Actualizado por ultima vez el 14 de diciembre de 2021, por Luis Benites.
El muestreo adaptativo (también llamado diseño adaptativo de respuesta) es donde adapta sus criterios de selección a medida que avanza el experimento, en función de los resultados preliminares a medida que llegan.
El muestreo adaptativo es especialmente importante en la investigación médica, donde las técnicas tradicionales de muestreo e investigación pueden conducir a dilemas éticos y ensayos clínicos que no benefician a los pacientes involucrados. Por ejemplo, el muestreo aleatorio simple tradicional con un grupo de control y un grupo experimental daría lugar a que el 50 % de los pacientes recibieran un placebo , “ tratamiento habitual”. “, o posiblemente ningún tratamiento en absoluto. Si parece que un nuevo medicamento puede salvar vidas, la mejor opción puede ser colocar a más pacientes en el grupo experimental. La utilidad del muestreo adaptativo no se limita a los campos médicos: también es útil en informática, investigación o aplicaciones industriales, y muchos otros campos.
Además de ser éticamente sólidos, los diseños adaptables a la respuesta también tienden a ser más económicos (Hardwick & Stout, 2017).
Ejemplos de muestreo adaptativo
Un ejemplo es el de un proyecto de investigación en busca de oro en lechos de ríos en California. Sin información inicial sobre dónde es probable que se encuentre oro, los investigadores podrían comenzar tomando muestras de polvo de río en una serie de ubicaciones de ríos elegidas al azar repartidas uniformemente por todo California. Sin embargo, si se encuentra una cantidad minúscula de oro en un río que corre a través de cierto valle desde cierta cadena montañosa, tendría sentido cambiar la distribución del muestreo y ejecutar una mayor proporción de muestras en esa área. Este es el muestreo adaptativo en su forma más simple.
Otro ejemplo podría ser un estudio que prueba un nuevo medicamento contra el SIDA. En este estudio ciego, los voluntarios pueden ser colocados al azar en cualquiera de dos grupos: el grupo de control (que toma un placebo ) o el grupo de tratamiento . Una vez que el medicamento comience a parecer prometedor, se podrían agregar nuevos participantes al grupo de tratamiento. También puede optar por dividir este grupo en dos conjuntos, tomando dos dosis diferentes del medicamento. Si el medicamento parecía poco prometedor, la mayoría de los nuevos participantes podrían agregarse al grupo de placebo.
Metodología de muestreo adaptativo
En los métodos de muestreo estándar, usted elige toda la muestra antes incluso de mirar los datos. En el muestreo adaptativo, por otro lado, se detiene a la mitad del muestreo y analiza/observa lo que ha grabado hasta el momento. Llame a su muestra inicial s 1 , los valores iniciales y s 1 .
Ahora, elija el resto de la muestra en función de los datos que haya recopilado. Para hacer esto, queremos elegir puntos de datos que minimicen el error cuadrático medio de la estimación dado lo que ha observado hasta ahora. Podemos escribir esto matemáticamente como
min E [ (Ẑ -Z ) 2 | s1 , ys1 ] . _
Aquí Z es la cantidad de población que estás midiendo, y Ẑ es la estimación de eso dados tus datos. Entonces E((Ẑ -Z ) 2 ) es el término de error de la estimación .
Esencialmente, lo que está haciendo es identificar los puntos de datos que le dieron la mayor cantidad de información. Entonces su futura selección de datos se basa en esa información. Obtener el mínimo E [ (Ẑ -Z ) 2 | s 1 , y s 1 ] debería brindarle un muestreo adaptativo óptimo. En los problemas de investigación de la vida real, generalmente no logramos la solución óptima. Sin embargo, trabajamos para lograr un muestreo adaptativo práctico y eficiente que nos brinde resultados cercanos a los óptimos.
Referencias
Esquivar, Y. (2008). La Enciclopedia Concisa de Estadística . Saltador.
Hardwick & Stout (2017). Diseños de muestreo adaptativo. Recuperado el 4 de noviembre de 2017 de: http://web.eecs.umich.edu/~qstout/AdaptSample.html
Thompson S. (1996). Muestreo adaptativo . Wiley-Interscience.
