Bayes Factor Group Sequential Designs

Resumen Técnico: Diseños Secuenciales de Factor de Bayes

Planteamiento del Problema
Los diseños secuenciales, que permiten el cese temprano basado en análisis intermedios, son altamente deseables en campos como los ensayos clínicos y los experimentos con animales para reducir los tamaños de muestra y las cargas éticas. Si bien los métodos bayesianos, particularmente aquellos que utilizan factores de Bayes, se adaptan naturalmente al análisis secuencial debido a su mecanismo inherente de actualización y su falta de sensibilidad a la multiplicidad, su adopción práctica se ha visto obstaculizada por desafíos computacionales. Específicamente, diseñar estudios secuenciales de factor de Bayes requiere determinar características clave como la probabilidad de obtener evidencia concluyente (análoga a la potencia y al error tipo I) y el tamaño de muestra esperado. Actualmente, el cálculo de estas métricas suele depender de simulaciones de Monte Carlo computacionalmente intensivas porque no existen métodos numéricos eficientes o de forma cerrada. Esta dependencia de la simulación hace que el prototipado y la comparación de diferentes opciones de diseño sean lentos y estén sujetos al error de Monte Carlo, lo que limita la capacidad de los investigadores para optimizar los diseños de estudio.

Metodología
Los autores proponen un nuevo marco que extiende la teoría clásica de los diseños secuenciales de grupo (GSD) a los diseños secuenciales de factor de Bayes, permitiendo un cálculo rápido, preciso y libre de simulaciones de las características del diseño. La innovación metodológica central involucra tres pasos:

1. Mapeo de Factores de Bayes a Estadísticos Z: Los autores expresan el factor de Bayes ($BF_{01}$) como una función del estadístico $z$ ($z = (\hat{\theta} - \theta_0)/\sigma$), donde $\hat{\theta}$ es la estimación del parámetro y $\sigma$ es su error estándar. Para varios tipos comunes de factores de Bayes (por ejemplo, nulo puntual frente a alternativa direccional, nulo puntual frente a alternativa puntual), derivan valores $z$ críticos correspondientes a umbrales de evidencia específicos ($k_0$ y $k_1$). En los casos donde no hay una solución de forma cerrada para el valor $z$ crítico, se emplea la búsqueda de raíces numéricas.
2. Definición de Regiones de Parada: Basándose en estos valores críticos, los autores definen regiones de parada en el espacio de los estadísticos $z$ acumulados. Para los factores de Bayes con un único valor crítico, estas regiones forman hiperrectángulos de $i$ dimensiones. Para aquellos con dos valores críticos (por ejemplo, alternativas bilaterales), las regiones consisten en uniones de hiperrectángulos. La probabilidad de detenerse en un análisis intermedio específico es equivalente a la probabilidad de que el vector de estadísticos $z$ acumulativos caiga dentro de estas regiones específicas.
3. Integración Normal Multivariante: Asumiendo que el vector de estadísticos $z$ acumulados sigue una distribución normal multivariante canónica (o una distribución predictiva-a priori marginal cuando se especifica un prior de diseño), los autores calculan las probabilidades de estas regiones de parada mediante la integración normal multivariante. Este enfoque utiliza algoritmos de integración unidimensional recursivos o implementaciones modernas de integración normal multivariante (por ejemplo, a través del paquete mvtnorm de R) para calcular las probabilidades de parada de manera determinista.

El marco acomoda tanto valores de parámetros fijos (características operativas frecuentistas) como priors de diseño (potencia predictiva bayesiana/aseguramiento) ajustando la estructura de media y covarianza de la distribución del estadístico $z$.

Contribuciones Clave y Resultados

• Cálculo Libre de Simulación: La principal contribución es un método que elimina la necesidad de simulaciones de Monte Carlo. Los autores demuestran que las características del diseño pueden calcularse en segundos, una reducción significativa comparada con los minutos u horas requeridas por los enfoques basados en simulación.
• Implementación de Código Abierto: El método está implementado en el paquete de código abierto bfpwr de R, haciendo que la planificación de diseños secuenciales de factor de Bayes sea tan sencilla como los GSD clásicos.
• Aplicación a Diversos Escenarios: El artículo ilustra el método a través de varios casos de estudio:
  • Ensayo Clínico de Bajo PV: Reanalizando un ensayo sobre ropeginterferón alfa-2b, los autores muestran cómo calcular la probabilidad de evidencia concluyente y determinar el tamaño de muestra requerido para alcanzar una probabilidad del 90% de evidencia correcta. Demuestran que aumentar el número de análisis intermedios puede mejorar la eficiencia, pero debe equilibrarse con el riesgo de evidencia engañosa.
  • Experimento de Pérdida de Peso en Ratas: En un entorno preclínico, el método se utiliza para planificar un estudio de replicación. Utilizando un prior de diseño basado en datos originales, los autores muestran cómo optimizar los tamaños de muestra en diferentes grupos de dosis, potencialmente salvando animales mientras mantienen altas probabilidades de inferencias informativas.
  • Prueba t de Bayes Secuencial: El marco se extiende a la prueba $t$ secuencial (incluyendo el factor de Bayes de Jeffreys-Zellner-Siow). Los autores replican un diseño de estudio psicológico que involucra 61 análisis intermedios, mostrando que su método arroja resultados casi idénticos a las estimaciones basadas en simulación (por ejemplo, 70.3% frente a 70.6% para la parada por $H_1$) pero con un tiempo de computación drásticamente reducido.

Significancia y Limitaciones
El artículo afirma que este enfoque hace que la exploración de diseños secuenciales de factor de Bayes sea "tan sencilla como los diseños secuenciales de grupo clásicos", eliminando así una barrera importante para su adopción. Al proporcionar un marco unificado que maneja tanto las características predictivas bayesianas como las características operativas frecuentistas, el método facilita el diseño de experimentos informativos y eficientes.

Los autores se mantienen modestos respecto al alcance de su método. Reconocen que el enfoque depende de la suposición de que el factor de Bayes puede expresarse como una función del estadístico $z$ y que los estadísticos acumulados siguen (al menos aproximadamente) una distribución normal multivariante canónica. Por consiguiente, el método puede no aplicarse directamente a escenarios con tamaños de muestra pequeños y datos binarios o probabilidades extremas, donde estas suposiciones podrían fallar, lo que podría requerir un retorno a la simulación u otros métodos numéricos. Las direcciones de investigación futuras incluyen el desarrollo de modificaciones para estas situaciones no canónicas.