Come rilevare selezione, contaminazione e perdita di osservazioni in un esperimento?
La diagnostica segue le unità dall’eleggibilità all’outcome: assegnazione, esposizione, contaminazione, mancanze ed esclusioni. L’ITT resta basato sull’assegnazione.
Redazione scientifica : Marketing Science Center
Risposta diretta
Qualificare le minacce ed eseguire analisi di sensibilità.
La diagnostica segue le unità dall’eleggibilità all’outcome: assegnazione, esposizione, contaminazione, mancanze ed esclusioni. L’ITT resta basato sull’assegnazione.
CONSORT 2010 Explanation and ElaborationHernán & Robins, Causal Inference: What If
01
Sintesi operativa
Domanda scientifica e perimetro
Come rilevare selezione, contaminazione e perdita di osservazioni in un esperimento?
Ammissibile
Qualificare le minacce ed eseguire analisi di sensibilità.
Vietato
Correggere automaticamente una grave attrition differenziale.
02
Tre livelli di lettura
- 01
Decisore — Collegare il risultato a decisione, soglia utile e costo dell’errore dichiarati.
- 02
Professionista — Fissare popolazione, unità, orizzonte, variabili disponibili e regola di analisi prima del calcolo.
- 03
Analista — Riprodurre il calcolo, quantificare l’incertezza e documentare diagnostica, fallimenti e sensibilità.
03
Situazione marketing concreta
La diagnostica segue le unità dall’eleggibilità all’outcome: assegnazione, esposizione, contaminazione, mancanze ed esclusioni. L’ITT resta basato sull’assegnazione.
04
Domanda scientifica e perimetro
Come rilevare selezione, contaminazione e perdita di osservazioni in un esperimento?
Evidenza diagnostica, non un nuovo effetto causale
Dati necessari
Unità eleggibile lungo il flusso di analisi
Popolazione, unità di analisi, data di origine e orizzonte devono essere dichiarati nel risultato. Senza di essi l’estimando cambia silenziosamente.
05
Perché un’analisi semplice può fallire
- Correggere automaticamente una grave attrition differenziale.
- Allocazione prespecificata e test SRM se implementato
- Attrition differenziale
- Mappa degli spillover
06
Intuizione del metodo
Il metodo non trasforma automaticamente un’associazione in evidenza. Collega una domanda dichiarata a estimando, specificazione, dati compatibili e regola interpretativa limitata.
Evidenza diagnostica, non un nuovo effetto causale
07
Dati necessari
Dizionario dei simboli scientifici
assigned_arm- Numero di unità eleggibili randomizzate al braccio dichiarato. Unità:
unità· Tipo:intero non negativo· Ruolo:input observed_arm- Numero di unità assegnate con esito primario osservato secondo la regola prespecificata sui dati mancanti. Unità:
unità· Tipo:intero non negativo· Ruolo:input exposed_arm- Numero di unità assegnate che hanno ricevuto l’esposizione misurata secondo la definizione prespecificata. Unità:
unità· Tipo:intero non negativo· Ruolo:input attrition_arm- Quota di unità assegnate senza esito primario osservato nel braccio. Unità:
proporzione· Tipo:numero in [0, 1]· Ruolo:output exposure_T- Quota di esposizione tra le unità assegnate al trattamento. Unità:
proporzione· Tipo:numero in [0, 1]· Ruolo:diagnostico contamination_C- Quota di esposizione tra le unità assegnate al controllo. Unità:
proporzione· Tipo:numero in [0, 1]· Ruolo:diagnostico
Input esatti e sigillati del motore
assigned_treatment- Valore:
5000· Unità:unità· Tipo:intero· Stato dei dati:sintetico assigned_control- Valore:
5000· Unità:unità· Tipo:intero· Stato dei dati:sintetico observed_treatment- Valore:
4800· Unità:unità· Tipo:intero· Stato dei dati:sintetico observed_control- Valore:
4900· Unità:unità· Tipo:intero· Stato dei dati:sintetico exposed_treatment- Valore:
4500· Unità:unità· Tipo:intero· Stato dei dati:sintetico exposed_control- Valore:
200· Unità:unità· Tipo:intero· Stato dei dati:sintetico
08
Modello formale
Modello formale
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_controlAffermazioni supportate: MSC-P017-C01 · MSC-P017-C02 · MSC-P017-C03 · MSC-P017-C04 · MSC-P017-C05
Domanda scientifica e perimetro
Evidenza diagnostica, non un nuovo effetto causale
09
Calcolo dichiarato
- 01
Riconciliare conteggi di eleggibili, assegnati, osservati ed esposti per braccio e rifiutare relazioni impossibili.
- 02
Calcolare attrition per braccio, attrition differenziale, esposizione del trattamento e contaminazione del controllo.
- 03
Riportare solo diagnostica d’implementazione; non affermare che ripari il bias o costituisca un test SRM.
