{"id":34958,"date":"2019-10-31T22:01:31","date_gmt":"2019-10-31T19:01:31","guid":{"rendered":"https:\/\/prohoster.info\/blog\/kogda-stoit-proveryat-gipotezu-o-ne-menshej-effektivnosti\/"},"modified":"2019-10-31T22:01:31","modified_gmt":"2019-10-31T19:01:31","slug":"kogda-stoit-proveryat-gipotezu-o-ne-menshej-effektivnosti","status":"publish","type":"post","link":"https:\/\/prohoster.info\/es\/blog\/news\/kogda-stoit-proveryat-gipotezu-o-ne-menshej-effektivnosti","title":{"rendered":"\u00bfCu\u00e1ndo es conveniente verificar la hip\u00f3tesis sobre su no menor eficacia?","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"\u00bfCu\u00e1ndo
\nUn art\u00edculo del equipo de Stitch Fix sugiere utilizar un enfoque de ensayos cl\u00ednicos de no inferioridad en las pruebas A\/B de marketing y productos. Este enfoque es realmente aplicable cuando estamos probando una nueva soluci\u00f3n que tiene ventajas no medibles a trav\u00e9s de las pruebas.<\/p>\n

El ejemplo m\u00e1s simple es la reducci\u00f3n de costos. Por ejemplo, automatizamos el proceso de asignaci\u00f3n de la primera lecci\u00f3n, pero no queremos que la tasa de conversi\u00f3n general se vea muy afectada. O probamos cambios orientados a un segmento de usuarios, asegur\u00e1ndonos de que las conversiones en otros segmentos no disminuyan dr\u00e1sticamente (al probar varias hip\u00f3tesis, no olvidemos aplicar las correcciones).<\/p>\n

Elegir el l\u00edmite correcto de no inferioridad a\u00f1ade dificultades adicionales en la fase de dise\u00f1o de la prueba. La cuesti\u00f3n de c\u00f3mo seleccionar \u0394 no se aborda adecuadamente en el art\u00edculo. Parece que esta elecci\u00f3n no es completamente transparente, incluso en los ensayos cl\u00ednicos. Rese\u00f1a<\/a><\/noindex> Las publicaciones m\u00e9dicas sobre no inferioridad indican que solo en la mitad de las publicaciones se justifica la elecci\u00f3n del l\u00edmite, y a menudo estas justificaciones son ambiguas o poco detalladas.<\/p>\n

En cualquier caso, este enfoque parece interesante, ya que al reducir el tama\u00f1o necesario de la muestra puede aumentar la velocidad de prueba y, por lo tanto, la velocidad de toma de decisiones. Daria Mukhina, analista de productos de la aplicaci\u00f3n m\u00f3vil Skyeng.<\/i>
\n<\/a><\/noindex>
\nEl equipo de Stitch Fix disfruta probar diferentes cosas. En general, a toda la comunidad tecnol\u00f3gica le gusta realizar pruebas. \u00bfQu\u00e9 versi\u00f3n del sitio atrae a m\u00e1s usuarios: A o B? \u00bfGenera la versi\u00f3n A del modelo de recomendaci\u00f3n m\u00e1s ingresos que la versi\u00f3n B? Casi siempre utilizamos el enfoque m\u00e1s simple del curso b\u00e1sico de estad\u00edstica para validar hip\u00f3tesis: <\/p>\n

\"\u00bfCu\u00e1ndo
\n
\nAunque rara vez usamos este t\u00e9rmino, este tipo de prueba se llama 'verificaci\u00f3n de hip\u00f3tesis de superioridad'. Con este enfoque, suponemos que no hay ninguna diferencia entre las dos opciones. Mantenemos esta idea y solo la abandonamos si los datos obtenidos son suficientemente convincentes para ello, es decir, demuestran que una de las opciones (A o B) es mejor que la otra.<\/p>\n

