📊 statistics

Simulating Complex Crossectional and Longitudinal Data using the simDAG R Package

Dieses Paper stellt das R-Paket **simDAG** vor, ein standardisiertes Werkzeug, das die Generierung komplexer Querschnitts- und Längsschnittdaten vereinfacht, indem es Strukturgleichungen in gerichteten azyklischen Graphen nutzt, um diverse Datentypen, nichtlineare Beziehungen und beliebige Abhängigkeiten für Monte-Carlo-Simulationsstudien zu unterstützen.

Ursprüngliche Autoren: Robin Denz, Nina Timmesfeld

Veröffentlicht 2026-06-02

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Robin Denz, Nina Timmesfeld

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Koch, der ein neues Rezept testen möchte. Bevor Sie das Gericht echten Kunden servieren, müssen Sie wissen, ob Ihre Zutaten zusammenpassen. In der Welt der Statistik machen Forscher dasselbe: Sie führen „Simulationen“ durch, um zu testen, ob ihre mathematischen Rezepte (statistische Methoden) korrekt funktionieren. Um dies zu tun, müssen sie fiktive Daten erstellen, die exakt so aussehen und sich so verhalten wie die reale Welt.

Das Problem? Das Erstellen dieser fiktiven Daten ist, als würde man versuchen, eine komplexe Lego-Burg zu bauen, bei der jeder Stein von dem vorherigen abhängt und einige Steine im Laufe der Zeit ihre Form verändern. Es ist mühsam, fehleranfällig und erfordert viel Programmiergeschick.

Hier kommt simDAG ins Spiel, ein neues Tool (ein R-Paket), das wie ein „intelligenter Bauplan-Ersteller“ für diese fiktiven Daten fungiert. So funktioniert es, einfach erklärt:

1. Der Bauplan: Der DAG

Anstatt tausende Zeilen Code zu schreiben, um Zahlen zu generieren, zeichnen Sie eine Landkarte, die ein gerichteter azyklischer Graph (Directed Acyclic Graph, DAG) genannt wird.

Denken Sie an einen Stammbaum: Sie haben eine „Wurzel“ (wie ein Elternteil) und „Kinder“ (Variablen, die vom Elternteil abhängen).
Die Regel: Die Pfeile gehen nur in eine Richtung (vom Elternteil zum Kind), und es gibt keine Schleifen (man kann nicht sein eigener Vorfahre sein).
Was es bewirkt: Diese Karte sagt dem Computer genau, wie die Variablen miteinander verbunden sind. Zum Beispiel: „Rauchen verursacht Lungenkrebs“ oder „Das Alter beeinflusst sowohl das Rauchen als auch den Lungenkrebs“.

2. Das Rezept: Strukturgleichungen

Sobeder Sie die Landkarte haben, müssen Sie dem Computer sagen, wie er die Daten aufbauen soll. In simDAG verknüpfen Sie mit jedem Knoten (Variable) auf Ihrer Karte ein „Rezept“.

Wurzelknoten (Der Anfang): Dies sind Variablen ohne Eltern (wie ein Münzwurf oder eine Zufallszahl). Sie sagen einfach: „Erstelle eine Zufallszahl zwischen 0 und 1.“
Kindknoten (Die Abhängigen): Diese Variablen hängen von anderen ab. Sie können sagen: „Nimm den Wert von ‚Rauchen‘ und addiere 20 % dazu, um das ‚Lungenkrebsrisiko‘ zu erhalten.“
Die Magie: Sie müssen kein Programmier-Magier sein. Sie können einfache Formeln (wie y = 2x + 5) oder sogar komplexe Funktionen verwenden. Das Paket übernimmt die schwere Arbeit der Berechnung der Zahlen basierend auf Ihrer Karte.

3. Die Zeitmaschine: Longitudinaldaten

Die meisten fiktiven Daten sind nur eine Momentaufnahme (wie ein Foto). Aber manchmal benötigen Forscher einen Film (Longitudinaldaten), um zu sehen, wie sich Dinge im Laufe der Zeit verändern.

