Expérience randomisée

En sciences , les expériences randomisées sont celles qui permettent d'obtenir les estimations statistiques des effets d'un traitement les plus fiables et les plus valides. L'inférence basée sur la randomisation est particulièrement importante dans la conception expérimentale et dans l'échantillonnage d'enquêtes .

Dans la théorie statistique de la conception des expériences , la randomisation consiste à répartir de manière aléatoire les unités expérimentales entre les groupes de traitement . Par exemple, si une expérience compare un nouveau médicament à un médicament standard, les patients doivent être répartis soit dans le groupe témoin du nouveau médicament, soit dans le groupe témoin du médicament standard à l'aide de la randomisation.

L'expérimentation randomisée n'est pas aléatoire. Elle réduit les biais en égalisant d'autres facteurs qui n'ont pas été explicitement pris en compte dans le plan expérimental (selon la loi des grands nombres ). Elle produit également des plans ignorables , qui sont utiles dans l'inférence statistique basée sur des modèles , en particulier bayésiens ou basés sur la vraisemblance . Dans la conception d'expériences, le plan le plus simple pour comparer les traitements est le « plan complètement randomisé ». Certaines « restrictions à la randomisation » peuvent se produire avec le blocage et les expériences qui ont des facteurs difficiles à modifier ; des restrictions supplémentaires à la randomisation peuvent se produire lorsqu'une randomisation complète est irréalisable ou lorsqu'il est souhaitable de réduire la variance des estimateurs d'effets sélectionnés.

La randomisation des traitements dans les essais cliniques pose des problèmes éthiques. Dans certains cas, la randomisation réduit les options thérapeutiques pour le médecin et le patient, et nécessite donc un équilibre clinique concernant les traitements.

Les sites Web peuvent effectuer des expériences contrôlées randomisées pour créer une boucle de rétroaction. Les principales différences entre les expériences hors ligne et les expériences en ligne sont les suivantes :

• Journalisation : les interactions des utilisateurs peuvent être enregistrées de manière fiable.
• Nombre d'utilisateurs : de grands sites, tels qu'Amazon, Bing/Microsoft et Google, mènent des expériences, chacune avec plus d'un million d'utilisateurs.
• Nombre d’expériences simultanées : les grands sites exécutent des dizaines d’expériences qui se chevauchent ou qui sont simultanées.
• Les robots, qu'il s'agisse de robots d'exploration Web provenant de sources valides ou de robots Internet malveillants .
• Capacité à accélérer les expériences en passant de faibles pourcentages à des pourcentages plus élevés.
• La vitesse/performance a un impact significatif sur les indicateurs clés.

• Capacité à utiliser la période de pré-expérimentation comme test A/A pour réduire la variance.

Une expérience contrôlée semble avoir été suggérée dans le livre de Daniel de l'Ancien Testament. Le roi Nebucadnetsar a proposé que certains Israélites mangent « une quantité quotidienne de nourriture et de vin de la table du roi ». Daniel préférait un régime végétarien, mais le fonctionnaire craignait que le roi « ne te voie plus mal que les autres jeunes gens de ton âge ? Le roi aurait alors ma tête à cause de toi ». Daniel a alors proposé l'expérience contrôlée suivante : « Éprouvez vos serviteurs pendant dix jours. Donnez-nous seulement des légumes à manger et de l'eau à boire. Comparez ensuite notre apparence à celle des jeunes gens qui mangent la nourriture royale, et traitez vos serviteurs conformément à ce que vous voyez » (Daniel 1, 12-13).

Les expériences randomisées ont été institutionnalisées en psychologie et en éducation à la fin du XVIIIe siècle, suite à l'invention des expériences randomisées par CS Peirce . En dehors de la psychologie et de l'éducation, les expériences randomisées ont été popularisées par RA Fisher dans son livre Statistical Methods for Research Workers , qui a également introduit des principes supplémentaires de conception expérimentale.

Le modèle causal de Rubin fournit une manière courante de décrire une expérience randomisée. Bien que le modèle causal de Rubin fournisse un cadre pour définir les paramètres causaux (c'est-à-dire les effets d'un traitement randomisé sur un résultat), l'analyse des expériences peut prendre plusieurs formes. Le modèle suppose qu'il existe deux résultats potentiels pour chaque unité de l'étude : le résultat si l'unité reçoit le traitement et le résultat si l'unité ne reçoit pas le traitement. La différence entre ces deux résultats potentiels est connue sous le nom d'effet du traitement, qui est l'effet causal du traitement sur le résultat. Le plus souvent, les expériences randomisées sont analysées à l'aide d' une ANOVA , d'un test t de Student , d'une analyse de régression ou d'un test statistique similaire . Le modèle tient également compte des facteurs de confusion potentiels, qui sont des facteurs qui pourraient affecter à la fois le traitement et le résultat. En contrôlant ces facteurs de confusion, le modèle permet de garantir que tout effet de traitement observé est véritablement causal et non simplement le résultat d'autres facteurs corrélés à la fois au traitement et au résultat.

Le modèle causal de Rubin est un cadre utile pour comprendre comment estimer l'effet causal du traitement, même lorsqu'il existe des variables de confusion susceptibles d'affecter le résultat. Ce modèle spécifie que l'effet causal du traitement est la différence entre les résultats qui auraient été observés pour chaque individu s'il avait reçu le traitement et s'il ne l'avait pas reçu. En pratique, il n'est pas possible d'observer les deux résultats potentiels pour le même individu, c'est pourquoi des méthodes statistiques sont utilisées pour estimer l'effet causal à l'aide des données de l'expérience.

Les différences empiriques entre les études randomisées et non randomisées, et entre les essais randomisés de manière adéquate et inadéquate ont été difficiles à détecter.

La randomisation est la pierre angulaire de nombreuses affirmations scientifiques. Randomiser signifie que nous pouvons éliminer les facteurs de confusion. Supposons que nous étudions l'effet de A sur B. Pourtant, il existe de nombreux éléments non observables U qui affectent potentiellement B et perturbent notre estimation du résultat. Pour expliquer ce genre de problèmes, les statisticiens ou les économètres utilisent aujourd'hui des graphes acycliques orientés .