Getting the best out of single case data

This article analyzes the value of single-case designs (SCDs) in the fields of personalized healthcare and education, highlighting their growing relevance in research with small samples. In these designs, the same subjects are repeatedly assessed based on the same outcomes, which offers methodological advantages but also poses statistical challenges. The author compares three common statistical methods for analyzing SCD data: randomization tests, Bayesian percentage of non-overlapping data (PAND-B), and time series regression (TSR). While PAND-B allows for the incorporation of prior knowledge and avoids questionable assumptions required by TSR, it has limitations: it does not adequately consider ordinal or quantitative information and provides invalid estimates when samples are unequal. To overcome these shortcomings, the use of the Generalized Relative Effect (GRE), based on the Brunner-Munzel relative effect statistic, is proposed. This approach retains applicability to all levels of measurement (nominal, ordinal, and quantitative) and allows for the integration of prior theoretical or empirical knowledge through Bayesian prior distributions. Este artículo analiza el valor de los diseños de caso único (Single Case Designs, SCDs) en los ámbitos de la salud personalizada y la educación, destacando su creciente relevancia en investigaciones con muestras reducidas. En estos diseños, se evalúa repetidamente a los mismos sujetos en función de los mismos resultados, lo cual ofrece ventajas metodológicas, aunque también plantea desafíos estadísticos. El autor compara tres métodos estadísticos comunes para analizar datos de SCDs: las pruebas de aleatorización, el porcentaje bayesiano de datos no superpuestos (PAND-B) y la regresión de series temporales (TSR). Si bien PAND-B permite incorporar conocimientos previos y evita suposiciones cuestionables requeridas por TSR, presenta limitaciones: no considera adecuadamente la información ordinal o cuantitativa y ofrece estimaciones inválidas cuando las muestras son desiguales. Para superar estas deficiencias, se propone el uso del Efecto Relativo Generalizado (GRE, por sus siglas en inglés), basado en el estadístico de efecto relativo de Brunner-Munzel. Este enfoque conserva la aplicabilidad a todos los niveles de medición (nominal, ordinal y cuantitativo) y permite integrar conocimiento teórico o empírico previo mediante distribuciones a priori bayesianas.