Der alte Weg: Man musste für jeden einzelnen Tag, jede Woche oder jedes Jahr eine neue Karte zeichnen. Wenn man 100 Tage simulieren wollte, musste man 100 separate Karten zeichnen. Das war so, als würde man einen Comic Streifen per Hand zeichnen, Bild für Bild.
Der simDAG-Weg: Er nutzt eine diskrete Zeitschritt-Simulation (Discrete-Time Simulation). Stellen Sie sich ein Förderband vor, das sich durch die Zeit bewegt. Anstatt jedes Bild einzeln zu zeichnen, geben Sie der Maschine eine Regel: „Prüfe bei jeder Bewegung des Bandes, ob ein Ereignis eintritt.“
- Beispiel: Wenn Sie einen Impfstoff simulieren, prüft die Maschine jeden Tag: „Wurde diese Person geimpft? Wenn ja, steigt ihr Risiko für Nebenwirkungen für die nächsten 20 Tage?“
- Dies ermöglicht es Forschern, jahrelange Daten (tausende Zeitpunkte) für tausende Menschen zu simulieren, ohne die Karte jedes Mal neu zeichnen zu müssen.

4. Warum das wichtig ist

Die Arbeit zeigt, dass simDAG Folgendes handhaben kann:

Gemischte Zutaten: Es kann kontinuierliche Zahlen (wie die Körpergröße), Kategorien (wie „Ja/Nein“), Zählwerte (wie „Anzahl der Krankenhausbesuche“) und Zeit-bis-Ereignis-Daten (wie „Dauer bis zu einem Herzinfarkt“) in derselben Simulation erzeugen.
Komplexe Beziehungen: Es verarbeitet nicht-lineare Beziehungen (bei denen eine Verdoppelung des Inputs nicht einfach eine Verdoppelung des Outputs zur Folge hat) und Interaktionen (bei denen zwei Variablen zusammenwirken, um einen dritten Effekt zu erzeugen).
Reale Replikation: Die Autoren zeigten, dass sie die komplexen Datengenerierungsprozesse aus echten, veröffentlichten wissenschaftlichen Studien rekonstruieren konnten, was beweist, dass das Tool leistungsstark genug für ernsthafte Forschung ist.

Die Kehrseite (Rechenaufwand)

Das Paper räumt ein, dass das schrittweise Simulieren der Zeit wie das Betrachten eines Films Bild für Bild ist; es benötigt mehr Rechenleistung als nur das Betrachten eines Standfotos. Die Autoren haben das Tool jedoch so gebaut, dass es sehr schnell ist (unter Verwendung einer speziellen Engine namens data.table), sodass es auf einem Standard-Bürocomputer laufen kann, ohne dass ein Supercomputer benötigt wird.

Zusammenfassend

simDAG ist ein Werkzeug, das es Forschern ermöglicht, eine einfache Karte zu zeichnen, wie Variablen miteinander verbunden sind, und dann automatisch komplexe, realistische fiktive Daten basierend auf dieser Karte zu generieren. Es verwandelt den schwierigen, manuellen Prozess des Aufbaus von Simulationsdaten in einen optimierten, standardisierten Arbeitsablauf und macht es einfacher für Wissenschaftler, ihre Theorien zu testen und sicherzustellen, dass ihre statistischen Methoden korrekt funktionieren.

Technische Zusammenfassung: Simulation komplexer Querschnitts- und Längsschnittdaten mit dem R-Paket `simDAG`

Problemstellung
Monte-Carlo-Simulationsstudien sind grundlegend für die statistische Forschung zur Schätzung von Stichprobengrößen, zum Vergleich von Methoden und zur Planung klinischer Studien. Ein kritischer Engpass in diesen Studien ist die Generierung künstlicher Daten aus komplexen Datengenerierungsprozessen (DGPs). Forscher benötigen oft Daten, die mehrere Variablen unterschiedlicher Typen (kontinuierlich, binär, Zähldaten, Zeit-bis-Ereignis) mit komplizierten kausalen Abhängigkeiten, nichtlinearen Beziehungen und Interaktionen enthalten. Während bestehende R-Pakete die Generierung synthetischer Daten erleichtern, fehlt es ihnen oft an Flexibilität: Strukturgleichungspakete (z. B. lavaan, simsem) beschränken Nutzer typischerweise auf lineare Beziehungen und kontinuierliche Daten; spezialisierte Pakete für Zeit-bis-Ereignis-Daten (z. B. simsurv, survsim) versagen oft bei der Unterstützung beliebiger Mischungen von Datentypen oder zeitvariablen Kovariaten; zudem mangelt es allgemeinen Simulationstools oft an der spezifischen Syntax, die für DAG-basierte Definitionen erforderlich ist. Darüber hinaus erfordert die Generierung von Längsschnittdaten mit vielen Zeitpunkten durch traditionelle Methoden oft umständliche, repetitive Code-Definitionen für jeden einzelnen Zeitschritt, was groß angelegte Simulationen rechnerisch und praktisch unpraktikabel macht.

