Resumen Técnico: Examen de la Eficacia del Emparejamiento Exacto Coartado (CEM) como Alternativa al Emparejamiento por Propensión (PSM)

1. Planteamiento del Problema

El Emparejamiento Exacto Coartado (CEM, por sus siglas en inglés) es promovido frecuentemente en la investigación de efectividad comparativa como una alternativa superior al Emparejamiento por Propensión (PSM) para abordar el desequilibrio de covariables, la dependencia del modelo y el sesgo estadístico. Los defensores argumentan que el CEM mejora al PSM al reducir la "paradoja del PSM", donde se afirma que el PSM aumenta el desequilibrio y la dependencia del modelo a medida que se acerca al emparejamiento exacto mediante la poda de pares mal emparejados.

Sin embargo, este documento sostiene que la recomendación de reemplazar el PSM con el CEM es incierta y potencialmente errónea debido a tres problemas principales:

1. Caracterización Errónea de la Exactitud: El CEM es etiquetado incorrectamente como "emparejamiento exacto". En realidad, depende de variables coartadas (datos continuos agrupados o categorías agrupadas), no de las variables originales. Esta inexactitud inherente introduce un desequilibrio residual sistemático que no desaparece con el aumento del tamaño de la muestra.
2. Interpretación Equívoca de las Métricas de Desequilibrio: Estudios previos que afirman que el CEM supera al PSM en la reducción del desequilibrio suelen utilizar métricas como la distancia de Mahalanobis. Estas métricas no logran distinguir entre el desequilibrio sistemático y la variación aleatoria (desequilibrio por azar). En el PSM, las diferencias de covariables entre pares emparejados con puntuaciones de propensión idénticas surgen por azar y tienden a cancelarse a medida que aumenta el tamaño de la muestra; sin embargo, el desequilibrio del CEM es estructural y persistente.
3. Dependencia del Modelo y Dimensionalidad: Debido a que el CEM deja un desequilibrio residual, la estimación insesgada requiere un modelado de regresión post-emparejamiento preciso de la relación entre el resultado y la covariable. Esto aumenta la vulnerabilidad a la especificación incorrecta del modelo. Además, el CEM sufre de la "maldición de la dimensionalidad" cuando se realiza el emparejamiento con muchas covariables, lo que conduce a una pérdida sustancial de datos a menos que se utilice un coartado agresivo, lo cual, a su vez, exacerba el desequilibrio residual.

2. Metodología

Marco Teórico y Supuestos

El estudio opera bajo los supuestos estándar de inferencia causal: el Supuesto de Estabilidad de la Unidad de Tratamiento (SUTVA), la Ignorabilidad Condicional (No Confusión), la Positividad y un modelo de resultado lineal (o de interacción).

• PSM: Utiliza la puntuación de propensión $e(X) = P(W=1|X)$, que posee la propiedad de puntuación de equilibrio ($W \perp\!\!\perp X | e(X)$) y ignorabilidad fuerte. El documento plantea que en un diseño de PSM de emparejamiento exacto, los desequilibrios de las covariables por azar no introducen sesgo, y se puede lograr una estimación insesgada mediante una simple diferencia de medias sin necesidad de modelado del resultado.
• CEM: Implica un paso de "coartado" donde las variables continuas se agrupan en intervalos y las variables categóricas se agrupan para crear un vector de menor dimensión $C$. El emparejamiento ocurre sobre los valores exactos de $C$. Crucialmente, $C$ no es un estadístico suficiente para $X$ respecto a la asignación del tratamiento, lo que significa que $W \not\perp\!\!\perp X | C$. Esto resulta en un desequilibrio sistemático dentro de los estratos ($\delta_c \neq 0$) que persiste independientemente del tamaño de la muestra.

Métricas Propuestas

El documento critica las métricas de desequilibrio existentes (por ejemplo, la distancia de Mahalanobis, las métricas $L_1$) por ignorar la dirección de los desequilibres por azar, lo que impide que promedien cero en los estudios de simulación.

• Nueva Métrica: Los autores proponen una métrica de desequilibrio multivariante basada en la Diferencia de Medias Estandarizada (SMD). Esta métrica suma los valores absolutos de los promedios de las SMD a través de muestras simuladas, diseñada específicamente para capturar el desequilibrio sistemático (que se desvía de cero) frente al desequilibrio por azar (que promedia cero).

Diseño de la Simulación

El estudio emplea un estudio de simulación exhaustivo que compara el CEM (usando coartado "Auto" mediante la regla de Sturges y coartado "G3" en tres grupos) contra el PSM (emparejamiento de vecino más cercano con un caliper de 0.2).

