Resumen Técnico: Hacia la inferencia eficiente bajo ausencia de datos no monotónica con imputación general

1. Planteamiento del problema

El artículo aborda el desafío de la estimación de parámetros e inferencia en presencia de ausencia de datos no monotónica (también conocida como ausencia de datos por bloques o blockwise missingness). En este escenario, diferentes unidades observan subconjuntos arbitrarios y no anidados de variables (modalidades), un escenario común en estudios modernos de multiómica, registros de salud electrónica y grandes encuestas.

Los enfoques estándar enfrentan dos limitaciones principales:

1. El análisis de casos completos (complete-case analysis) descarta unidades con datos incompletos, lo que potencialmente desperdicia una cantidad sustancial de información y reduce la eficiencia.
2. La imputación directa (sustituir valores faltantes) a menudo falla en preservar una cuantificación de la incertidumbre o eficiencia válidas, particularmente cuando los modelos de imputación están mal especificados o sesgados.

El objetivo es combinar la información de todos los patrones observados para lograr eficiencia semiparamétrica manteniendo la validez bajo funciones de imputación generales (que pueden estar mal especificadas) y bajo el mecanismo de Ausencia de Datos Completamente al Azar (MCAR). El artículo también explora extensiones hacia la Ausencia de Datos al Azar (MAR).

2. Metodología

2.1 Marco Teórico

Los autores enmarcan el problema dentro de la teoría semiparamétrica. Sea $Z$ el vector de datos completos y $\theta^*$ el parámetro objetivo definido por una ecuación de estimación de datos completos $E_P[\psi_F(Z, \theta^*)] = 0$. Bajo MCAR, la función de estimación eficiente semiparamétrica está dada por $\psi_{opt} = L\{M^{-1}[\psi_F]\}$, donde $M$ y $L$ son operadores lineales construidos a partir de las expectativas condicionales específicas de cada patrón. Sin embargo, el operador inverso $M^{-1}$ involucra composiciones complejas de expectativas condicionales a través de los patrones, lo que hace que el estimador eficiente sea generalmente intratable.

2.2 La Descomposición RAY

Para superar la intratabilidad de $M^{-1}$, los autores introducen la Jerarquía de ANOVA Restringida (RAY, por sus siglas en inglés).

• Descomposición Funcional: RAY descompone cualquier función $f$ en una jerarquía de componentes $P_s(f)$ utilizando un principio de inclusión-exclusión restringido a los patrones observados $\mathcal{Q}$.
• Estructura de Casi-Autovector: Bajo MCAR, el operador $M$ actúa sobre estos componentes $P_s(f)$ como un "operador de casi-autovector": $M[P_s(f)] = \lambda_s P_s(f) + \text{Rem}_s(f)$, donde $\lambda_s = P(R \supseteq s)$ es la probabilidad de que una unidad observe al menos las modalidades en el conjunto $s$. El término de residuo $\text{Rem}_s$ involucra composiciones de expectativas condicionales a través de patrones no anidados.
• Aproximación de Forma Cerrada: Al ignorar los términos de residuo (que desaparecen bajo condiciones estructurales específicas) y las composiciones entre patrones, los autores derivan una aproximación tratable y de forma cerrada para $$M^{-1}$$. Esto produce la función de estimación RAY:
  $$\psi(R, Z_R, \theta^*) = \frac{I(R=[p])}{\pi_{[p]}} \psi_F(Z, \theta^*) + \sum_{r \in \mathcal{Q}, r \neq [p]} \omega_r A_r[\psi_F(Z, \theta^*)]$$
  donde $\omega_r$ son pesos de forma cerrada derivados de las probabilidades de los patrones.

2.3 Construcción y Ajuste del Estimador

• Imputación General: El término $A_r[\psi_F]$ representa la esperanza condicional de la función de estimación dado el patrón observado $r$. En la práctica, esto se reemplaza por una función de imputación $F_r(Z_r; \theta)$, que puede ser un modelo predictivo (por ejemplo, redes neuronales) o una aproximación de Monte Carlo. Crucialmente, bajo MCAR, los pesos de RAY tienen media cero y son independientes de las funciones de imputación, lo que garantiza que el estimador sea insesgado incluso si los modelos de imputación están mal especificados.
• Ajuste de Salvaguarda (Safeguard Tuning): Para mejorar la eficiencia, los autores introducen parámetros de ajuste $\alpha_r$ para cada función de imputación. El estimador resuelve una ecuación calibrada por la muestra donde los pesos se ajustan para minimizar un criterio de varianza estimado.
• RAY Adaptativo (aRAY): Reconociendo que ni RAY ni los métodos existentes de Inferencia Potenciada por Imputación (IPI) dominan uniformemente al otro, los autores proponen una clase más amplia de estimadores que incluyen ambos como casos especiales. El estimador RAY adaptativo (aRAY) optimiza los parámetros de ajuste dentro de esta clase para lograr la varianza asintótica mínima.

2.4 Extensión a MAR

El artículo investiga la extensión de RAY al entorno MAR.

• Extensión Directa: Existe un análogo directo de los pesos de MCAR, pero generalmente depende de las modalidades no observadas, lo que lo hace inviable como un estimador de datos observados.
• Extensión Proyectada: Al proyectar las propensiones de la cola sobre las modalidades observadas, se construye un estimador factible. Sin embargo, esto introduce una molestia (nuisance) denominada "propensión de la cola proyectada". Los autores muestran que la estimación de esta molestia contribuye a la ecuación objetivo en primer orden. La inferencia regular es posible si la molestia admite estimadores paramétricos consistentes de raíz-$N$, utilizando estimación apilada (stacked estimation).

