¿Aleatorizado u observacional? Antes de comparar, pregunta quién eligió

01

Volver a calcular un titular inventado

Todas las cifras son ficticias, sin evidencia sobre ningún servicio de SMS. Adultos imaginarios reciben la misma información inicial y pueden elegir mensajes de apoyo. No hay asignación aleatoria. Antes de elegir, algunos tienen preparado un plan y otros todavía lo preparan. Categorías y números sirven solo al ejercicio, no describen disposición ni tasas reales.

A los tres meses se pregunta a todos lo mismo sobre no fumar cigarrillos en los siete días anteriores; suponemos respuestas completas. Entre usuarios cumplen 10/50 con plan preparado y 15/150 que lo preparan: 25/200 = 12,5 %. Entre no usuarios, 30/150 y 5/50: 35/200 = 17,5 %. Un titular podría anunciar cinco puntos porcentuales menos para los usuarios.

Pero en cada situación inicial, 10/50 y 30/150 son ambos 20 %; 15/150 y 5/50 son ambos 10 %. El total difiere por la composición inventada: entre usuarios hay más personas de la categoría del 10 %. Eso explica la cuenta, no demuestra daño de mensajes reales ni un efecto causal nulo.

En el ejercicio puede decirse ‘Los usuarios por elección tuvieron menor proporción total observada, con composición inicial distinta’, no ‘Los mensajes redujeron el abandono’. No aportamos resultados aleatorizados, intervalos ni evidencia real. Bastan métodos públicos y tablas agregadas, sin historia de consumo ni información clínica del lector.

02

Ajustar una variable no resuelve toda la confusión

Cochrane define la confusión mediante causas comunes de la elección de intervención y el desenlace. Un análisis adecuado puede utilizar factores iniciales registrados, pero quedan factores no registrados, errores de medida y supuestos del modelo. Mirar una categoría no certifica que todo esté controlado. Ajustar variables cambiadas por la intervención puede incluso introducir sesgo.

Pregunta qué se midió antes del uso, cómo y por qué el método permite tratarlo. Revisa también inicio del seguimiento y medición comparable. ‘Gran base de datos’ y ‘ajustado’ no sustituyen ese razonamiento. Otro patrón de selección podría favorecer a usuarios; la dirección no está prefijada.

[2]

03

Cambiar el mecanismo de asignación

Otro ensayo podría asignar al azar la oferta de mensajes y ocultar futuras asignaciones hasta confirmar la incorporación. Compararía ofertas asignadas, no usuarios autoseleccionados. Con una ejecución correcta, los factores pronósticos iniciales no determinan la asignación, también los no medidos, en promedio. No exige equilibrio exacto en cada muestra; un desequilibrio compatible con el azar no prueba un fallo.

Ocultar la asignación antes de realizarla no es lo mismo que el cegamiento posterior. Alternar entradas o usar fechas de nacimiento no sustituye una secuencia aleatoria impredecible. Lee el método concreto.

Después pueden influir resultados faltantes, medición diferente o informes seleccionados. Reagrupar según el uso real o excluir a quienes no usaron la oferta puede reintroducir selección. Efecto de asignación y de adherencia responden preguntas distintas y necesitan análisis y supuestos sobre faltantes adecuados.

[1]

04

La observación también responde otras preguntas

Los estudios no aleatorizados pueden complementar periodos largos, desenlaces raros o entornos insuficientemente cubiertos por ensayos. La inferencia causal depende de rasgos del diseño y supuestos, no solo del nombre cohorte. Saber a quién llega un servicio también tiene valor, pero no equivale a estimar lo que causa.

[3]

05

Para ayuda personal, consultar un servicio real

Sanidad ofrece información y ayuda por comunidad autónoma en España. En otro país, confirma las vías locales con profesionales cualificados. Una tabla inventada y la etiqueta de un diseño no seleccionan tu apoyo o tratamiento.

[4]

06

Ideas clave

• Identifica cómo se formaron los grupos.
• Igualdad en una categoría no demuestra efecto causal nulo.
• Aleatorizar protege la asignación, no todo análisis posterior.

07

Preguntas frecuentes