Comparing Missing Data Methods for Estimating Average Treatment Effects Under Time-Varying Confounding: A Simulation Study
Diese Simulationsstudie evaluiert die Leistungsfähigkeit verschiedener Methoden zur Imputation fehlender Daten für die Schätzung durchschnittlicher Behandlungseffekte unter zeitvariabler Konfundierung und stellt fest, dass die multiple Imputation im Allgemeinen andere Ansätze übertrifft, wenn es darum geht, Bias zu reduzieren und die Abdeckung zu verbessern, insbesondere wenn die Mechanismen der Fehlstellen komplex sind.
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 Detektiv, der versucht, ein Rätsel zu lösen: „Macht das Essen einer bestimmten Art von Süßigkeit einen schneller beim Laufen?“ In der realen Welt können Sie nicht einfach alle Leute in ein Labor stellen und sie zwingen, Süßigkeiten zu essen oder nicht; Sie müssen Menschen beobachten, die ihre Snacks selbst wählen. Aber hier ist der Haken: Die Menschen, die die Süßigkeit wählen, könnten auch diejenigen sein, die bereits schneller laufen, weil sie mehr Sport treiben. Dieser zusätzliche Faktor, der Sport, wird als Confounder (Störfaktor) bezeichnet. Um die wahre Antwort zu erhalten, müssen Sie mathematisch „das Spielfeld ebnen“, sodass die Süßigkeiten-Esser und die Nicht-Esser in jeder Hinsicht so ähnlich wie möglich sind, außer beim Thema Süßigkeiten. Dies ist der Kern der kausalen Inferenz.
Doch das echte Leben ist chaotisch. Manchmal vergessen die Leute zu sagen, was sie gegessen haben, oder sie tauchen gar nicht erst beim Rennen auf. Dies sind fehlende Daten. Wenn Sie einfach die Menschen mit fehlenden Informationen wegwerfen, könnten Sie versehentlich auch die langsamen Läufer wegwerfen, die vergessen haben, es zu melden, wodurch Sie eine Gruppe zurücklassen, die super schnell aussieht, nur weil Sie die langsamen Läufer verloren haben. Dies erzeugt ein verzerrtes Bild. Wissenschaftler haben ausgeklügelte mathematische Werkzeuge entwickelt, um die fehlenden Werte zu erraten und das Bild zu korrigieren, aber sie müssen wissen, welches Werkzeug am besten funktioniert, wenn die fehlenden Teile aus unterschiedlichen Gründen fehlen. Diese Arbeit untersucht genau dieses Problem und testet, welcher Detektiv der beste ist, wenn die Hinweise unvollständig sind.
Das große Rennen der fehlenden Daten
In dieser Studie beschlossen die Autoren Ben, Lars und Victor, ein massives Spiel des „Was wäre wenn?“ mithilfe einer Computersimulation zu spielen. Anstelle echter Menschen erschufen sie 500 verschiedene Versionen einer fiktiven Welt, in der Patienten über einen Zeitraum hinweg eine Impfung (die Behandlung) erhielten. Sie wollten sehen, ob die Impfung wirkte, aber sie wussten, dass die Patienten unterschiedliche Krankengeschichten (Confounder) hatten, die die Ergebnisse verfälschen könnten.
Um es knifflig zu machen, zerstörten sie ihre Daten absichtlich. Sie ließen Informationen auf drei verschiedene Arten verschwinden:
- Der zufällige Fehler (MCAR): Daten verschwinden wie bei einem Münzwurf, ohne Muster.
- Das vorhersehbare Muster (MAR): Daten verschwinden basierend auf Dingen, die wir wissen, wie zum Beispiel, wenn ein Patient älter ist, ist es wahrscheinlicher, dass die Aufzeichnungen fehlen.
- Das heimliche Geheimnis (MNAR): Daten verschwinden basierend auf dem geheimen Wert selbst. Zum Beispiel war es wahrscheinlicher, dass ein Patient aus der Studie ausschied, wenn sich sein Gesundheitszustand tatsächlich verschlechtert hatte – und genau dieser schlechte Gesundheitszustand ist das, was fehlt.
Sie testeten vier verschiedene „Reparatur-Trupps“, um die kaputten Daten zu reparieren:
- Der „Einfach Wegwerfen“-Trupp (Complete-Case Analysis): Sie löschten einfach jeden, der ein fehlendes Stück Information hatte.
- Der „Meistgenutzte Schätzer“-Trupp (Single Mode Imputation): Wenn ein Wert fehlte, füllten sie ihn einfach mit der häufigsten Antwort auf, die sie sahen (wie zu raten, dass alle „Rechtshänder“ sind, weil die meisten Menschen es sind).
