Tilted sensitivity analysis in matched observational studies

Problemstellung
In gematchten Beobachtungsstudien paaren Forscher behandelte und Kontroll-Einheiten mit ähnlichen beobachteten Kovariaten, um Behandlungseffekte zu schätzen. Unbeobachtete Störfaktoren können jedoch weiterhin einen verborgenen Bias induzieren, wobei Einheiten mit größeren Reaktionen mit höherer Wahrscheinlichkeit die Behandlung erhalten. Die Sensitivitätsanalyse, in Anlehnung an das Modell von Rosenbaum (1987), quantifiziert die Robustheit der Ergebnisse gegenüber einem solchen Bias, indem sie die Größenordnung der ungemessenen Konfundierung ($\Gamma$) bestimmt, die erforderlich wäre, um die Schlussfolgerungen der Studie zu invalidieren.

Während die Sensitivitätsanalyse für gepaarte Studien (ein Behandelter, eine Kontrolle) mit geschlossenen Lösungen für die Worst-Case-p-Werte und die Design-Sensitivität gut etabliert ist, stellen die Erweiterungen dieser Methoden auf Studien mit mehreren Kontrollen (gematchte Mengen mit $n_i > 2$) erhebliche technische Hürden dar. Der gängige Ansatz, der „separable Algorithmus“ (Gastwirth et al., 2000), erfordert das Lösen von $I$ Optimierungsproblemen, um das Worst-Case-Muster der ungemessenen Konfundierung zu finden. Entscheidend ist, dass dieser Algorithmus für $n_i > 2$ keine geschlossene Form für den Worst-Case-Erwartungswert liefert und sich das Worst-Case-Muster ändert, wenn sich der Sensitivitätsparameter $\Gamma$ ändert. Dieser Mangel an geschlossenen Lösungen behindert die analytische Berechnung der „Design-Sensitivität“ (Rosenbaum, 2004) – einer Kennzahl, die die Fähigkeit eines Teststatistik beschreibt, Behandlungseffekte von Bias zu unterscheiden – und erzwingt die Nutzung von Monte-Carlo-Simulationen für theoretische Vergleiche.

Methodik
Das Paper führt ein Verfahren der „tilted sensitivity analysis“ (gekippten Sensitivitätsanalyse) ein. Für jede Kandidaten-Teststatistik $T = \sum Z_{ij}q_{ij}$ definiert die Methode eine modifizierte, „gekippte“ Statistik $T_{\Gamma i}$ für jede gematchte Menge $i$:
$$T_{\Gamma i} = T_i - \bar{q}_i - \left(\frac{\Gamma - 1}{1 + \Gamma}\right)|T_i - \bar{q}_i|$$
wobei $T_i$ die ursprüngliche Statistik für die Menge $i$ ist und $\bar{q}_i$ der Mittelwert der Scores $q_{ij}$ innerhalb dieser Menge ist.

Diese Modifikation ist so konstruiert, dass das Worst-Case-Muster der ungemessenen Konfundierung (der Vektor $u$, der den Erwartungswert unter der scharfen Nullhypothese maximiert) sowohl in geschlossener Form verfügbar als auch invariant gegenüber dem Wert von $\Gamma$ ist. Speziell weist dieser Worst-Case-Konfounder $u_{ij}=1$, falls $q_{ij} > \bar{q}_i$, und $u_{ij}=0$ andernfalls zu. Unter diesem spezifischen Muster ist der Erwartungswert der gekippten Statistik Null, und ihre Varianz wird durch einen geschlossenen Ausdruck gegeben.

Das Paper zeigt, dass dieser Ansatz bestehende Methoden vereinheitlicht:

1. Sign-Score-Statistiken: Für Statistiken, die nur zwei Werte annehmen (z. B. in gepaarten Designs oder Mantel-Haenszel-Tests), reproduziert der gekippte Ansatz die konventionelle Sensitivitätsanalyse exakt.
2. Inverse Probability Weighting (IPW): Es wird gezeigt, dass die gekippte Statistik äquivalent zu einer minimax-zentrierten IPW-Statistik ist und sich nur durch ein gematchtes-Set-Gewicht unterscheidet.

