Optimal two-phase sampling designs for generalized raking estimators with multiple parameters of interest

A continuación presento un resumen técnico detallado del artículo "Optimal two-phase sampling designs for generalized raking estimators with multiple parameters of interest" (Diseños óptimos de muestreo en dos fases para estimadores de raking generalizado con múltiples parámetros de interés), traducido y sintetizado al español.

---

1. Planteamiento del Problema

Los grandes conjuntos de datos observacionales, como los registros electrónicos de salud (EHR), son recursos valiosos para la investigación médica, pero a menudo sufren de valores faltantes, errores de medición y mala clasificación. Para abordar esto, se utiliza el muestreo en dos fases:

• Fase 1: Se recopilan variables baratas (pero ruidosas o incompletas) para toda la cohorte.
• Fase 2: Se selecciona una submuestra para obtener medidas de alta calidad (validación) de las variables de interés.

El desafío central de este trabajo es el diseño óptimo de la Fase 2 cuando existen múltiples parámetros de interés simultáneos (por ejemplo, estimar los coeficientes de regresión para dos o más resultados distintos).

La literatura previa ha optimizado diseños para:

1. Estimadores de Ponderación por Probabilidad Inversa (IPW) en configuraciones de un solo parámetro o múltiples parámetros no adaptativos.
2. Estimadores de Raking Generalizado (GR) en configuraciones de un solo parámetro.

Sin embargo, existía una brecha en la comprensión de cómo diseñar muestreos adaptativos y multi-onda (donde los datos de ondas anteriores informan las siguientes) para estimadores GR cuando hay múltiples parámetros. Los autores cuestionan si las estrategias óptimas para IPW siguen siendo óptimas para GR en este contexto complejo.

2. Metodología

El estudio se basa en la teoría de estimación basada en el diseño (design-based) y la linealidad asintótica de los estimadores.

A. Fundamentos Teóricos

• Estimadores: Se comparan los estimadores IPW y los estimadores de Raking Generalizado (GR). Los estimadores GR ajustan los pesos de muestreo para que coincidan con los totales poblacionales conocidos de variables auxiliares (raking variables), lo que generalmente reduce la varianza si estas variables están correlacionadas con el parámetro de interés.
• Funciones de Influencia: Se asume que el estimador $\hat{\beta}$ es asintóticamente lineal, expresable como una suma de funciones de influencia ($h_i$). La varianza del estimador depende de la varianza de estas funciones dentro de las estratos.
• Muestreo Multi-onda: Se divide la Fase 2 en varias ondas (waves). La información recopilada en ondas anteriores se utiliza para refinar la asignación de muestras en ondas posteriores, permitiendo una estimación más precisa de los parámetros de diseño (como las desviaciones estándar de las funciones de influencia).

B. Estrategias de Asignación Propuestas

Para un conjunto de $P$ parámetros de interés, los autores proponen y evalúan tres estrategias principales de asignación de la muestra de la Fase 2 ($n$):

1. Asignación Independiente (Simultánea y Secuencial):

   • Simultánea: En cada onda, se calcula la asignación óptima (Neyman o Neyman-Wright) para cada parámetro por separado y se suman las asignaciones de estrato.
   • Secuencial: En cada onda, se optimiza la asignación para un solo parámetro, rotando el enfoque entre ondas.

2. Optimalidad A (A-Optimality) Priorizada:

   • Objetivo: Minimizar la traza de la matriz de varianza-covarianza (suma de varianzas) de los estimadores de los $P$ parámetros.
   • Se introduce un método de asignación entera exacta (extensión del algoritmo de Wright) que minimiza $\sum_{p=1}^P a_p \sum_{k=1}^K \frac{N_k^2 \sigma_{p,k}^2}{n_k}$, sujeto a restricciones de tamaño de muestra entero.
   • Permite ponderar la importancia relativa de cada parámetro ($a_p$).

3. Extensión a Raking Generalizado (GR):

   • Se demuestra que para GR, la asignación óptima no debe basarse simplemente en la varianza de las funciones de influencia brutas ($h_i$), sino en la varianza de los residuos ($\epsilon_i$) de la regresión de las funciones de influencia sobre las variables de raking disponibles en la Fase 1.
   • Hallazgo Crítico: En el escenario de múltiples parámetros, el diseño óptimo para GR puede diferir sustancialmente del diseño óptimo para IPW si la correlación entre las variables de raking y las funciones de influencia varía entre los diferentes parámetros.

