📊 statistics

Robust estimation of occupation probabilities for coarsened multistate processes

Diese Arbeit leitet augmentierte inverse probabilitätsgewichtete Schätzer für Besetzungswahrscheinlichkeiten in Mehrzustandsmodellen her, die einer rechtszensierten und auf der Baseline-Exposition beruhenden Vergröberung unterliegen, wobei sie deren Robustheit und Effizienz unter der Annahme der Vergröberung nach Zufall (coarsening-at-random) ohne die Anforderung von Markov-Eigenschaften nachweist.

Ursprüngliche Autoren: Niklas Nyboe Maltzahn, Gergely Dániel Lukáts, Kjetil Røysland

Veröffentlicht 2026-06-29

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Niklas Nyboe Maltzahn, Gergely Dániel Lukáts, Kjetil Røysland

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 versuchen, die Lebensgeschichte einer Gruppe von Menschen zu verfolgen, die sich durch verschiedene „Räume“ in einem riesigen Gebäude bewegen. Einige Räume sind temporär (wie „Gesund“ oder „Krank“) und einige sind endgültige Ausgänge (wie „Tod“). In der Statistik nennt man das einen Mehrzustandsprozess (multistate process).

Das Ziel dieser Arbeit ist es, eine einfache Frage zu beantworten: „Wie viel Prozent der Menschen befinden sich zu einem gegebenen Zeitpunkt in einem bestimmten Raum?“ Dies wird als Besetzungswahrscheinlichkeit (occupation probability) bezeichnet.

Es gibt jedoch zwei große Probleme, die es schwierig machen, dies in der realen Welt genau zu berechnen:

Menschen springen ab: Einige Menschen verlassen das Gebäude, bevor sie den endgültigen Ausgang erreichen (dies wird als rechtszensierung bezeichnet). Vielleicht ziehen sie weg oder die Studie endet.
Verborgene Faktoren: Der Grund, warum Menschen abspringen oder welchen Weg sie einschlagen, könnte von Dingen abhängen, die wir nicht perfekt gemessen haben, oder von Dingen, die sich im Laufe der Zeit ändern (wie etwa eine sich verschlechternde Gesundheit).

Die Autoren, Niklas Nyboe Maltzahn und sein Team, haben ein neues Set an mathematischen Werkzeugen (Schätzern) entwickelt, um dieses Rätsel zu lösen. Hier ist ihre Vorgehensweise, erklärt anhand von Analogien.

Das Problem: Die „kaputte Landkarte“

Stellen Sie sich vor, Sie versuchen, eine Karte zu zeichnen, wo sich jeder im Gebäude befindet. Aber Ihre Karte ist verschwommen, weil:

Einige Menschen aus Ihrer Sicht verschwunden sind (Zensierung).
Sie nur eine grobe Schätzung darüber haben, wer wahrscheinlich verschwinden würde, basierend auf ihrem Ausgangspunkt (Behandlungszuweisung).

Wenn Sie einfach nur die Menschen zählen, die Sie noch sehen können, wird Ihre Karte falsch sein. Sie könnten denken, dass weniger Menschen im Raum „Krank“ sind, weil die krankesten Menschen die Studie frühzeitig verlassen haben.

Die Lösung: Das „Doppelcheck“-System

Die Autoren schlagen eine Methode vor, die Augmented Inverse Probability Weighting (AIPW) heißt. Denken Sie an dies als ein „Doppelcheck“-System, das zwei verschiedene Wege nutzt, um die fehlenden Teile der Landkarte zu erraten. Wenn ein Weg falsch liegt, kann der andere den Tag retten.

