Bayes Factor Group Sequential Designs

Technische Zusammenfassung: Bayes-Faktor-Gruppensequenzielle Designs

Problemstellung
Sequenzielle Designs, die ein vorzeitiges Stoppen basierend auf Zwischenanalysen ermöglichen, sind in Bereichen wie klinischen Studien und Tierversuchen äußerst wünschenswert, um Stichprobengrößen und ethische Belastungen zu reduzieren. Während Bayes-Methoden, insbesondere solche, die Bayes-Faktoren nutzen, aufgrund ihres inhärenten Aktualisierungsmechanismus und der Unempfindlichkeit gegenüber Multiplizität natürlich für die sequenzielle Analyse geeignet sind, wird ihre praktische Anwendung durch rechnerische Herausforderungen behindert. Speziell erfordert das Entwerfen sequenzieller Bayes-Faktor-Studien die Bestimmung wesentlicher Merkmale wie der Wahrscheinlichkeit, konklusive Evidenz zu erhalten (analog zu Power und Typ-I-Fehler), sowie der erwarteten Stichprobengröße. Derzeit erfolgt die Berechnung dieser Metriken typischerweise über rechenintensive Monte-Carlo-Simulationen, da keine geschlossenen Formen oder effizienten numerischen Methoden existieren. Diese Abhängigkeit von Simulationen macht das Prototyping und den Vergleich verschiedener Designoptionen zeitaufwendig und anfällig für Monte-Carlo-Fehler, was die Fähigkeit der Forscher einschränkt, Versuchsdesigns zu optimieren.

Methodik
Die Autoren schlagen ein neuartiges Framework vor, das die klassische Theorie der gruppensequentiellen Designs (GSD) auf sequenzielle Bayes-Faktor-Designs erweitert und so eine schnelle, genaue und simulationsfreie Berechnung der Designcharakteristika ermöglicht. Die zentrale methodische Innovation umfasst drei Schritte:

1. Abbildung von Bayes-Faktoren auf Z-Statistiken: Die Autoren drücken den Bayes-Faktor ($BF_{01}$) als Funktion der $z$-Statistik ($z = (\hat{\theta} - \theta_0)/\sigma$) aus, wobei $\hat{\theta}$ der Parameterschätzer und $\sigma$ dessen Standardfehler ist. Für verschiedene gängige Bayes-Faktor-Typen (z. B. Punktnullhypothese vs. gerichtete Alternative, Punktnullhypothese vs. Punktalternative) leiten sie kritische $z$-Werte ab, die spezifischen Evidenzschwellen ($k_0$ und $k_1$) entsprechen. In Fällen, in denen keine geschlossene Lösung für den kritischen $z$-Wert verfügbar ist, wird numerische Wurzelfindung angewendet.
2. Definition von Stopp-Regionen: Basierend auf diesen kritischen Werten definieren die Autoren Stopp-Regionen im Raum der akkumulierenden $z$-Statistiken. Für Bayes-Faktoren mit einem einzigen kritischen Wert bilden diese Regionen $i$-dimensionale Hyperrechtecke. Für jene mit zwei kritischen Werten (z. B. zweiseitige Alternativen) bestehen die Regionen aus Vereinigungen von Hyperrechtecken. Die Wahrscheinlichkeit, bei einer bestimmten Zwischenanalyse zu stoppen, entspricht der Wahrscheinlichkeit, dass der Vektor der kumulativen $z$-Statistiken in diese spezifischen Regionen fällt.
3. Multivariate Normalverteilungsintegration: Unter der Annahme, dass der Vektor der akkumulierenden $z$-Statistiken einer kanonischen multivariaten Normalverteilung folgt (oder einer marginalen Prior-Prädiktivverteilung, wenn ein Design-Prior spezifiziert ist), berechnen die Autoren die Wahrscheinlichkeiten dieser Stopp-Regionen mittels multivariater Normalverteilungsintegration. Dieser Ansatz nutzt rekursive eindimensionale Integrationsalgorithmen oder moderne Implementierungen der multivariaten Normalverteilungsintegration (z. sie z. B. über das R-Paket mvtnorm), um die Stopp-Wahrscheinlichkeiten deterministisch zu berechnen.

