De uma perspectiva freqüentista, uma comparação não ajustada com base na distribuição de permutação sempre pode ser justificada após um estudo (adequadamente) randomizado. Uma justificativa semelhante pode ser feita para inferência com base em distribuições paramétricas comuns (por exemplo, a distribuição ou distribuição ) devido à sua semelhança com a distribuição de permutação. De fato, o ajuste para covariáveis - quando elas são selecionadas com base em análises post-hoc - na verdade corre o risco de inflar o erro Tipo I. Observe que essa justificativa não tem nada a ver com o grau de equilíbrio na amostra observada ou com o tamanho da amostra (exceto que para amostras pequenas a distribuição de permutação será mais discreta e menos bem aproximada peloF t FtFtou distribuições ).F
Dito isto, muitas pessoas sabem que o ajuste para covariáveis pode aumentar a precisão no modelo linear. Especificamente, o ajuste para covariáveis aumenta a precisão do efeito estimado do tratamento quando eles são preditivos do resultado e não estão correlacionados com a variável de tratamento (como é verdade no caso de um estudo randomizado). O que é menos conhecido, no entanto, é que isso não é transferido automaticamente para modelos não lineares. Por exemplo, Robinson e Jewell [1] mostram que, no caso de regressão logística, o controle de covariáveis reduz a precisão do efeito estimado do tratamento, mesmo quando são preditivos do resultado. No entanto, porque o efeito do tratamento estimado é também maior no modelo ajustado, controlando para co-variáveis de previsão dos resultados faz aumentar a eficiência ao testar a hipótese nula de efeito sem tratamento após um estudo randomizado.
[1] LD Robinson e NP Jewell. Alguns resultados surpreendentes sobre o ajuste covariável em modelos de regressão logística. International Statistical Review , 58 (2): 227-40, 1991.