La verificaci\u00f3n de la hip\u00f3tesis de superioridad es adecuada para resolver muchos problemas. Lanzamos la versi\u00f3n B del modelo de recomendaci\u00f3n solo si es claramente mejor que la versi\u00f3n A ya utilizada. Sin embargo, en algunos casos, este enfoque no funciona tan bien. Consideremos algunos ejemplos.<\/p>\n

1) Utilizamos un servicio externo<\/b>, que ayuda a identificar tarjetas bancarias falsas. Encontramos otro servicio que cuesta significativamente menos. Si el servicio m\u00e1s barato funciona tan bien como el que estamos usando actualmente, lo elegiremos. No necesariamente tiene que ser mejor que el servicio utilizado. <\/p>\n

2) Queremos dejar de usar la fuente de datos<\/b> A y reemplazarla por la fuente de datos B. Podr\u00edamos posponer la eliminaci\u00f3n de A si B produce resultados muy malos, pero continuar usando A no es viable. <\/p>\n

3) Nos gustar\u00eda cambiar del enfoque de modelado<\/b>A al enfoque B no porque esperemos mejores resultados de B, sino porque nos brinda una mayor flexibilidad operativa. No tenemos razones para suponer que B ser\u00e1 peor, pero no haremos el cambio si lo es.<\/p>\n

4) Hemos realizado algunos cambios de calidad<\/b> en el dise\u00f1o del sitio web (versi\u00f3n B) y consideramos que esta versi\u00f3n supera a la versi\u00f3n A. No esperamos cambios en la conversi\u00f3n o en ning\u00fan indicador clave de rendimiento por el que normalmente evaluamos el sitio web. Pero creemos que hay ventajas en par\u00e1metros que son medibles o que nuestra tecnolog\u00eda no puede medir.<\/p>\n

En todos estos casos, el estudio de la superioridad no es la soluci\u00f3n m\u00e1s adecuada. Sin embargo, la mayor\u00eda de los especialistas lo utilizan por defecto en estas situaciones. Realizamos experimentos cuidadosamente para determinar correctamente el tama\u00f1o del efecto. Si fuera cierto que las versiones A y B funcionan de manera muy similar, existe la posibilidad de que no podamos rechazar la hip\u00f3tesis nula. \u00bfConcluimos que A y B en general funcionan igual? \u00a1No! La imposibilidad de rechazar la hip\u00f3tesis nula y aceptar la hip\u00f3tesis nula no son lo mismo.<\/p>\n

Los c\u00e1lculos del tama\u00f1o de la muestra (que, por supuesto, has realizado) generalmente se llevan a cabo con l\u00edmites m\u00e1s estrictos para el error de tipo I (la probabilidad de rechazar incorrectamente la hip\u00f3tesis nula, a menudo llamada alfa) que para el error de tipo II (la probabilidad de no rechazar la hip\u00f3tesis nula, dado que la hip\u00f3tesis nula es falsa, a menudo llamada beta). Un valor t\u00edpico para alfa es 0.05, mientras que un valor t\u00edpico para beta es 0.20, lo que corresponde a una potencia estad\u00edstica de 0.80. Esto significa que podemos no detectar el verdadero efecto del tama\u00f1o que hemos especificado en nuestros c\u00e1lculos de potencia con una probabilidad del 20%, y esto es una brecha bastante significativa en la informaci\u00f3n. Como ejemplo, consideremos las siguientes hip\u00f3tesis:<\/p>\n

\"\u00bfCu\u00e1ndo
\n
\nH0: mi mochila NO est\u00e1 en mi habitaci\u00f3n (3)
\nH1: mi mochila est\u00e1 en mi habitaci\u00f3n (4)<\/i><\/p>\n