• Escenarios:
  • Efectos de Tratamiento Homogéneos vs. Heterogéneos: Evaluando el desempeño bajo efectos de tratamiento constantes y variables.
  • Especificación del Modelo: Probando el desempeño bajo modelos de resultado correctamente especificados e incorrectamente especificados (incluyendo no linealidades e interacciones).
  • Dimensionalidad: Variando el número de confundidores ($p=2, 5, 7$) para evaluar la maldición de la dimensionalidad.
  • Prevalencia del Tratamiento: Examinando tasas de tratamiento bajas (10%) frente a altas (30%) para evaluar el sesgo en la estimación del Efecto Promedio del Tratamiento en los Tratados (PATT).
• Análisis: El estudio evalúa el sesgo, la varianza y el Error Cuadrático Medio (MSE) utilizando tanto análisis no ajustados (diferencias de medias) como análisis ajustados (regresión con términos lineales).

3. Contribuciones Clave y Resultados

1. Desequilibrio Sistemático vs. Aleatorio

• Hallazgo: En el PSM, el desequilibrio de las covariables entre los pares emparejados es aleatorio y converge a cero a medida que aumenta el número de pares. En el CEM, el desequilibrio es sistemático y está impulsado por el proceso de coartado; no disminuye con mayores tamaños de muestra.
• Resultado: Los análisis no ajustados (simples diferencias de medias) son sustancialmente menos sesgados bajo PSM que bajo CEM. El CEM requiere un ajuste de regresión post-emparejamiento para mitigar el desequilibrio residual, mientras que el PSM no requiere estrictamente dicho ajuste para una estimación insesgada bajo la propiedad de la puntuación de equilibrio.

2. Dependencia del Modelo y Especificación Incorrecta

• Hallazgo: La dependencia del CEM de las variables coartadas significa que la estimación insesgada depende de un modelado correcto de la relación entre el resultado y los confundidores originales.
• Resultado: Cuando el modelo de resultado está mal especificado, el CEM produce un sesgo significativamente mayor que el PSM. El documento proporciona una proposición teórica (Proposición 1) demostrando que en un diseño de PSM de emparejamiento exacto, una clase de modelos lineales mal especificados (que omiten términos no lineales o de interacción) aún puede producir estimaciones del ATT asintóticamente insesgadas. En contraste, el CEM sigue siendo altamente sensible a la especificación incorrecta del modelo debido a su desequilibrio residual estructural.

3. La Maldición de la Dimensionalidad y los Compromisos del Coartado

• Hallazgo: A medida que aumenta el número de covariables, el CEM con un coartado fino (por ejemplo, "Auto") sufre una pérdida severa de datos (sesgo de dispersión), lo que conduce a estimaciones inestables.
• Resultado: Aumentar el nivel de coartado (por ejemplo, "G3") mitiga la pérdida de datos pero introduce un mayor desequilibrio residual y dependencia del modelo. En consecuencia, en entornos de alta dimensionalidad, el CEM funciona peor que el PSM en términos de sesgo, varianza y MSE, particularmente cuando el modelo de resultado está mal especificado.

4. Efectos de Tratamiento Heterogéneos

• Hallazgo: Los patrones observados para efectos homogéneos persisten bajo efectos de tratamiento heterogéneos.
• Resultado: El PSM demuestra consistentemente un menor sesgo y varianza en comparación con el CEM, especialmente cuando la prevalencia del tratamiento es alta y el modelo de resultado está mal especificado. Los estimadores analíticos en PSM superan a los estimadores basados en modelos en CEM bajo especificación incorrecta.

4. Significado y Reivindicaciones

El documento concluye que el CEM no es una alternativa viable al PSM cuando se realiza el emparejamiento con un gran número de covariables.

• Corrección de Conceptos Erróneos: El estudio desafía la visión predominante en la literatura clínica de que el CEM imita un experimento aleatorizado totalmente bloqueado o es superior al PSM en la reducción del desequilibrio y la dependencia del modelo. Clarifica que el CEM es un método de emparejamiento inexacto que introduce un sesgo estructural.
• Guía Metodológica: Los autores argumentan que las afirmaciones de la superioridad del CEM a menudo provienen del uso de métricas de desequilibrio inapropiadas (como la distancia de Mahalanobis) que no tienen en cuenta la variación por azar. Cuando se evalúan con métricas apropiadas basadas en SMD, el PSM demuestra un equilibrio de covariables superior.
• Robustez: Se demuestra que el PSM es más robusto a la especificación incorrecta del modelo. Si bien el CEM reduce la dependencia del modelo en relación con los datos no emparejados, sigue siendo más dependiente del modelado correcto del resultado que el PSM.
• Limitaciones: El documento reconoce que el PSM no es una panacea; no puede abordar la confusión no medida y depende de la correcta especificación del modelo de la puntuación de propensión. Sin embargo, dentro del alcance de los confundidores observados, el PSM ofrece un marco más robusto para reducir el sesgo y la dependencia del modelo que el CEM, particularmente en entornos de alta dimensionalidad.

El estudio aboga por una reevaluación del papel del CEM en la investigación observacional, sugiriendo que sus ventajas teóricas se ven a menudo anuladas por limitaciones prácticas relacionadas con el desequilibrio residual y la maldición de la dimensionalidad.