- Der „Zwilling suchen“-Trupp (Stratified Hot Deck): Sie suchen nach einer Person, die exakt wie die Person mit den fehlenden Daten war, und liehen sich deren Antwort.
- Der „Supercomputer“-Trupp (Multiple Imputation): Diese Methode erstellt fünf verschiedene Versionen des Datensatzes, füllt die Lücken mit jeweils leicht unterschiedlichen Vermutungen und berechnet dann den Durchschnitt der Ergebnisse, um die Unsicherheit zu berücksichtigen.
Die Ergebnisse: Wer gewinnt das Rennen?
Nachdem sie 500 Simulationen für jedes Szenario durchgeführt hatten (insgesamt 48 verschiedene Welten), waren die Ergebnisse eindeutig.
Der Gewinner: Der Supercomputer-Trupp (Multiple Imputation) war der unangefochtene Champion. In fast jeder Situation lieferte er die genauesten Antworten mit dem geringsten Fehler. Selbst als die Daten auf die heimliche, geheime Weise (MNAR) fehlten, gelang es ihm, seine Konfidenzintervalle (seine „Fehlermarge“) ehrlich zu halten, auch wenn das Ergebnis nicht perfekt war. Er war das einzige Team, das nicht völlig zusammenbrach, als die Daten chaotisch wurden.
Die Verlierer:
- Der „Einfach Wegwerfen“-Trupp war ganz okay, wenn die Daten zufällig fehlten, aber sobald die fehlenden Daten ein Muster aufwiesen, lieferte er verzerrte Antworten. Er hatte auch am meisten damit zu kämpfen, wenn die „Confounder“ (die zusätzlichen Faktoren) sehr stark waren.
- Der „Meistgenutzte Schätzer“-Trupp schnitt in allen Bereichen schlecht ab. Das Auffüllen fehlender binärer Daten (wie Ja/Nein) mit der häufigsten Antwort verzerrte die Realität der Situation und führte zu schlechten Schätzungen.
- Der „Zwilling suchen“-Trupp war besser als die ersten beiden, konnte aber dennoch nicht mit dem Supercomputer-Trupp mithalten.
Die Wendungen der Handlung
Die Studie fand heraus, dass der Grund, warum die Daten fehlten, wichtiger war als alles andere. Wenn Daten aus einem geheimen Grund (MNAR) fehlten, hatten alle Schwierigkeiten, aber der Supercomputer-Trupp bewältigte es am besten.
Sie entdeckten auch, dass die Größe der Gruppe entscheidend war. Bei kleineren Gruppen (1.000 Personen) waren die Ergebnisse wackeliger und weniger zuverlässig. Bei größeren Gruppen (5.000 Personen) funktionierten die Methoden viel besser.
Interessanterweise änderte die Stärke der Konfundierung (wie sehr die zusätzlichen Faktoren die Sache beeinflussten) nicht viel an der Verzerrung (der Richtung des Fehlers), aber sie ließ die Konfidenzintervalle schrumpfen oder expandieren. Wenn die Konfundierung sehr stark war, hatten der „Einfach Wegwerfen“-Trupp und der „Meistgenutzte Schätzer“-Trupp viel größere Schwierigkeiten, die Wahrheit zu finden, während der Supercomputer-Trupp relativ stabil blieb.
Das Fazit
Diese Simulationsstudie legt nahe, dass Multiple Imputation Ihre beste Wahl ist, wenn Sie versuchen, Ursache und Wirkung in einer Welt voller fehlender Daten zu verstehen. Es ist das robusteste Werkzeug im Werkzeugkasten. Während einfachere Methoden wie das bloße Löschen fehlender Fälle leichter erscheinen mögen, führen sie oft in die falsche Richtung, besonders wenn die fehlenden Daten nicht nur durch unglückliche Zufälle entstehen.
Die Autoren warnen davor, dass ihre Computersimulationen diese Ergebnisse zwar klar zeigen, das echte Leben jedoch noch chaotischer ist als ihre fiktiven Welten. Sie schlagen vor, dass zukünftige Forschung sogar noch komplexere Wege untersuchen sollte, wie Daten fehlen können, und noch ausgefeiltere Werkzeuge testen sollte. Aber für den Moment gilt: Wenn Sie das Rätsel von Ursache und Wirkung lösen wollen, ohne den Verstand über fehlende Hinweise zu verlieren, ist der Supercomputer-Trupp derjenige, dem man vertrauen kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.