Si he revisado mi habitaci\u00f3n y he encontrado mi mochila, genial, puedo rechazar la hip\u00f3tesis nula. Pero si he revisado la habitaci\u00f3n y no he podido encontrar mi mochila (figura 1), \u00bfqu\u00e9 conclusi\u00f3n debo sacar? \u00bfEstoy seguro de que no est\u00e1 ah\u00ed? \u00bfHe buscado con suficiente minuciosidad? \u00bfQu\u00e9 pasa si solo busqu\u00e9 el 80% de la habitaci\u00f3n? Sacar la conclusi\u00f3n de que la mochila definitivamente no est\u00e1 en la habitaci\u00f3n ser\u00eda una decisi\u00f3n imprudente. No es de extra\u00f1ar que no podamos 'aceptar la hip\u00f3tesis nula'.
\n\"\u00bfCu\u00e1ndo
\nEl \u00e1rea que hemos examinado
\nNo encontramos la mochila, \u00bfdeber\u00edamos aceptar la hip\u00f3tesis nula?<\/i><\/p>\n

Figura 1. Revisar el 80% de la habitaci\u00f3n es aproximadamente lo mismo que realizar un estudio con una potencia del 80%. Si no encontraste la mochila revisando el 80% de la habitaci\u00f3n, \u00bfse puede concluir que no est\u00e1 ah\u00ed?<\/i> <\/p>\n

\u00bfQu\u00e9 debe hacer un especialista en datos en esta situaci\u00f3n? Puedes aumentar significativamente la potencia del estudio, pero entonces necesitar\u00e1s una muestra mucho m\u00e1s grande, y el resultado seguir\u00e1 siendo insatisfactorio.<\/p>\n

Afortunadamente, estos problemas han sido ampliamente estudiados en el mundo de la investigaci\u00f3n cl\u00ednica. El f\u00e1rmaco B es m\u00e1s barato que el f\u00e1rmaco A; se espera que el f\u00e1rmaco B cause menos efectos secundarios que el f\u00e1rmaco A; adem\u00e1s, el f\u00e1rmaco B es m\u00e1s f\u00e1cil de transportar porque no necesita ser almacenado en refrigeraci\u00f3n, a diferencia del f\u00e1rmaco A, que s\u00ed lo necesita. Verificaremos la hip\u00f3tesis de una eficacia no menor. Esto es necesario para demostrar que la versi\u00f3n B es tan buena como la versi\u00f3n A, al menos dentro de un cierto l\u00edmite previamente definido de \u201cno menor eficacia\u201d, \u0394. M\u00e1s adelante hablaremos en detalle sobre c\u00f3mo establecer este l\u00edmite. Pero ahora supongamos que esta es la diferencia m\u00ednima que es pr\u00e1cticamente significativa (en el contexto de los ensayos cl\u00ednicos, esto suele llamarse significancia cl\u00ednica).<\/p>\n

Las hip\u00f3tesis de no menor eficacia lo cambian todo:<\/p>\n

\"\u00bfCu\u00e1ndo
\n
\nAhora, en lugar de suponer que no hay diferencia, asumimos que la versi\u00f3n B es inferior a la versi\u00f3n A, y mantendremos esta suposici\u00f3n hasta que demostremos que no es as\u00ed. Este es el momento en que tiene sentido utilizar una prueba de hip\u00f3tesis unidireccional. En la pr\u00e1ctica, esto se puede lograr construyendo un intervalo de confianza y determinando si realmente el intervalo es mayor que \u0394 (Figura 2).
\n\"\u00bfCu\u00e1ndo
\n<\/p>\n

Elecci\u00f3n de \u0394<\/h3>\n

\n\u00bfC\u00f3mo elegir correctamente \u0394? El proceso de elecci\u00f3n de \u0394 incluye la justificaci\u00f3n estad\u00edstica y la evaluaci\u00f3n contextual. En el mundo de los ensayos cl\u00ednicos, existen recomendaciones normativas que indican que delta debe representar la menor diferencia cl\u00ednica significativa, es decir, aquella que tenga relevancia en la pr\u00e1ctica. Aqu\u00ed hay una cita de la gu\u00eda europea que puedes usar como referencia: \u201cSi la diferencia ha sido elegida correctamente, el intervalo de confianza, que se encuentra completamente entre \u2013\u2206 y 0..., sigue siendo suficiente para demostrar no menor eficacia. Si este resultado no parece aceptable, eso significa que \u2206 no fue elegido adecuadamente.\u201d<\/p>\n

