
    • 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

    Dimensionar una prueba para un efecto mínimo predefinido.

    Prohibido

    Usar la potencia observada después de la prueba como evidencia.

    15

    Decisión de marketing posible

    1. 01

      Dimensionar una prueba para un efecto mínimo predefinido.

    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

    Dimensionar una prueba para un efecto mínimo predefinido.

    Unidad de aleatorización por brazo

    Detenerse si

    Usar la potencia observada después de la prueba como evidencia.

    Alternativas metodológicas

    • Usar un diseño binario exacto o basado en simulación cuando la aproximación normal sea débil.
    • Usar un cálculo para aleatorización por conglomerados con correlación intraclase cuando la asignación esté agrupada.
    • Usar un diseño secuencial o secuencial por grupos solo con una regla de monitorización preespecificada.

    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: e2ce0f592a6aa84d9930f38499580ab88972e6eba77945d2b617d51b9f8a8bc1

    Recurso disponible · MSC-T01

    Tamaño muestral A/B

    Modelo formal

    p_bar = (baseline_rate + target_rate)/2; z_alpha = Φ⁻¹(1−alpha_two_sided/2); z_power = Φ⁻¹(power); n_raw = [z_alpha×sqrt(2p_bar(1−p_bar)) + z_power×sqrt(baseline_rate(1−baseline_rate)+target_rate(1−target_rate))]^2/(target_rate−baseline_rate)^2; n_planned = ceil(n_raw×design_effect/(1−attrition_rate))

    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

      ¿Cuántas observaciones necesita un experimento? — Unidad de aleatorización por brazo

    2. 02

      p0 · p1 · p_bar · alpha · power · z_alpha · z_power · n_raw · n_planned

    3. 03

      p_bar = (baseline_rate + target_rate)/2; z_alpha = Φ⁻¹(1−alpha_two_sided/2); z_power = Φ⁻¹(power); n_raw = [z_alpha×sqrt(2p_bar(1−p_bar)) + z_power×sqrt(baseline_rate(1−baseline_rate)+target_rate(1−target_rate))]^2/(target_rate−baseline_rate)^2; n_planned = ceil(n_raw×design_effect/(1−attrition_rate))

    4. 04

      ¿Están declarados el outcome binario primario y su ventana fija de observación? · ¿Son p0 y p1 valores de planificación defendibles y no tasas observadas a posteriori? · ¿La estructura de asignación exige ajustes por pérdida, asignación desigual o diseño por conglomerados?

    5. 05

      Dimensionar una prueba para un efecto mínimo predefinido. / Usar la potencia observada después de la prueba como evidencia.

    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-P012-C01 — La planificación de potencia cubre una diferencia entre dos proporciones independientes.
    2. MSC-P012-C02 — La planificación depende conjuntamente del tamaño del efecto, el criterio de significación y la potencia.
    3. MSC-P012-C03 — La determinación del tamaño muestral debe nombrar el outcome primario y todas las cantidades utilizadas.
    4. MSC-P012-C04 — Deben informarse los ajustes por pérdida y falta de cumplimiento.
    5. MSC-P012-C05 — Los tamaños del efecto apoyan la planificación prospectiva del estudio.
    1. Cohen, 1992
    2. CONSORT 2010 Explanation and Elaboration
    3. Lakens, 2013

    Datos · Herramienta

    Herramienta · MSC-T01Tamaño muestral A/B→

    Conexiones metodológicas

    Territorio principalMétodos estadísticos de decisión: elegir, cuantificar, validar

    Leer después

    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?→MSC-P-003¿Cómo expresar la incertidumbre de un resultado de marketing?→