Sie schlagen tatsächlich fünf verschiedene Versionen dieses Werkzeugs vor, aber die zwei wichtigsten sind:

Die „Gewichtete Zählung“ (IPW):
Stellen Sie sich vor, Sie haben eine Liste der Menschen, die in der Studie geblieben sind. Sie geben den Menschen, die denjenigen ähneln, die abgesprungen sind, ein „schwereres Gewicht“. Wenn eine gesunde Person geblieben ist, aber viele kranke Menschen gegangen sind, zählen Sie die gesunde Person so, als ob sie viele kranke Menschen repräsentieren würde. Dies versucht, die fehlenden Daten zu korrigieren, indem die Lücken mathematisch „aufgefüllt“ werden.
- Schwäche: Wenn Ihre Vermutung darüber, warum Menschen abgesprungen sind, falsch ist, ist Ihre gesamte Landkarte falsch.
Die „Augmentierte“ Version (AIPW):
Dies ist die Superkraft des Papers. Sie nimmt die „Gewichtete Zählung“ und fügt eine zweite Ebene hinzu: ein Vorhersagemodell.
- Es fragt: „Basierend auf dem, was wir über die Menschen wissen, die geblieben sind, wie hätten die Menschen ausgesehen, die gegangen sind?“
- Es kombiniert die „Gewichtete Zählung“ mit dieser „Vorhersage“.
- Die Magie: Wenn Ihre Vermutung darüber, warum Menschen gegangen sind, falsch ist, aber Ihr Vorhersagemodell richtig ist, ist das Ergebnis immer noch korrekt. Wenn Ihre Vorhersage falsch ist, aber Ihre Vermutung darüber, warum sie gegangen sind, richtig ist, ist das Ergebnis ebenfalls korrekt. Es schlägt nur dann fehl, wenn beide Vermutungen falsch sind. Dies wird als Doppel-Robustheit (Double Robustness) bezeichnet.

Das „Ein-Schritt“-Upgrade

Die Autoren haben auch einen „Ein-Schritt“-Schätzer entwickelt. Stellen Sie sich vor, Sie versuchen, die Mitte einer Zielscheibe zu treffen.

Die Basismethode macht einen Schuss.
Die „Ein-Schritt“-Methode macht einen Schuss, sieht, wie weit daneben lag, und nimmt sofort eine winzige, präzise Anpassung vor, um genau die Mitte zu treffen.
Dies macht das Ergebnis effizienter (weniger wackelig) und zuverlässiger, selbst wenn die Daten unordentlich sind.

Die „Modifizierte“ Version

Manchmal werden die Vorhersagemodelle etwas „wackelig“ oder verzerrt. Die Autoren haben eine „modifizierte“ Version ihrer Werkzeuge hinzugefügt.

Denken Sie an dies als ein selbstkorrigierendes Lenkrad. Wenn das Auto beginnt zu driften, weil die Straße rutschig ist (verzerrte Daten), passt das Lenkrad den Winkel automatisch an, um das Auto auf dem geraden Pfad zu halten.
Dies stellt sicher, dass das Werkzeug genau bleibt, selbst wenn die Daten nicht perfekt sind.

Der Simulations-Test

Um zu beweisen, dass ihre Werkzeuge funktionieren, führten die Autoren eine massive Computersimulation durch.

Sie erschufen eine fiktive Welt mit 9.000 Menschen, die sich zwischen den Zuständen „Gesund“, „Krank“ und „Tod“ bewegen.
Sie ließen einige Menschen zu zufälligen Zeiten aus der Studie ausscheiden.
Sie versuchten dann, ihre fünf Werkzeuge zu nutzen, um herauszufinden, wo sich alle Menschen eigentlich befinden sollten.

Die Ergebnisse:

Als die Daten perfekt waren, funktionierten alle Werkzeuge, aber die „Ein-Schritt“- und die „modifizierten“ Werkzeuge waren am präzisesten (sie hatten den geringsten Fehler).
Als sie die Daten absichtlich „kaputt machten“ (indem sie die Werkzeuge falsch darüber schätzen ließen, warum Menschen abgesprungen sind), versagten die Basismethoden kläglich.
Die Augmentierten (AIPW) Werkzeuge arbeiteten jedoch weiterhin perfekt. Sie waren „robust“, was bedeutet, dass sie selbst dann funktionierten, als die Daten unordentlich waren.