Methodik
Das Paper stellt simDAG vor, ein R-Paket, das darauf ausgelegt ist, die Generierung von Querschnitts- und Längsschnittdaten basierend auf gerichteten azyklischen Graphen (Directed Acyclic Graphs, DAGs) zu standardisieren. Die Methodik stützt sich auf drei Kernkomponenten:

DAG-basierte Definition: Nutzer definieren den DGP als kausalen DAG, wobei Knoten Zufallsvariablen und Kanten gerichtete kausale Beziehungen darstellen. Das Paket erfordert, dass der Nutzer für jeden Knoten Strukturgleichungen spezifiziert, die dessen Verteilung bedingt durch seine Elternknoten beschreiben.
Topologische Sortierung und Generierung: Das Paket verwendet einen schrittweisen Algorithmus, der den DAG topologisch sortiert. Es generiert Daten für Wurzelknoten (Knoten ohne Eltern) durch Stichproben aus spezifizierten parametrischen Verteilungen oder benutzerdefinierten Funktionen. Anschließend werden die Daten für Kindknoten basierend auf den Werten ihrer Eltern und den definierten Strukturgleichungen generiert.
Diskrete-Zeit-Simulation für Längsschnittdaten: Um die Herausforderung von Längsschnittdaten mit vielen Zeitpunkten zu bewältigen, implementiert simDAG einen diskreten-Zeit-Simulationsansatz. Anstatt für jeden Zeitpunkt einen separaten Knoten zu definieren, definiert der Nutzer einen einzigen zeitvariablen Knoten mittels der Funktion node_td(). Dieser Knoten wird über eine spezifizierte Anzahl von Zeitschritten ( $t$ $t$ ) simuliert, was die Generierung von semi-kontinuierlichen Zeitskalendaten ermöglicht. Dieser Ansatz unterstützt:
- Beliebige Datentypen: Unterstützung für binäre, kategoriale, Zähl- und kontinuierliche Variablen sowie Zeit-bis-Ereignis-Daten.
- Komplexe Abhängigkeiten: Nichtlineare Beziehungen, Interaktionen und beliebige benutzerdefinierte Funktionen zur Wahrscheinlichkeitsgenerierung.
- Ereignisdynamik: Spezialisierte Knotentypen (time_to_event, competing_events), die rezidivierende Ereignisse, konkurrierende Risiken und zeitvariable Kovariaten behandeln, indem sie in jedem Zeitschritt Bernoulli- oder Multinomial-Versuche durchführen.
- Datentransformation: Die Funktion sim2data() konvertiert die interne Simulationsausgabe in Standardformate (Wide, Long oder Start-Stop), die für die Überlebensanalyse (z. B. Cox-Modelle mit zeitvariablen Kovariaten) geeignet sind.

Zentrale Beiträge
Der primäre Beitrag des Papers ist das simDAG-Paket, das einen vereinheitlichten Rahmen für die Datengenerierung bietet, der die Lücke zwischen einfacher Strukturgleichungsmodellierung und komplexer Längsschnittsimulation schließt. Zu den Hauptmerkmalen gehören:

Standardisierte Syntax: Eine klare Formelsyntax, die es Nutzern ermöglicht, Strukturgleichungen ähnlich wie in Standardregressionsmodellen zu definieren, wobei Mixed-Model-Syntax und benutzerdefinierte Funktionen unterstützt werden.
Längsschnittliche Flexibilität: Die Fähigkeit, Längsschnittdaten mit hunderten von Zeitpunkten effizient zu simulieren, indem generische zeitabhängige Strukturgleichungen definiert werden, anstatt den Graphen für jeden Zeitschritt manuell zu erweitern.
Umfassende Knotentypen: Implementierung einer breiten Palette von Knotentypen (Tabelle 1 im Paper), einschließlich spezialisierter Funktionen für die Überlebensanalyse (Cox, AFT, parametrische Modelle) und zeitvariable binäre/kategoriale Prozesse.
Reproduzierbarkeit und Transparenz: Integrierte Funktionen (plot.DAG, summary.DAG) ermöglichen die grafische und textliche Darstellung des zugrunde liegenden DAG und der Strukturgleichungen, was die Dokumentation und Reproduzierbarkeit von Simulationsstudien erleichtert.