Delta no debe ser mayor que el tama\u00f1o del efecto de la versi\u00f3n A en relaci\u00f3n con el control real (placebo \/ ausencia de tratamiento), ya que esto nos lleva a la conclusi\u00f3n de que la versi\u00f3n B es peor que el control real, al mismo tiempo que demuestra 'no menor eficacia'. Supongamos que cuando se present\u00f3 la versi\u00f3n A, hab\u00eda una versi\u00f3n 0 o la funci\u00f3n no exist\u00eda en absoluto (ver figura 3). <\/p>\n

De los resultados de la prueba de la hip\u00f3tesis de superioridad, se determin\u00f3 el tama\u00f1o del efecto E (es decir, presumiblemente \u03bc^A\u2212\u03bc^0=E). Ahora A es nuestro nuevo est\u00e1ndar y queremos asegurarnos de que B no sea inferior a A. Otra forma de escribir \u03bcB\u2212\u03bcA\u2264\u2212\u0394 (hip\u00f3tesis nula) es \u03bcB\u2264\u03bcA\u2212\u0394. Si asumimos que hacer esto es igual o supera E, entonces \u03bcB \u2264 \u03bcA\u2212E \u2264 placebo. Ahora vemos que nuestra estimaci\u00f3n para \u03bcB supera completamente \u03bcA\u2212E, lo que refuta por completo la hip\u00f3tesis nula y permite concluir que B no es inferior a A, pero al mismo tiempo \u03bcB puede ser \u2264 \u03bc del placebo, lo que no es lo que necesitamos. (figura 3).<\/p>\n

\"\u00bfCu\u00e1ndo
\nFigura 3. Demostraci\u00f3n de los riesgos de elegir el l\u00edmite de no menor eficacia. Si el l\u00edmite es demasiado grande, se puede concluir que B no es inferior a A, pero al mismo tiempo es indistinguible del placebo. No vamos a cambiar un medicamento que es claramente m\u00e1s efectivo que el placebo (A) por uno que tiene la misma eficacia que el placebo. <\/i><\/p>\n

Selecci\u00f3n de \u03b1 <\/h3>\n

\nPasemos a la selecci\u00f3n de \u03b1. Se puede usar el valor est\u00e1ndar de \u03b1 = 0,05, pero eso no es del todo justo. Por ejemplo, cuando compras algo en l\u00ednea y usas varios c\u00f3digos de descuento a la vez, aunque no deber\u00edan acumularse: simplemente el desarrollador cometi\u00f3 un error y te saliste con la tuya. Seg\u00fan las reglas, el valor de \u03b1 debe ser la mitad del valor de \u03b1 que se utiliza en la prueba de la hip\u00f3tesis de superioridad, es decir, 0,05 \/ 2 = 0,025.<\/p>\n

Tama\u00f1o de la muestra <\/h3>\n

\n\u00bfC\u00f3mo estimar el tama\u00f1o de la muestra? Si crees que la verdadera diferencia de medias entre A y B es 0, entonces el c\u00e1lculo del tama\u00f1o de la muestra ser\u00e1 el mismo que al probar la hip\u00f3tesis de superioridad, excepto que sustituyes el tama\u00f1o del efecto por el l\u00edmite de no menor eficacia, siempre que uses \u03b1no menor eficacia = 1\/2\u03b1superioridad <\/b>(\u03b1no inferioridad=1\/2\u03b1superioridad). Si sospechas que la opci\u00f3n B podr\u00eda ser un poco peor que la opci\u00f3n A, pero deseas demostrar que no es peor en m\u00e1s de \u0394, \u00a1tienes suerte! De hecho, esto reduce el tama\u00f1o de tu muestra, porque es m\u00e1s f\u00e1cil demostrar que B es peor que A si realmente crees que es un poco peor y no equivalente.<\/p>\n