Das Fazit

Dieses Paper gibt Statistikern ein neues, extrem starkes Set an Werkzeugen an die Hand, um zu verfolgen, wie Menschen sich über die Zeit durch verschiedene Zustände (wie Gesundheitszustände) bewegen, selbst wenn Menschen aus Studien ausscheiden oder die Gründe für das Ausscheiden kompliziert sind.

Der wichtigste Punkt ist die Redundanz: Indem die Autoren zwei verschiedene Methoden nutzen, um die fehlenden Informationen zu erraten, haben sie ein System geschaffen, das viel schwerer zu täuschen ist als bisherige Methoden. Es erfordert nicht die komplexe Annahme, dass die zukünftigen Wege der Menschen nur von ihrem aktuellen Zustand abhängen (die „Markov“-Annahme), was es für eine viel breitere Palette von realen Szenarien anwendbar macht, in denen die Vorgeschichte eine Rolle spielt.

Technische Zusammenfassung: Robuste Schätzung von Besetzungswahrscheinlichkeiten für vergröberte Mehrzustandsprozesse

Problemstellung
Mehrzustandsmodelle bieten einen allgemeinen Rahmen zur Analyse von Phänomenen, bei denen Entitäten über die Zeit zwischen wohldefinierten Zuständen übergehen, wie etwa beim Krankheitsverlauf, dem Beschäftigungsstatus oder Kreditratings. Ein primärer Parameter von Interesse in diesen Modellen ist die Besetzungswahrscheinlichkeit – die Wahrscheinlichkeit, dass ein Prozess zu einem gegebenen Zeitpunkt $t_0$ einen spezifischen Zustand einnimmt. In der Praxis unterliegen diese Prozesse oft zwei Ebenen der Vergröberung: Rechtszensierung (z. B. Dropout) und Basis-Exposition (Behandlungszuweisung).

Die bestehende Literatur zu Mehrzustandsmodellen stützt sich häufig auf restriktive Annahmen, wie etwa die Markov-Eigenschaft für Zustandsübergänge oder die Unabhängigkeit der Zensierung von der Prozesshistorie unter Berücks Verwendung von Basis-Kovariaten. Diese Arbeit adressiert die Herausforderung, Besetzungswahrscheinlichkeiten für kontrafaktische Mehrzustands-Prozesse unter schwächeren Annahmen zu schätzen. Konkret zielen die Autoren darauf ab, nicht-markovsche Zustandsübergänge zu handhaben und zuzulassen, dass Rechtszensierungsmechanismen sowohl von der natürlichen Historie des Prozesses als auch von zeitabhängigen Kovariaten abhängen, sofern die Annahme der Vergröberung nach Belieben (Coarsening at Random, CAR) erfüllt ist.

Methodik
Die Autoren leiten Augmented Inverse Probability Weighted (AIPW)-Schätzer für Besetzungswahrscheinlichkeiten unter Verwendung von Techniken aus der kausalen Inferenz und der Literatur zu fehlenden Daten her.

