Esto me recuerda a los diagnósticos de cáncer, en los que las antiguas firmas de expresión génica se sustituyen por otras más nuevas, que por supuesto se supone que son mejores. Pero, ¿cómo demostrar que son mejores?
He aquí un par de sugerencias para comparar la repetibilidad de los métodos.
1. Utilice el análisis de co-inercia (CIA).
La CIA debería tener más publicidad, por desgracia no se utiliza mucho (no hay página en Wikipedia, por ejemplo). CIA es un método de dos tablas que funciona según el mismo principio que análisis canónico (CA), que consiste en buscar un par de puntuaciones lineales con la máxima correlación entre dos conjuntos de mediciones multidimensionales. Su ventaja sobre CA es que se puede hacer aunque se tengan más dimensiones que observaciones. Podría medir ambos métodos en las mismas muestras para obtener dos tablas acopladas de 30 columnas y $n$ observaciones. El primer par de componentes principales debería estar fuertemente correlacionado (si los métodos miden realmente lo mismo). Si el método B es mejor, la varianza residual debería ser menor que la varianza residual del método A. Con este enfoque se aborda tanto la concordancia de los métodos como su desacuerdo, que se interpreta como ruido.
2. Utilizar una distancia .
Se puede utilizar la distancia euclidiana en 30 dimensiones entre la prueba y la repetición de la prueba para medir la repetibilidad de un método. Se genera una muestra de esa puntuación para cada método y se pueden comparar las muestras con la prueba de Wilcoxon.
3. Utilice la aplicación posterior.
Es probable que obtenga estas huellas para tomar una decisión o clasificar pacientes o material biológico. Puede contar los acuerdos vs desacuerdos entre pruebas y repeticiones de pruebas para ambos métodos y compararlos con la prueba de Wilcoxon.
El método 3 es el más sencillo, pero también el más realista. Las decisiones suelen ser bastante sencillas, incluso en el caso de entradas de gran dimensión. Y por muy complejo que sea nuestro problema, hay que tener en cuenta que la estadística es la ciencia de la decisión.
Respecto a la pregunta de su comentario.
¿Qué le parece utilizar un método robusto de reducción de la dimensionalidad para reducir los datos multivariantes a una sola dimensión y analizarlos?
La reducción de la dimensionalidad, por muy sólida que sea, llevará asociada una pérdida de varianza. Si existe una forma de transformar una huella dactilar multivariante en una única puntuación que capture casi toda su varianza, entonces lo mejor es hacerlo. Pero entonces, ¿por qué la huella dactilar es multivariante?
Supuse por el contexto de la OP que la huella dactilar es multivariante precisamente porque es difícil reducir más su dimensionalidad sin perder información. En ese caso, su repetibilidad en una única puntuación no tiene por qué ser una buena aproximación a la repetibilidad global, ya que se puede despreciar la mayor parte de la varianza (cerca de 29/30 en el peor de los casos).