Ejemplo con soluci\u00f3n <\/h3>\n

\nSupongamos que deseas cambiar a la versi\u00f3n B bajo la condici\u00f3n de que no sea peor que la versi\u00f3n A en m\u00e1s de 0.1 puntos en una escala de satisfacci\u00f3n del cliente de 5 puntos\u2026 Enfrentemos esta tarea utilizando la hip\u00f3tesis de superioridad.<\/p>\n

Para verificar la hip\u00f3tesis de superioridad, calcular\u00edamos el tama\u00f1o de la muestra de la siguiente manera:<\/p>\n

\"\u00bfCu\u00e1ndo
\n
\nEs decir, si tienes 2103 observaciones en tu grupo, puedes estar al 90% seguro de que detectar\u00e1s un efecto de 0.10 o m\u00e1s. Pero si el valor de 0.10 es demasiado grande para ti, tal vez no valga la pena verificar la hip\u00f3tesis de superioridad para ello. Es posible que, por fiabilidad, decidas realizar un estudio para un tama\u00f1o de efecto m\u00e1s peque\u00f1o, como 0.05. En ese caso, necesitar\u00edas 8407 observaciones, lo que significa que el tama\u00f1o de la muestra aumentar\u00eda casi 4 veces. Pero, \u00bfqu\u00e9 pasar\u00eda si nos mantenemos en nuestro tama\u00f1o de muestra original, pero aumentamos la potencia a 0.99, para que no tengamos dudas si obtenemos un resultado positivo? En ese caso, n para un grupo ser\u00eda 3676, lo cual ya es mejor, pero incrementa el tama\u00f1o de la muestra m\u00e1s de un 50%. Y al final, a\u00fan as\u00ed simplemente no podremos refutar la hip\u00f3tesis nula, sin obtener una respuesta a nuestra pregunta.<\/p>\n

\u00bfY si en su lugar verificamos la hip\u00f3tesis de no menor efectividad? <\/p>\n

\"\u00bfCu\u00e1ndo
\n
\nEl tama\u00f1o de la muestra se calcular\u00e1 con la misma f\u00f3rmula, excepto por el denominador.
\nLas diferencias con la f\u00f3rmula utilizada al verificar la hip\u00f3tesis de superioridad son las siguientes:<\/p>\n

\u2014 Z1\u2212\u03b1\/2 se reemplaza por Z1\u2212\u03b1, pero si lo haces bien, reemplazas \u03b1 = 0.05 por \u03b1 = 0.025, es decir, es el mismo n\u00famero (1.96)<\/p>\n

\u2014 en el denominador aparece (\u03bcB\u2212\u03bcA)<\/p>\n

\u2014 \u03b8 (tama\u00f1o del efecto) se reemplaza por \u0394 (l\u00edmite de no menor efectividad)<\/p>\n

Si suponemos que \u00b5B = \u00b5A, entonces (\u00b5B \u2212 \u00b5A) = 0 y el c\u00e1lculo del tama\u00f1o de la muestra para el l\u00edmite de no menor eficiencia es precisamente lo que obtendr\u00edamos al calcular la superioridad para un tama\u00f1o del efecto de 0,1, \u00a1excelente! Podemos realizar un estudio de la misma escala con diferentes hip\u00f3tesis y otro enfoque para las conclusiones, y obtendremos la respuesta a la pregunta que realmente queremos responder.<\/p>\n

Ahora supongamos que en realidad no consideramos que \u00b5B = \u00b5A y
\npensamos que \u00b5B es un poco peor, tal vez en 0,01 unidades. Esto aumenta nuestro denominador, reduciendo el tama\u00f1o de la muestra del grupo a 1737.<\/p>\n