Datenstruktur und Identifizierbarkeit:
- Der vollständige Datenprozess wird als ein cadlag Mehrzustandsprozess $Z_a$ unter einer hypothetischen Intervention $a \in \{0, 1\}$ definiert, mit assoziierten zeitabhängigen Kovariaten $L_a$ und Basis-Kovariaten $W$ .
- Die beobachteten Daten werden durch eine latente Rechtszensierungszeit $C_a$ und die beobachtete Behandlung $A$ vergröbert.
- Identifizierbarkeitskriterien: Die Autoren setzen voraus:
  - Konsistenz: Die beobachteten Daten sind eine konsistente Vergröberung der vollständigen kontrafaktischen Daten.
  - Positivität: Die Wahrscheinlichkeit der Behandlungszuweisung und des Nicht-Zensiert-Bleibens ist strikt positiv.
  - Austauschbarkeit (CAR): Der Vergröberungsmechanismus (Behandlung und Zensierung) ist unabhängig von den vollständigen kontrafaktischen Daten gegeben die Basis-Kovariaten und die Historie bis zum aktuellen Zeitpunkt. Entscheidend ist, dass die Zensierung von der Prozesshistorie abhängen darf, im Gegensatz zu Standardannahmen der unabhängigen Zensierung.
Effiziente Einflussfunktion (Efficient Influence Function, EIF):
- Der Zielparameter wird über einen Inverse Probability Weighted (IPW) Estimanden identifiziert.
- Die Autoren leiten die effiziente Einflussfunktion (EIF) für den beobachteten Daten-Estimanden ab. Dies geschieht durch Projektion des Scores der Voll-Daten-Abbildung auf den Tangentialraum des beobachteten Datenmodells und durch Subtraktion der orthogonalen Projektionen auf die Nuisance-Tangentialräume, die mit dem Propensity Score der Behandlung ( $\pi$ ) und dem Zensierungsmechanismus ( $G$ ) assoziiert sind.
- Die EIF hängt von Nuisance-Parametern ab: dem Propensity Score $\pi$ , der Überlebensfunktion $G$ der Zensierung sowie zwei bedingten Erwartungsfunktionen, $Q$ und $\eta$ , welche die erwarteten Ergebnisse gewichtet durch den Kehrwert der Zensierungswahrscheinlichkeit repräsentieren.
Vorgeschlagene Schätzer:
Basierend auf der EIF werden fünf Schätzer vorgeschlagen:
- IPW-Schätzer ( $\hat{\psi}^0_n$ ): Ein einfacher Inverse-Probability-Weighted-Schätzer.
- Augmented IPW-Schätzer ( $\hat{\psi}^\nu_n$ und $\hat{\psi}^\mu_n$ ): Diese enthalten Korrekturterme (Augmentationen), die aus den EIF-Projektionen abgeleitet sind. $\hat{\psi}^\mu_n$ ist ein One-Step-Schätzer, der sowohl die Behandlungs- als auch die Zensierungs-Augmentationsterme enthält.
- Modifizierte AIPW-Schätzer ( $\hat{\psi}^{\nu, mod}_n$ und $\hat{\psi}^{\mu, mod}_n$ ): Diese modifizieren die Standard-AIPW-Schätzer, indem sie die Regressionskoeffizienten (via OLS) für die Augmentationsterme schätzen. Dies soll die Orthogonalität erzwingen, wenn die Schätzungen der Nuisance-Parameter verzerrt sind, was potenziell die Effizienz verbessert.
Schätzung der Nuisance-Parameter:
- $\pi$ und $G$ werden mittels Arbeitsmodellen (logistische Regression für Propensity Scores und Cox-Modelle für Zensierungsraten) geschätzt.
- $Q$ und $\eta$ werden durch die Regression gewichteter Beobachtungen (Pseudo-Outcomes) gegen Zusammenfassungen der Konditionierungsmenge geschätzt.

Wichtigste Ergebnisse
Die Leistungsfähigkeit der fünf Schätzer wurde durch eine Simulationsstudie mit einem Drei-Zustands-Illness-Death-Modell mit Rezidiv ausgewertet, bei dem die Übergangsraten von Basis-Kovariaten abhingen und die Zensierung sowohl von Basis- als auch von zeitabhängiger Historie abhängig war.