Das Framework berücksichtigt sowohl feste Parameterwerte (Frequentistische Operative Charakteristika) als auch Design-Priors (Bayesianische prädiktive Power/Assurance), indem es die Mittelwert- und Kovarianzstruktur der $z$-Statistik-Verteilung anpasst.

Wesentliche Beiträge und Ergebnisse

• Simulationsfreie Berechnung: Der primäre Beitrag ist eine Methode, die die Notwendigkeit von Monte-Carlo-Simulationen eliminiert. Die Autoren zeigen, dass Designcharakteristika in Sekunden berechnet werden können, was eine signifikante Reduktion gegenüber den Minuten oder Stunden darstellt, die für simulationsbasierte Ansätze erforderlich sind.
• Open-Source-Implementierung: Die Methode ist im Open-Source R-Paket bfpwr implementiert, wodurch die Planung sequenzieller Bayes-Faktor-Designs so unkompliziert wie klassische GSDs wird.
• Anwendung auf diverse Szenarien: Die Arbeit illustriert die Methode anhand mehrerer Fallstudien:
  • Low-PV Klinische Studie: Durch die Re-Analyse einer Studie zu Ropeginterferon alfa-2b zeigen die Autoren, wie die Wahrscheinlichkeit konklusiver Evidenz berechnet und die erforderliche Stichprobengröße bestimmt werden kann, um eine 90%ige Wahrscheinlichkeit korrekter Evidenz zu erreichen. Sie demonstrieren, dass eine Erhöhung der Anzahl der Zwischenanalysen die Effizienz verbessern kann, aber gegen das Risiko irreführender Evidenz abgewogen werden muss.
    ment Ratten-Gewichtsverlust-Experiment: In einem präklinischen Setting wird die Methode zur Planung einer Replikationsstudie eingesetzt. Durch Verwendung eines Design-Priors basierend auf Originaldaten zeigen die Autoren, wie Stichprobengrößen über verschiedene Dosierungsgruppen hinweg optimiert werden können, was potenziell Tiere spart und gleichzeitig hohe Wahrscheinlichkeiten für informative Inferenzen aufrechterhält.
  • Sequentieller Bayes-Faktor t-Test: Das Framework wird auf den sequentiellen $t$-Test (einschließlich des Jeffreys-Zellner-Siow Bayes-Faktors) erweitert. Die Autoren replizieren ein psychologisches Studiendesign mit 61 Zwischenanalysen und zeigen, dass ihre Methode Ergebnisse liefert, die nahezu identisch mit simulationsbasierten Schätzungen sind (z. B. 70,3 % vs. 70,6 % für das Stoppen für $H_1$), jedoch mit drastisch reduzierter Rechenzeit.

Bedeutung und Limitationen
Die Arbeit behauptet, dass dieser Ansatz die Untersuchung sequenzieller Bayes-Faktor-Designs „so unkompliziert wie klassische gruppensequenzielle Designs“ macht und damit eine große Barriere für deren Einführung beseitigt. Durch Bereitstellung eines vereinheitlichten Frameworks, das sowohl Bayesianische prädiktive als auch frequentistische operative Charakteristika handhabt, erleichtert die Methode das Design informativer und effizienter Experimente.

Die Autoren bleiben hinsichtlich des Umfangs ihrer Methode bescheiden. Sie räumen ein, dass der Ansatz darauf beruht, dass der Bayes-Faktor als Funktion der $z$-Statistik ausgedrückt werden kann und die akkumulierenden Statistiken (zumindest annähernd) einer kanonischen multivariaten Normalverteilung folgen. Folglich kann die Methode möglicherweise nicht direkt auf Szenarien mit kleinen Stichprobengrößen und binären Daten oder extremen Wahrscheinlichkeiten angewendet werden, in denen diese Annahmen versagen könnten, was potenziell eine Rückkehr zu Simulationen oder anderen numerischen Methoden erforderlich macht. Zukünftige Forschungsrichtungen umfassen die Entwicklung von Modifikationen für diese nicht-kanonischen Situationen.