Desde una perspectiva frecuentista, una comparación no ajustada basada en la distribución de permutación siempre puede justificarse después de un estudio aleatorizado (correctamente). Se puede hacer una justificación similar para la inferencia basada en distribuciones paramétricas comunes (por ejemplo, la distribución o la distribución ) debido a su similitud con la distribución de permutación. De hecho, ajustar por covariables, cuando se seleccionan en base a análisis post-hoc, en realidad corre el riesgo de inflar el error Tipo I. Tenga en cuenta que esta justificación no tiene nada que ver con el grado de equilibrio en la muestra observada , o con el tamaño de la muestra (excepto que para muestras pequeñas la distribución de permutación será más discreta y menos aproximada por latFto distribuciones ).F
Dicho esto, muchas personas son conscientes de que el ajuste por covariables puede aumentar la precisión en el modelo lineal. Específicamente, el ajuste por covariables aumenta la precisión del efecto estimado del tratamiento cuando predicen el resultado y no están correlacionados con la variable de tratamiento (como es cierto en el caso de un estudio aleatorizado). Sin embargo, lo que es menos conocido es que esto no se transfiere automáticamente a los modelos no lineales. Por ejemplo, Robinson y Jewell [1] muestran que en el caso de la regresión logística, el control de las covariables reduce la precisión del efecto del tratamiento estimado, incluso cuando predicen el resultado. Sin embargo, debido a que el efecto estimado del tratamiento también es mayor en el modelo ajustado, el control de las covariables predictivas del resultado sí aumentar la eficiencia al probar la hipótesis nula de ningún efecto del tratamiento después de un estudio aleatorio
[1] LD Robinson y NP Jewell. Algunos resultados sorprendentes sobre el ajuste de covariables en los modelos de regresión logística. Revista estadística internacional , 58 (2): 227–40, 1991.