Warum ist im experimentellen Design eine Blockierung erforderlich, wenn wir bereits eine zufällige Zuordnung durchführen?

Ich gehe den ersten Teil des Duke-Statistikkurses über Coursera durch, und das Konzept des Blockierens im experimentellen Design wird aufgegriffen. Wenn ich das richtig verstehe, bezieht sich das Blockieren auf die Aufteilung von Themen in Gruppen basierend auf einer Variablen, die das Ergebnis beeinflussen könnte.

Wenn wir jedoch bereits eine zufällige Zuordnung durchführen, sollten dann nicht alle "Werte" der Sperrvariablen in den verschiedenen Behandlungsgruppen gleich dargestellt werden? Wenn ja, warum beschäftigen wir uns mit Blockieren?

experiment-design blocking

— Libelle
quelle

Jede Zufallsstichprobe ist im Wesentlichen eine Auslosung aus einer Zufallsvariablen. Erwartungsgemäß ist die Verteilung der Daten in der Stichprobe dieselbe wie in der Bevölkerung. Aber nur in Erwartung.

— Shadowtalker

Nun, wenn Sie eine kleine Anzahl von Versuchsläufen haben, könnte die zufällige Zuordnung dazu führen, dass eine Variable zwischen der Versuchsgruppe und der Kontrollgruppe schlecht ausgewogen ist. Durch die Verwendung von Blocking vermeiden Sie dies.

Eine andere Idee beim Blockieren ist, dass es möglich ist, absichtlich inhomogenes experimentelles Material zu verwenden, da das Blockieren sicherstellt, dass es zwischen den Gruppen ausgeglichen ist. Dies bietet eine bessere Grundlage für die Verallgemeinerung der Experimente, da die Schlussfolgerung aus dem Experiment für einen größeren Bereich von Bedingungen gilt.

— kjetil b halvorsen
quelle

Was ist, wenn ich eine faire Münze verwende, um das Schicksal (dh ob ich zur Behandlungsgruppe oder zur Kontrollgruppe gehe) für jedes Subjekt zu bestimmen? In diesem Fall verwenden Sie dann, unabhängig davon, ob Sie zuerst blockieren, dh Ihre Stichprobe anhand ihrer Attribute in mehrere Kohorten aufteilen, innerhalb jeder Kohorte die Münze jedes Volkes, um die Behandlung zuzuweisen. oder Sie verwenden einfach die Münze einer Person, um die Behandlung zunächst zuzuweisen, ohne zu blockieren. Dadurch erhalten Sie genau dieselbe Person in der Behandlungs- oder Kontrollgruppe. In diesem Fall macht das Blockieren keinen Unterschied. Denn in der Datenanalyse führen Sie immer ein lineares Modell mit Attribut aus

— KevinKim

Dies wurde gerade abgelehnt. Ich würde wirklich gerne hören, was an dieser Antwort als falsch angesehen wird!, Da ich mir nicht vorstellen kann, was es ist - abgesehen davon, dass ich zu wenig Details habe?

— kjetil b halvorsen

Angenommen, Sie haben 4 Männer, 6 Frauen in Ihrer Stichprobe. Jeder wirft eine schöne Münze, H zur Behandlung, T zur Kontrolle. Wenn Sie ein vollständig randomisiertes Design erstellen, können Sie (1 Mann, 5 Frauen) in Behandlung, (3 Männer, 1 Frau) in Kontrolle basierend auf ihrer eigenen Münze erhalten. Wenn Sie nun zuerst das Geschlecht blockieren, also 4 Männer in der M-Kohorte und 6 Frauen in der W-Kohorte haben, lassen Sie sie innerhalb der Kohorte ihre Münze werfen, und Sie erhalten die gleiche Wahrscheinlichkeit (1 Mann, 5 Frauen). in Behandlung, (3 Männer, 1 Frau) in Kontrolle. Ist es nicht?

— KevinKim