\u00bfQu\u00e9 pasar\u00eda si la versi\u00f3n B es en realidad mejor que la versi\u00f3n A? Rechazamos la hip\u00f3tesis nula de que B es peor que A por m\u00e1s de \u0394 y aceptamos la hip\u00f3tesis alternativa de que B, si es peor, no es peor que \u0394, y puede ser mejor. Intenta incluir esta conclusi\u00f3n en una presentaci\u00f3n interfuncional y veamos qu\u00e9 sale de ello (en serio, int\u00e9ntalo). En una situaci\u00f3n donde se necesita orientaci\u00f3n hacia el futuro, nadie quiere aceptar \"no peor que \u0394 y, posiblemente, mejor\".<\/p>\n

En este caso, podemos realizar un estudio que se llama muy brevemente \"prueba de hip\u00f3tesis de que una de las opciones supera a la otra o le cede\". Utiliza dos conjuntos de hip\u00f3tesis:<\/p>\n

El primer conjunto (el mismo que al probar la hip\u00f3tesis de no menor eficiencia): <\/p>\n

\"\u00bfCu\u00e1ndo
\n
\nEl segundo conjunto (el mismo que al probar la hip\u00f3tesis de superioridad):<\/p>\n

\"\u00bfCu\u00e1ndo
\n
\nVerificamos la segunda hip\u00f3tesis solo si se rechaza la primera. En las pruebas secuenciales mantenemos el nivel general de errores de primer tipo (\u03b1). En la pr\u00e1ctica, esto puede lograrse creando un intervalo de confianza del 95 % para la diferencia entre las medias y verificando para determinar si todo el intervalo supera -\u0394. Si el intervalo no supera -\u0394, no podemos rechazar la nulidad y paramos. Si todo el intervalo realmente supera -\u0394, continuaremos y veremos si el intervalo contiene 0. <\/p>\n

Hay otro tipo de estudios que no hemos discutido: estudios de equivalencia. <\/p>\n

Los estudios de este tipo pueden ser reemplazados por investigaciones para probar la hip\u00f3tesis de equivalencia y viceversa, pero tienen una diferencia importante. Un ensayo para verificar la hip\u00f3tesis de no inferioridad tiene como objetivo demostrar que la opci\u00f3n B es al menos tan buena como la A. En cambio, un estudio de equivalencia tiene como objetivo demostrar que la opci\u00f3n B es al menos tan buena como la A, y que la opci\u00f3n A es tambi\u00e9n tan buena como la B, lo cual es m\u00e1s complicado. Esencialmente, estamos tratando de determinar si todo el intervalo de confianza para la diferencia de medias se encuentra entre \u2212\u0394 y \u0394. Estos estudios requieren un tama\u00f1o de muestra mayor y se realizan con menor frecuencia. Por lo tanto, la pr\u00f3xima vez que realice un estudio en el que su objetivo principal sea asegurarse de que la nueva versi\u00f3n no es peor, no acepte \u201cla incapacidad de refutar la hip\u00f3tesis nula\u201d. Si desea probar una hip\u00f3tesis realmente importante, considere diferentes opciones.
\n
Fuente: habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"