Ergebnisse
Die Autoren demonstrieren die Fähigkeiten des Pakets durch die Replikation der DGPs mehrerer realer Monte-Carlo-Simulationsstudien:

Querschnittsdaten: Das Paket replizierte erfolgreich einen komplexen DGP von Denz et al. (2023a), der sechs Kovariaten (binär und kontinuierlich), eine Behandlungsvariable und ein rechts-zensiertes Zeit-bis-Ereignis-Outcome mit nichtlinearen Termen und Interaktionen umfasst.
Längsschnittdaten (wenige Zeitpunkte): Das Paket replizierte eine Studie von Gruber et al. (2015) mit zeitvariabler Behandlung und Konfoundern und demonstrierte die Fähigkeit, verzögerte Effekte (lagged effects) und multiple Zeitpunkte mittels Standard-node()-Aufrufen zu handhaben.
Längsschnittdaten (viele Zeitpunkte): Die Autoren simulierten ein komplexes Szenario involving Covid-19-Impfung und rezidivierende Myokarditis-Ereignisse über 730 Tage (2 Jahre). Dies demonstrierte die Fähigkeit des diskreten-Zeit-Ansatzes, zeitabhängige Wahrscheinlichkeiten, Immunitätsperioden und rezidivierende Ereignisse zu handhaben. Die resultierenden Daten wurden erfolgreich in ein Start-Stop-Format transformiert und mittels eines Cox-Proportional-Hazards-Modells analysiert, wobei ein Hazard Ratio konsistent mit dem spezifizierten relativen Risiko erzielt wurde.
Rechenleistung: Benchmarks zeigen, dass die diskrete-Zeit-Simulation zwar rechenintensiv ist, die Abhängigkeit des Pakets von der data.table-Bibliothek und optimiertes Speichermanagement jedoch die Generierung großer Datensätze (z. B. 10.000 Individuen über 730 Zeitpunkte) in angemessenen Zeitrahmen ermöglicht (ca. 1,11 Sekunden für eine spezifische Konfiguration auf einer Standard-CPU). Die Laufzeit skaliert nichtlinear mit der Anzahl der Zeitpunkte aufgrund von Schleifeniterationen, aber linear mit der Anzahl der Individuen aufgrund von vektorisierten Operationen.

Bedeutung und Ansprüche
Das Paper behauptet, dass simDAG einen „standardisierten Ansatz“ zur Generierung komplexer Daten bietet, der den Programmieraufwand und die erforderliche Expertise zur Implementierung anspruchsvoller DGPs erheblich reduziert. Die Autoren betonen, dass das Paket besonders gut für Simulationsstudien geeignet ist, die kausale Inferenz betreffen, aber nicht auf dieses Feld beschränkt ist.

Die Bedeutung der Arbeit liegt in ihrer Fähigkeit:

Komplexe Arbeitsabläufe zu automatisieren: Sie erlaubt es Forschern, beliebige Abhängigkeiten und Datentypen zu definieren, ohne maßgeschneiderte Simulationsalgorithien von Grund auf neu schreiben zu müssen.
Diskrete-Zeit-Simulationen zu ermöglichen: Sie macht die Generierung von Längsschnittdaten mit hochauflösenden Zeitskalen für Standard-Monte-Carlo-Studien machbar – eine Aufgabe, die aufgrund von Komplexität oder Schwierigkeit in der Kodierung oft vermieden wird.
Die Reproduzierbarkeit zu erhöhen: Durch die Formalisierung des DGP als DAG mit expliziten Strukturgleichungen hilft das Paket bei der transparenten Berichterstattung von Simulationsstudien.

Die Autoren räumen bescheiden Einschränkungen ein und merken an, dass die diskrete-Zeit-Simulation von Natur aus rechenintensiver ist als diskrete-Ereignis-Simulationsmethoden. Sie stellen zudem fest, dass für den Zweck, bestehende Datensätze nachzubilden, spezialisierte Pakete wie simPop vorzuziehen sein könnten, obwohl das Paket über dag_from_data() die Unterstützung bietet. Das Paper schließt mit der Feststellung, dass simDAG eine kritische Lücke im R-Ökosystem für die flexible, kausal-bewusste und longitudinale Datengenerierung füllt.