3. Contribuciones Clave

1. Derivación de Diseños Adaptativos Multi-onda: Se extienden los resultados de optimización a diseños que utilizan datos acumulativos de ondas previas para refinar la asignación de muestras en tiempo real.
2. Algoritmo de Asignación Entera A-Óptima: Se desarrolla un nuevo algoritmo (basado en la extensión de Wright) que proporciona una solución exacta de números enteros para la asignación óptima de múltiples parámetros, respetando las restricciones de tamaño de estrato.
3. Diferenciación IPW vs. GR en Múltiples Parámetros: El trabajo demuestra que, a diferencia del caso de un solo parámetro donde los diseños óptimos para IPW y GR son similares, en el caso de múltiples parámetros, optimizar para IPW puede ser subóptimo para GR. Esto ocurre cuando la calidad de las variables de la Fase 1 (proxy) varía drásticamente entre los diferentes parámetros de interés.
4. Implementación Práctica: Se ha integrado la asignación A-óptima en el paquete de R optimall, facilitando su uso en la práctica.

4. Resultados

A. Estudio de Simulación

Se realizaron simulaciones extensas (2,500 repeticiones) bajo diversos escenarios de correlación y error de medición, estimando coeficientes de regresión logística para dos o más resultados.

• Eficiencia de GR vs. IPW: Los estimadores GR superaron consistentemente a los IPW en todas las estrategias de muestreo. La ganancia de eficiencia fue mayor en diseños de casos y controles no óptimos.
• Rendimiento de las Estrategias de Asignación:
  • La Asignación A-Óptima (Estrategia 5) logró la mejor eficiencia relativa empírica (ERE) en casi todos los escenarios, minimizando la suma de varianzas.
  • La estrategia Simultánea se acercó mucho al rendimiento A-óptimo, pero fue ligeramente inferior.
  • Las estrategias Secuenciales mostraron un sesgo de eficiencia: el parámetro optimizado en las últimas ondas tenía una varianza muy baja, pero a expensas de una mayor varianza para los parámetros optimizados en las primeras ondas.
• Impacto del Error de Medición: A mayor error en la Fase 1, menor fue la ventaja de la asignación óptima sobre el muestreo aleatorio simple, y menor fue la ventaja de GR sobre IPW (ya que las variables auxiliares eran menos informativas).

B. Ejemplo de Datos Reales (Estudio VCCC HIV)

Se aplicaron las estrategias a datos de una cohorte de pacientes con VIH en Vanderbilt, estimando coeficientes para dos resultados: muerte y evento definitorio de SIDA (ADE).

• Contexto: Las variables de la Fase 1 (EHR) tenían un error de medición muy alto para el ADE (34.5% de error en el tiempo) pero bajo para la muerte.
• Resultado:
  • El diseño A-óptimo basado en GR identificó que el raking sería muy efectivo para el parámetro "muerte" (alta correlación entre proxy y verdad) pero poco efectivo para "ADE".
  • Por lo tanto, el diseño asignó la muestra de la Fase 2 para priorizar la reducción de varianza en "ADE" (el parámetro más difícil), imitando un diseño óptimo univariado para IPW en ese parámetro específico.
  • Esto resultó en un equilibrio de eficiencias que los diseños optimizados solo para IPW no lograron. La varianza total fue minimizada significativamente en comparación con el muestreo de casos y controles.

5. Significado y Conclusiones

Este trabajo proporciona una guía práctica fundamental para estudios de dos fases en la era de los datos masivos de salud.

• Importancia de la Adaptabilidad: El muestreo multi-onda adaptativo es superior a los diseños estáticos, permitiendo aprender de los datos a medida que se recopilan.
• Necesidad de Diseños Específicos para GR: En estudios con múltiples objetivos, no se puede asumir que un diseño óptimo para IPW servirá para GR. La calidad de las variables de la Fase 1 puede variar entre parámetros, requiriendo estrategias de asignación que consideren explícitamente la estructura de residuos del raking.
• Recomendación Práctica: Se recomienda encarecidamente el uso de la asignación A-óptima (especialmente la versión entera derivada) en lugar de dividir arbitrariamente la muestra o optimizar secuencialmente. Esto asegura un equilibrio robusto en la eficiencia de todos los parámetros de interés, maximizando el valor de la inversión en la validación de datos costosos.

En resumen, los autores demuestran que la combinación de muestreo adaptativo multi-onda, estimadores de raking generalizado y asignación A-óptima ofrece la estrategia más eficiente y robusta para inferencias estadísticas en estudios con datos incompletos o propensos a errores.