\u0421\u0442\u0430\u0442\u044c\u044f \u043e\u0442 \u043a\u043e\u043c\u0430\u043d\u0434\u044b Stitch Fix \u043f\u0440\u0435\u0434\u043b\u0430\u0433\u0430\u0435\u0442 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u043f\u043e\u0434\u0445\u043e\u0434 \u043a\u043b\u0438\u043d\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u043d\u0438\u0439 \u043d\u0435 \u043c\u0435\u043d\u044c\u0448\u0435\u0439 \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u043e\u0441\u0442\u0438 (non-inferiority trials) \u0432 \u043c\u0430\u0440\u043a\u0435\u0442\u0438\u043d\u0433\u043e\u0432\u044b\u0445 \u0438 \u043f\u0440\u043e\u0434\u0443\u043a\u0442\u043e\u0432\u044b\u0445 A\/B \u0442\u0435\u0441\u0442\u0430\u0445. \u0422\u0430\u043a\u043e\u0439 \u043f\u043e\u0434\u0445\u043e\u0434 \u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u043c, \u043a\u043e\u0433\u0434\u0430 \u043c\u044b \u0442\u0435\u0441\u0442\u0438\u0440\u0443\u0435\u043c \u043d\u043e\u0432\u043e\u0435 \u0440\u0435\u0448\u0435\u043d\u0438\u0435, \u0438\u043c\u0435\u044e\u0449\u0435\u0435 \u043f\u0440\u0435\u0438\u043c\u0443\u0449\u0435\u0441\u0442\u0432\u0430, \u043d\u0435\u0438\u0437\u043c\u0435\u0440\u044f\u0435\u043c\u044b\u0435 \u0442\u0435\u0441\u0442\u0430\u043c\u0438. \u0421\u0430\u043c\u044b\u0439 \u043f\u0440\u043e\u0441\u0442\u043e\u0439 \u043f\u0440\u0438\u043c\u0435\u0440 \u2014 \u0441\u043d\u0438\u0436\u0435\u043d\u0438\u0435 \u043a\u043e\u0441\u0442\u043e\u0432. \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0430\u0432\u0442\u043e\u043c\u0430\u0442\u0438\u0437\u0438\u0440\u0443\u0435\u043c \u043f\u0440\u043e\u0446\u0435\u0441\u0441 \u043d\u0430\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u043f\u0435\u0440\u0432\u043e\u0433\u043e \u0443\u0440\u043e\u043a\u0430, \u043d\u043e \u043d\u0435 \u0445\u043e\u0442\u0438\u043c \u0441\u0438\u043b\u044c\u043d\u043e \u0443\u0440\u043e\u043d\u0438\u0442\u044c \u0441\u043a\u0432\u043e\u0437\u043d\u0443\u044e \u043a\u043e\u043d\u0432\u0435\u0440\u0441\u0438\u044e. \u0418\u043b\u0438 \u0442\u0435\u0441\u0442\u0438\u0440\u0443\u0435\u043c […]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":26311,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-34958","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\n","aioseo_head_json":{"title":"\ud83e\udd47\u00bfCu\u00e1ndo deber\u00eda verificar la hip\u00f3tesis de no inferioridad? | ProHoster","description":"Art\u00edculo del equipo de Stitch Fix.","canonical_url":"https:\/\/prohoster.info\/es\/blog\/news\/kogda-stoit-proveryat-gipotezu-o-ne-menshej-effektivnosti","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"es_ES","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041a\u043e\u0433\u0434\u0430 \u0441\u0442\u043e\u0438\u0442 \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0442\u044c \u0433\u0438\u043f\u043e\u0442\u0435\u0437\u0443 \u043e \u043d\u0435 \u043c\u0435\u043d\u044c\u0448\u0435\u0439 \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u043e\u0441\u0442\u0438? | ProHoster","og:description":"\u0421\u0442\u0430\u0442\u044c\u044f \u043e\u0442 \u043a\u043e\u043c\u0430\u043d\u0434\u044b Stitch Fix.","og:url":"https:\/\/prohoster.info\/es\/blog\/news\/kogda-stoit-proveryat-gipotezu-o-ne-menshej-effektivnosti","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-10-31T19:01:31+00:00","article:modified_time":"2019-10-31T19:01:31+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"34958","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-21 21:15:19","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-03-01 02:12:27","updated":"2026-01-21 21:15:19","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/34958","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/comments?post=34958"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/34958\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/media\/26311"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/media?parent=34958"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/categories?post=34958"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/tags?post=34958"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}