En la literatura, los términos aleatorización y permutación se usan indistintamente. Con muchos autores declarando "Pruebas de permutación (también conocida como aleatorización)", o viceversa.
En el mejor de los casos, creo que la diferencia es sutil, y radica en sus suposiciones sobre los datos y las posibles conclusiones que se pueden extraer. Solo necesito verificar si mi comprensión es correcta o si hay una diferencia más profunda que me estoy perdiendo.
Las pruebas de permutación suponen que los datos se muestrean aleatoriamente de una distribución de población subyacente (el modelo de población). Esto significa que las conclusiones extraídas de la prueba de permutación son generalmente aplicables a otros datos de la población [3].
Las pruebas de aleatorización (modelo de aleatorización) "nos permiten abandonar la suposición inverosímil de la investigación psicológica típica: muestreo aleatorio de una distribución específica" [2]. Sin embargo, eso significa que las conclusiones extraídas solo son aplicables a las muestras utilizadas en la prueba [3].
Sin embargo, la diferencia es solo en términos de la definición de población . Si definimos que la población es "todos los pacientes con la enfermedad y son adecuados para el tratamiento", entonces la prueba de permutación es válida para esa población. Pero debido a que hemos restringido la población a aquellos que son adecuados para el tratamiento, en realidad es una prueba de aleatorización.
Referencias:
[1] Philip Good, Pruebas de permutación: una guía práctica para los métodos de remuestreo para probar hipótesis.
[2] Eugene Edgington y Patric Onghena, pruebas de aleatorización.
[3] Michael Ernst, Métodos de permutación: una base para la inferencia exacta