10
Esempio numerico o caso applicativo
Esempio applicativo — dati sintetici o parametri dichiarati; nessuna osservazione reale
Input sigillati
assigned_treatment=5000 [unità]assigned_control=5000 [unità]observed_treatment=4800 [unità]observed_control=4900 [unità]exposed_treatment=4500 [unità]exposed_control=200 [unità]
Risultati riproducibili
attrition_treatment/control=0.04/0.02differential_attrition=0.02exposure/contamination=0.90/0.04
Dossier verificato: affermazioni collegate a fonti a livello di passaggio, calcolo Python/R riprodotto, limiti espliciti e revisione scientifica indipendente completata.
11
Ipotesi di validità
- I conteggi assegnati coincidono con il log di randomizzazione e l’allocazione prespecificata?
- La mancanza dell’esito è confrontata per braccio secondo una regola dichiarata?
- Esposizione e contaminazione sono definite senza condizionare l’analisi ITT primaria sul comportamento post-assegnazione?
12
Diagnostica e incertezza
Diagnostica e incertezza
Allocazione prespecificata e test SRM se implementato · Attrition differenziale · Mappa degli spillover · L’illustrazione riporta conteggi e tassi ma non calcola un p-value SRM
Diagnostica limitata
La diagnostica descrive il flusso d’implementazione; non ripara il bias e non sostituisce un test SRM.
Contratto esplicito d’incertezza · not_estimable_from_sealed_inputs
Metodo : Valutazione esplicita della non stimabilità rispetto allo schema di input sigillato.
Obiettivo : Incertezza campionaria dei tassi di attrition, esposizione e contaminazione.
Evidenza del motore : diagnostic=diagnostics_do_not_repair_bias
Interpretazione : I conteggi aggregati non identificano il processo di dipendenza o mancanza necessario per intervalli validi.
Fermarsi se
Correggere automaticamente una grave attrition differenziale.
13
Interpretazione del risultato
- Qualificare le minacce ed eseguire analisi di sensibilità.
- Il risultato è condizionato da popolazione, orizzonte, specificazione e controlli dichiarati. Non va esteso a un’altra decisione senza nuova giustificazione.
14
Conclusione ammissibile e vietata
Ammissibile
Qualificare le minacce ed eseguire analisi di sensibilità.
Vietato
Correggere automaticamente una grave attrition differenziale.
15
Decisione marketing possibile
- 01
Qualificare le minacce ed eseguire analisi di sensibilità.
- 02
Il risultato è condizionato da popolazione, orizzonte, specificazione e controlli dichiarati. Non va esteso a un’altra decisione senza nuova giustificazione.
16
Quando usare — quando fermarsi
Usare se
Qualificare le minacce ed eseguire analisi di sensibilità.
Unità eleggibile lungo il flusso di analisi
Fermarsi se
Correggere automaticamente una grave attrition differenziale.
Alternative metodologiche
- Eseguire un test SRM esatto quando probabilità di allocazione e log sono disponibili.
- Usare limiti di sensibilità per esiti mancanti o non aderenza.
- Riportare ITT e analisi prespecificate per trattamento ricevuto senza sostituire l’estimando ITT.
17
Contratto di riproducibilità
Python e R sono i riferimenti eseguibili. SPSS e SAS restano sintassi secondarie finché non sono verificati sugli stessi dati, specificazione e controlli.
Il motore seleziona solo lo slice e il ramo esplicito di questa pagina. Hash, output e diagnostica restano sigillati nel dossier atomico; non è consentito alcun ramo generico di ripiego.
Impronta dello slice: 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 ispezione
SPSS ↓SAS ↓Modello formale
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_controlDossier verificato: affermazioni collegate a fonti a livello di passaggio, calcolo Python/R riprodotto, limiti espliciti e revisione scientifica indipendente completata.
18
Risultato finale atteso
- 01
Come rilevare selezione, contaminazione e perdita di osservazioni in un esperimento? —
Unità eleggibile lungo il flusso di analisi - 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
Allocazione prespecificata e test SRM se implementato · Attrition differenziale · Mappa degli spillover · L’illustrazione riporta conteggi e tassi ma non calcola un p-value SRM
- 05
Qualificare le minacce ed eseguire analisi di sensibilità. / Correggere automaticamente una grave attrition differenziale.
19
Fonti scientifiche e stato dell’evidenza
Dossier verificato: affermazioni collegate a fonti a livello di passaggio, calcolo Python/R riprodotto, limiti espliciti e revisione scientifica indipendente completata.
MSC-P017-C01— Il calcolo della dimensione campionaria deve nominare l’esito primario e tutte le quantità usate.MSC-P017-C02— Le correzioni per attrition e non aderenza devono essere riportate.MSC-P017-C03— L’analisi secondo l’assegnazione randomizzata preserva il confronto previsto.MSC-P017-C04— La coerenza collega l’esito osservato a quello potenziale sotto la politica assegnata.MSC-P017-C05— L’estimando causale presuppone che l’assegnazione di un cliente non alteri l’esito di un altro.
Connessioni metodologiche