3. Contribuciones Clave

1. Aproximación Eficiente de Forma Cerrada: El artículo proporciona una aproximación de forma cerrada y computable para el estimador eficiente semiparamétrico para patrones de ausencia arbitrarios y no monotónicos bajo MCAR, evitando la necesidad de algoritmos iterativos o regresiones anidadas requeridas por el operador inverso exacto.
2. Validez Robusta a la Imputación: El estimador RAY propuesto es válido para arbitrarias funciones de imputación independientes, incluyendo modelos mal especificados o sesgados. La validez está garantizada por la propiedad de media cero de los pesos de RAY bajo MCAR.
3. Eficiencia Adaptativa: La introducción del estimador RAY adaptativo (aRAY), que integra RAY e IPI en una clase más amplia, permite alcanzar la varianza asintótica mínima dentro de dicha clase.
4. Condiciones de Exactitud y Límites de Eficiencia:
   • Los autores establecen una condición necesaria y suficiente para que RAY alcance el límite de eficiencia: los residuos por patrón deben ser cero.
   • Identifican condiciones suficientes verificables para la exactitud, que incluyen: (i) patrones observados con clausura de intersección con modalidades independientes, (ii) patrones monotónicos bajo dependencia arbitraria, y (iii) patrones anclados con modalidades no centrales condicionalmente independientes.
   • Cuando estas condiciones fallan, la brecha de eficiencia se delimita por dos factores interpretables: un factor de correlación (impulsado por la dependencia entre las modalidades privadas de patrones superpuestos) y un factor estructural (impulsado por la ausencia de las intersecciones de patrones requeridas).
5. Análisis de Extensión a MAR: El artículo delinea los obstáculos teóricos para extender RAY al caso general de MAR, identificando el papel específico de las propensiones de la cola proyectadas y los requisitos para la inferencia de raíz-$N$.

4. Resultados

4.1 Estudios de Simulación

Los autores realizaron cuatro experimentos de simulación:

• Variación del Tamaño de la Muestra: RAY y aRAY redujeron consistentemente el Error Cuadrático Medio (RMSE) y el ancho de los intervalos de confianza en comparación con los estimadores de Caso Completo (CC) y de Inferencia Potenciada por Predicción (PPI++), manteniendo una cobertura nominal del 95%.
• Variación de la Calidad de la Imputación: Los estimadores demostraron robustez; a medida que la calidad de la imputación se degradaba hacia ruido puro, los estimadores ajustados revertían automáticamente al rendimiento del estimador de Caso Completo, ilustrando la efectividad del ajuste de salvaguarda.
• Regresión Lineal: En entornos de regresión de baja dimensión, RAY, IPI y aRAY lograron una reducción de RMSE del 6 al 10% y una reducción de la varianza del 12 al 18% respecto a CC.
• Análisis de Sensibilidad: Bajo desviaciones controladas de MCAR hacia MAR y MNAR, los estimadores basados en MCAR exhibieron un aumento en el sesgo y una disminución en la cobertura, con un deterioro que escalaba con la fuerza de la violación del mecanismo de ausencia de datos.

4.2 Aplicación a Multiómica de Célula Única

El método se aplicó para estimar la abundancia de proteínas de superficie (ADT) en datos de célula única donde diferentes ensayos (DOGMA-seq, CITE-seq, ASAP-seq) proporcionan diferentes combinaciones de mediciones de RNA, ATAC y ADT.

• Configuración: Se preentrenaron redes neuronales para predecir ADT a partir de RNA y/o ATAC. Estas se utilizaron como funciones de imputación en el marco de RAY sobre un conjunto de datos de referencia con patrones de ausencia aleatorios.
• Desempeño: Los estimadores aumentados (RAY, IPI, aRAY) lograron un error absoluto menor que el estimador de caso completo. El estimador aRAY fue uniformemente el más eficiente, reduciendo la longitud de los intervalos de confianza hasta en un 35% para proteínas altamente abundantes en comparación con el enfoque de caso completo.

5. Significado y Reivindicaciones

El artículo afirma proporcionar una solución práctica y teóricamente fundamentada para la inferencia eficiente en el escenario cada vez más común de datos con ausencia de datos por bloques. Su importancia radica en:

• Puente entre la Teoría y la Práctica: Traduce el límite de eficiencia semiparamétrica abstracto en un estimador de forma cerrada e implementable que no requiere algoritmos iterativos complejos.
• Robustez: Desacopla la validez de la inferencia de la precisión del modelo de imputación, una característica crítica cuando se utilizan modelos de aprendizaje automático flexibles que pueden estar mal especificados.
• Ganancias de Eficiencia: Demuestra que combinar la información de los diversos patrones de ausencia puede generar ganancias sustanciales de eficiencia sobre el análisis de casos completos, incluso con una imputación imperfecta.
• Clarificación de Limitaciones: El artículo reconoce modestamente que la ventaja de la forma cerrada es fundamentalmente un resultado de MCAR. Bajo MAR general, el método requiere supuestos paramétricos específicos o técnicas de ortogonalización para lograr una inferencia regular, un área que queda para trabajos futuros.

Los autores enfatizan que sus resultados estructurales (condiciones de exactitud) y los límites de eficiencia proporcionan una comprensión clara de cuándo y por qué funciona el método, ofreciando un marco de diagnóstico para los profesionales que lidian con estructuras de datos faltantes complejas.