Tilted sensitivity analysis in matched observational studies

Problema
En los estudios observacionales emparejados, los investigadores agrupan unidades tratadas y de control con covariables observadas similares para estimar los efectos del tratamiento. Sin embargo, los confundidores no observados pueden inducir un sesgo oculto, donde las unidades con respuestas mayores tienen más probabilidades de recibir el tratamiento. El análisis de sensibilidad, siguiendo el modelo de Rosenbaum (1987), cuantifica la robustez de los hallazgos ante tal sesgo mediante la determinación de la magnitud del confundidor no medido ($\Gamma$) necesaria para invalidar las conclusiones del estudio.

Si bien el análisis de sensibilidad para estudios emparejados (un tratado, un control) está bien establecido con soluciones de forma cerrada para los p-valores del peor caso y la sensibilidad del diseño, la extensión de estos métodos a estudios con múltiples controles (conjuntos emparejados con $n_i > 2$) presenta obstáculos técnicos significativos. El enfoque prevalente, el "algoritmo separable" (Gastwirth et al., 2000), requiere resolver $I$ problemas de optimización para encontrar el peor patrón de confusión no medida. Crucialmente, para $n_i > 2$, este algoritmo no proporciona una expresión de forma cerrada para la esperanza del peor caso, y el peor patrón cambia a medida que varía el parámetro de sensibilidad $\Gamma$. Esta falta de soluciones de forma cerrada dificulta el cálculo analítico de la "sensibilidad del diseño" (Rosenbaum, 2004)—una métrica que describe la capacidad de un estadístico de prueba para distinguir los efectos del tratamiento del sesgo—, obligando a depender de simulaciones de Monte Carlo para comparaciones teóricas.

Metodología
El artículo introduce un procedimiento de "análisis de sensibilidad inclinado" (tilted sensitivity analysis). Para cualquier estadístico candidato $T = \sum Z_{ij}q_{ij}$, el método define un estadístico modificado e "inclinado" $T_{\Gamma i}$ para cada conjunto emparejado $i$:
$$T_{\Gamma i} = T_i - \bar{q}_i - \left(\frac{\Gamma - 1}{1 + \Gamma}\right)|T_i - \bar{q}_i|$$
donde $T_i$ es el estadístico original para el conjunto $i$, y $\bar{q}_i$ es la media de las puntuaciones $q_{ij}$ dentro de ese conjunto.

Esta modificación se construye de tal manera que el peor patrón de confusión no medida (el vector $u$ que maximiza la esperanza bajo la hipótesis nula nítida o sharp null) esté disponible en forma cerrada y sea invariante al valor de $\Gamma$. Específicamente, el confundidor del peor caso asigna $u_{ij}=1$ si $q_{ij} > \bar{q}_i$ y $u_{ij}=0$ en caso contrario. Bajo este patrón específico, la esperanza del estadístico inclinado es cero, y su varianza viene dada por una expresión de forma cerrada.

El artículo demuestra que este enfoque unifica los métodos existentes:

1. Estadísticos de puntuación de signo (sign-score statistics): Para estadísticas que toman solo dos valores (por ejemplo, en diseños emparejados o pruebas de Mantel-Haenszel), el enfoque inclinado reproduce exactamente el análisis de sensibilidad convencional.
2. Ponderación por la probabilidad inversa (IPW): Se demuestra que el estadístico inclinado es equivalente a un estadístico IPW centrado en el minimax, diferenciándose únicamente por un peso del conjunto emparejado.

Contribuciones Clave

1. Distribución del peor caso de forma cerrada: A diferencia del algoritmo separable, el enfoque inclinado proporciona una expresión de forma cerrada para la esperanza y la varianza del peor caso para cualquier estructura de emparejamiento, incluyendo aquellas con múltiples controles. Esto elimina la necesidad de optimización iterativa en el paso de análisis de sensibilidad.
2. Sensibilidad del diseño de forma cerrada: El artículo deriva una expresión de forma cerrada para la sensibilidad del diseño del estadístico inclinado para cualquier estructura de emparejamiento:
   $$\tilde{\Gamma}_{tilt} = \frac{\eta + \theta}{\eta - \theta}$$
   donde $\theta$ es el límite de probabilidad de la contribución promedio del efecto del tratamiento y $\eta$ es el límite de probabilidad de la contribución absoluta promedio. Esto permite comparaciones analíticas de estadísticas de prueba competidoras, lo cual era previamente inviable para diseños con múltiples controles sin recurrir a la simulación.
3. Combinación adaptativa: El artículo propone un procedimiento adaptativo que combina los enfoques inclinado y convencional. Utilizando un marco de prueba unilateral multivariante (Cohen et al., 2020), este método pondera adaptativamente los dos estadísticos para lograr una sensibilidad de diseño no menor que el máximo de los dos enfoques individuales, protegiendo contra la selección a priori de un método subóptimo.

Resultos

• Comparaciones Teóricas: A través de derivaciones analíticas y simulaciones de Monte Carlo, el artículo muestra que el enfoque inclinado generalmente mejora la sensibilidad del diseño sobre el enfoque convencional para distribuciones de error simétricas y con sesgo a la derecha. Por el contrario, para distribuciones con sesgo a la izquierda, el enfoque convencional suele retener una sensibilidad de diseño superior.
• Efecto de los Controles: Para las $m$-estadísticas (una clase que incluye la diferencia de medias y las pruebas de rango), la sensibilidad del diseño del enfoque inclinado es no decreciente en el número de controles emparejados $J$, y estrictamente creciente bajo condiciones leves.
• Aplicaciones en Datos Reales: En cinco ejemplos de datos reales (que cubren consumo de tabaco, consumo de pescado, educación, alcohol y consumo ligero de alcohol), el enfoque inclinado produjo frecuentemente valores de sensibilidad más altos (indicando mayor robustez al sesgo oculto) que el enfoque convencional, particularmente en conjuntos de datos con resultados sesgados a la derecha o estadísticos de prueba específicos. El enfoque adaptativo generalmente funcionó tan bien como el mejor método individual y significativamente mejor que el peor.

Significancia
El artículo sostiene que el análisis de sensibilidad inclinado ofrece una alternativa práctica y teóricamente superior para estudios observacionales emparejados con múltiples controles. Al proporcionar soluciones de forma cerrada tanto para la distribución del peor caso como para la sensibilidad del diseño, elimina las barreras computacionales y teóricas que han limitado el desarrollo de la inferencia robusta en entornos de múltiples controles. La capacidad de comparar analíticamente las sensibilidades de diseño facilita un mejor diseño de estudios y la selección de estadísticas de prueba más robustas. Además, la combinación adaptativa asegura que los investigadores no tengan que elegir entre los métodos inclinado y convencional a priori, proporcionando una salvaguarda contra decisiones metodológicas deficientes mientras se mantiene o mejora la robustez reportada de los hallazgos observacionales.