Wesentliche Beiträge

1. Geschlossene Form der Worst-Case-Verteilung: Im Gegensatz zum separablen Algorithmus liefert der gekippte Ansatz einen geschlossenen Ausdruck für den Worst-Case-Erwartungswert und die Varianz für jede gematchte Struktur, einschließlich jener mit mehreren Kontrollen. Dies eliminiert die Notwendigkeit iterativer Optimierung im Schritt der Sensitivitätsanalyse.
2. Geschlossene Form der Design-Sensitivität: Das Paper leitet einen geschlossenen Ausdruck für die Design-Sensitivität der gekippten Statistik für jede gematchte Struktur her:
   $$\tilde{\Gamma}_{tilt} = \frac{\eta + \theta}{\eta - \theta}$$
   wobei $\theta$ der Wahrscheinlichkeitsgrenzwert des durchschnittlichen Behandlungseffekt-Beitrags ist und $\eta$ der Wahrscheinlichkeitsgrenzwert des durchschnittlichen absoluten Beitrags. Dies ermöglicht analytische Vergleiche konkurrierender Teststatistiken, was ohne Simulation für Multi-Kontroll-Designs bisher nicht machbar war.
3. Adaptive Kombination: Das Paper schlägt ein adaptives Verfahren vor, das den gekippten und den konventionellen Ansatz kombiniert. Unter Verwendung eines multivariaten einseitigen Testrahmens (Cohen et al., 2020) gewichtet diese Methode die beiden Statistiken adaptiv, um eine Design-Sensitivität zu erreichen, die nicht kleiner ist als das Maximum der beiden einzelnen Ansätze, wodurch eine a priori Auswahl einer suboptimalen Methode verhindert wird.

Ergebnisse

• Theoretische Vergleiche: Durch analytische Ableitungen und Monte-Carlo-Simulationen zeigt das Paper, dass der gekippte Ansatz im Allgemeinen die Design-Sensitivität gegenüber dem konventionellen Ansatz bei symmetrischen und rechtsschiefen Fehlerverteilungen verbessert. Umgekehrt behält der konventionelle Ansatz bei linksschiefen Verteilungen oft eine überlegene Design-Sensitivität bei.
• Effekt der Kontrollen: Für $m$-Statistiken (eine Klasse, die Differenz-im-Mittelwert- und Rangtests umfasst) ist die Design-Sensitivität des gekippten Ansatzes nicht abnehmend in der Anzahl der gematchten Kontrollen $J$ und streng zunehmend unter milden Bedingungen.
• Anwendung auf Realdaten: In fünf Beispielen aus Realdaten (die Rauchen, Fischkonsum, Bildung, Alkohol und Alkoholkonsum in geringen Mengen abdecken) lieferte der gekippte Ansatz häufig höhere Sensitivitätswerte (was auf eine größere Robustheit gegenüber verborgenem Bias hindeutet) als der konventionelle Ansatz, insbesondere in Datensätzen mit rechtsschiefen Ergebnissen oder spezifischen Teststatistiken. Der adaptive Ansatz performte im Allgemeinen so gut wie die beste der beiden Einzelmethoden und signifikant besser als die schlechteste.

Bedeutung
Das Paper behauptet, dass die gekippte Sensitivitätsanalyse eine praktische und theoretisch überlegene Alternative für gematchte Beobachtungsstudien mit mehreren Kontrollen bietet. Durch die Bereitstellung geschlossener Lösungen sowohl für die Worst-Case-Verteilung als auch für die Design-Sensitivität beseitigt sie die rechnerischen und theoretischen Barrieren, die die Entwicklung robuster Inferenz in Multi-Kontroll-Settings begrenzt haben. Die Fähigkeit, Design-Sensitivitäten analytisch zu vergleichen, erleichtert die Studiengestaltung und die Auswahl robusterer Teststatistiken. Darüber hinaus stellt die adaptive Kombination sicher, dass Forscher nicht zwischen dem gekippten und dem konventionellen Ansatz a priori wählen müssen, was eine Absicherung gegen methodische Fehlentscheidungen bietet und gleichzeitig die berichtete Robustheit von Beobachtungsbefunden erhält oder verbessert.