Isso me lembra o diagnóstico de câncer, em que as antigas assinaturas de expressão gênica são substituídas por novas, que supostamente deveriam ser melhores. Mas como mostrar que eles são melhores?
Aqui estão algumas sugestões para comparar a repetibilidade dos métodos.
1. Use a análise de co-inércia (CIA).
A CIA deve ser mais anunciada, infelizmente não é amplamente usada (nenhuma página da Wikipedia, por exemplo). A CIA é um método de duas tabelas que trabalha com o mesmo princípio da análise canônica (CA), que consiste em procurar um par de pontuações lineares com correlação máxima entre dois conjuntos de medições multidimensionais. Sua vantagem sobre a CA é que você pode fazer isso mesmo se tiver mais dimensões do que observações. Você poderia medir ambos os métodos nas mesmas amostras para obter duas mesas acopladas de 30 colunas enobservações. O primeiro par de componentes principais deve ser fortemente correlacionado (se os métodos realmente medirem a mesma coisa). Se o método B for melhor, a variação residual deve ser menor que a variação residual do método A. Com essa abordagem, você aborda a concordância dos métodos e sua discordância, que você interpreta como ruído.
2. Use uma distância .
Você pode usar a distância euclidiana em 30 dimensões entre o teste e o reteste para medir a repetibilidade de um método. Você gera uma amostra dessa pontuação para cada método e pode comparar as amostras com o teste de Wilcoxon.
3. Use o aplicativo downstream.
Você provavelmente está recebendo essas impressões digitais para tomar uma decisão ou classificar pacientes ou material biológico. Você pode contar os acordos versus discordâncias entre testes e retestes para ambos os métodos e compará-los com o teste de Wilcoxon.
O método 3 é o mais simples, mas também o mais prático. Mesmo para entradas de alta dimensão, as decisões geralmente são bastante simples. E, por mais complexo que seja o nosso problema, lembre-se de que a estatística é a ciência da decisão.
Em relação à pergunta em seu comentário.
Que tal usar um método robusto de redução de dimensionalidade para reduzir os dados multivariados para uma única dimensão e analisá-los?
A redução da dimensionalidade, por mais robusta que seja, será associada a uma perda de variação. Se existe uma maneira de transformar sua impressão digital multivariada em uma única pontuação, capturando quase toda a sua variação, com certeza, essa é de longe a melhor coisa a fazer. Mas então por que a impressão digital é multivariada em primeiro lugar?
No contexto do OP, assumi que a impressão digital é multivariada precisamente porque é difícil reduzir ainda mais sua dimensionalidade sem perder informações. Nesse caso, sua repetibilidade em uma única pontuação não precisa ser um bom proxy para a repetibilidade geral, porque você pode negligenciar a maioria da variação (quase 29/30 no pior caso).