Korrekte Spezifikation: Wenn alle Nuisance-Parameter konsistent geschätzt wurden, waren alle Schätzer erwartungstreu (unbiased). Der One-Step-Schätzer ( $\hat{\psi}^\mu_n$ ) wies jedoch den niedrigsten quadratischen Mittelwertfehler (RMSE) auf, was den Effizienzvorteil gegenüber dem einfachen IPW und den teilweise augmentierten Schätzern bestätigt.
Robustheit gegenüber Fehlspezifikation:
- Verzerrter Propensity Score ( $\pi$ ) oder Zensierung ( $G$ ): Der einfache IPW-Schätzer zeigte signifikante Verzerrungen. Die voll augmentierten Schätzer ( $\hat{\psi}^\mu_n$ ) blieben robust (erwartungstreu), selbst wenn $\pi$ oder $G$ fehlspezifiziert waren, sofern die jeweils andere Komponente korrekt spezifiziert war.
- Verzerrte Regressions-Terme ( $Q$ oder $\eta$ ): Wenn die regressionsbasierten Nuisance-Parameter fehlspezifiziert waren, blieben die voll augmentierten Schätzer erwartungstreu, verloren jedoch an Effizienz. Die modifizierten Schätzer ( $\hat{\psi}^{\mu, mod}_n$ ) zeigten in spezifischen Szenarien leichte Verbesserungen des RMSE, was darauf hindeutet, dass sie Effizienzverluste durch Verzerrungen in den Augmentationstermen teilweise mildern können.
Konvergenz: Die Simulationsergebnisse bestätigten die theoretische Hierarchie der Effizienz: $\hat{\psi}^\mu_n$ (One-Step) > $\hat{\psi}^\nu_n$ (teilweise augmentiert) > $\hat{\psi}^0_n$ (IPW).

Bedeutung und Ansprüche
Das Paper behauptet, dass die vorgeschlagenen Schätzer einen robusten und effizienten Ansatz zur Schätzung von Besetzungswahrscheinlichkeiten in Mehrzustandsmodellen unter schwächeren Annahmen als bisher in der Literatur üblich bieten.

Generalisierbarkeit: Im Gegensatz zu früheren Methoden, die auf spezifische Modelle zugeschnitten sind (z. B. Illness-Death ohne Rezidiv oder konkurrierende Risiken unter Markov-Annahmen), lassen sich diese Schätzer auf Mehrzustandsmodelle mit einer beliebigen Anzahl von Zuständen anwenden und erlauben nicht-markovsche Übergänge sowie zeitabhängige Konfundierung.
Lockerung der Zensierungsannahmen: Das Framework erlaubt explizit, dass die Rechtszensierung von der internen Historie des Mehrzustands-Prozesses abhängt – ein Merkmal, das für eine realistische Modellierung (z. B. in Illness-Death-Modellen mit Rezidiven) erforderlich ist, aber unter Standardannahmen der Unabhängigkeit schwer zu handhaben ist.
Doppelte Robustheit: Der One-Step-Schätzer weist Eigenschaften der doppelten Robustheit auf; er bleibt konsistent, wenn entweder die Behandlungs-/Zensierungsmodelle ( $\pi, G$ ) oder die Outcome-Regressionsmodelle ( $Q, \eta$ ) korrekt spezifiziert sind.
Praktischer Nutzen: Die Autoren merken an, dass der One-Step-Schätzer zwar eine ausreichende Stichprobengröße benötigt, um die komplexen Nuisance-Parameter ( $\eta$ ) zu jedem Zensierungszeitpunkt zu schätzen, er jedoch für Datensätze moderater Größe (z. B. 2.500–9.000 Personen) stabil bleibt und eine überlegene Leistung gegenüber IPW bei Modellspezifikationsfehlern bietet.

Die Autoren kommen zu dem Schluss, dass die Annahme der Vergröberung nach Belieben (CAR) zwar eine starke Bedingung ist (was Cross-World-Annahmen impliziert), sie aber ein notwendiges Werkzeug ist, um Likelihood-basierte Inferenz und die Konstruktion semiparametrischer Modelle in Anwesenheit komplexer fehlender Datenstrukturen zu ermöglichen. Die vorgeschlagenen Methoden bieten eine praktische Implementierung dieser theoretischen Fortschritte für die reale Analyse von Mehrzustandsdaten.