Efficient Targeted Maximum Likelihood Estimators for Two-Phase Design Problems

Aquí presento un resumen técnico detallado del artículo "Efficient Targeted Maximum Likelihood Estimators for Two-Phase Design Problems" (Estimadores Eficientes de Máxima Verosimilitud Dirigida para Problemas de Diseño de Dos Fases), escrito por Sky Qiu et al.

1. Planteamiento del Problema

El artículo aborda el problema de la estimación de parámetros causales (específicamente el Efecto Promedio del Tratamiento o ATE) en el contexto de diseños de muestreo de dos fases.

• Estructura de los datos:
  • Fase 1: Se extrae una muestra aleatoria de la población objetivo y se observa un subconjunto de variables ($V$, que incluye covariables básicas $W_1$, tratamiento $A$ y resultado $Y$).
  • Fase 2: Se selecciona una submuestra de la cohorte de la Fase 1 para medir un conjunto adicional de variables ($W_2$), que suelen ser costosas o difíciles de obtener.
• Estructura de datos coarsened (agravada): Los datos completos $X = (W_1, W_2, A, Y)$ solo están disponibles para la submuestra de la Fase 2. Para el resto, solo se observa $V$.
• Suposición clave: Se asume Coarsening at Random (CAR), lo que implica que el mecanismo de muestreo de la Fase 2 ($\Delta$) depende únicamente de las variables observadas en la Fase 1 ($V$) y no de las variables no observadas ($W_2$) ni del resultado potencial.
• Objetivo: Estimar el ATE ($\Psi_F = E[Y_1 - Y_0]$) de manera eficiente y robusta, aprovechando tanto la información de la Fase 1 como la de la Fase 2, sin depender de suposiciones paramétricas fuertes sobre los modelos de regresión.

2. Metodología y Marco Teórico

El artículo se basa en el marco de la Inferencia Semiparamétrica y la Máxima Verosimilitud Dirigida (TMLE - Targeted Maximum Likelihood Estimation).

Conceptos Fundamentales

• Curva de Influencia Eficiente (EIC): Se utiliza la representación de la EIC para el parámetro objetivo bajo el supuesto CAR. La EIC en datos observados ($D_{P_0}$) tiene dos componentes principales: uno ponderado por la probabilidad de selección ($\Delta/\Pi(V)$) y un componente de proyección relacionado con el mecanismo de muestreo.
• Doble Robustez: Los estimadores propuestos buscan la propiedad de doble robustez, donde la consistencia se mantiene si se estima correctamente o bien el mecanismo de tratamiento/resultado ($Q, g$) o bien el mecanismo de muestreo de la Fase 2 ($\Pi$).
• Término de Residuo Exacto: El análisis de la eficiencia asintótica depende de controlar un término de residuo de segundo orden. Para que el estimador sea $\sqrt{n}$-consistente, el producto de los errores de estimación de los componentes de confusión debe converger a cero a una tasa $o_P(n^{-1/2})$.

Estimadores Existentes Revisados

1. IPCW-TMLE: Un estimador TMLE estándar que pondera los datos de la Fase 2 por la inversa de la probabilidad de selección ($\Delta/\Pi$).
2. IPCW-TMLE con Targeting de $\Pi$: Una extensión que también ajusta el estimador del mecanismo de muestreo ($\Pi$) iterativamente para resolver la ecuación de puntuación de la EIC, mejorando la eficiencia.
3. Generalized Raking (GR): Un método popular que calibra los pesos para satisfacer ecuaciones de calibración. El artículo critica que el GR estándar suele apuntar a un "estimando censal" (basado en un modelo paramétrico de trabajo) en lugar del estimando causal no paramétrico, a menos que ambos modelos ($\Pi$ y $Q$) estén correctamente especificados.

Nuevas Contribuciones Metodológicas

Los autores proponen dos nuevas clases de estimadores que son asintóticamente equivalentes a los anteriores pero con construcciones diferentes:

1. Estimador de Ecuaciones de Estimación Eficientes (EEE):

   • Se basa en una reorganización de la representación A-IPCW de la EIC.
   • Resuelve directamente la media empírica de la EIC.
   • Limitación: No es un estimador "plug-in" (no respeta necesariamente los límites del espacio de parámetros, como $[0,1]$ para probabilidades).

2. Quasi-TMLE:

   • Construido sobre el EEE, pero modificado para ser un estimador plug-in.
   • Utiliza submodelos de fluctuación (logísticos) para actualizar los estimadores iniciales de manera que se satisfagan las ecuaciones de puntuación y se mantenga la propiedad de plug-in.
   • Esto le otorga mejores propiedades en muestras finitas.

3. TMLE con Representación Alternativa:

   • Propone una representación alternativa del parámetro objetivo: $\Psi(P) = E_{V} [ E_{X|V} (Q(1, W) - Q(0, W) | \Delta=1, V) ]$.
   • Deriva una nueva EIC canónica que sugiere un procedimiento de TMLE iterativo que ajusta secuencialmente $Q$, $\Pi$ y la distribución condicional de los datos completos dado $V$ ($\Gamma$).

3. Resultados Principales

El artículo incluye estudios de simulación exhaustivos para comparar los estimadores (Raking, A-IPCW, IPCW-TMLE, EEE, Quasi-TMLE, TMLE alternativo).

Simulación 1: Doble Robustez y Especificación Incorrecta

• Escenario: Se simula un caso donde el mecanismo de muestreo ($\Pi$) y el mecanismo de tratamiento ($g$) son conocidos (o correctamente especificados), pero el modelo de regresión de resultados ($Q$) está severamente mal especificado.
• Hallazgos:
  • El estimador Raking muestra un sesgo significativo y una cobertura de intervalos de confianza que cae drásticamente a medida que aumenta el tamaño de la muestra (falla en la consistencia respecto al estimando causal). Esto confirma que el Raking no es doblemente robusto si el modelo de trabajo paramétrico es incorrecto.
  • Los estimadores basados en TMLE (incluyendo EEE, Quasi-TMLE y variantes) mantienen una cobertura nominal (~95%) y bajo sesgo, demostrando su doble robustez.
  • Los estimadores Plug-in (Quasi-TMLE, TMLE) muestran un Error Cuadrático Medio (MSE) ligeramente menor que sus contrapartes no plug-in (EEE, A-IPCW), sugiriendo ventajas en muestras finitas.

Simulación 2: Estimación de Todos los Nuisance Parameters

• Escenario: Ningún mecanismo es conocido; todos deben estimarse usando un Super Learner (ensembles de aprendizaje automático). Se prueban diferentes tasas de datos faltantes (20%, 50%, 70%).
• Hallazgos:
  • El Raking nuevamente muestra un control pobre del sesgo/SE y una cobertura reducida, incluso cuando la brecha entre el estimando causal y el censal es pequeña.
  • Los estimadores TMLE (con y sin targeting de $\Pi$) mantienen una cobertura cercana al 95%.
  • El Targeting de $\Pi$ (ya sea vía TMLE o Raking dentro del marco TMLE) mejora la eficiencia (reduce la varianza) en comparación con el IPCW-TMLE estándar que no ajusta $\Pi$.
  • El Quasi-TMLE y el TMLE alternativo se comportan de manera robusta, con MSE competitivo.

4. Contribuciones Clave

1. Nueva Clase de Estimadores: Introducción de los estimadores EEE y Quasi-TMLE, que ofrecen una perspectiva alternativa a la construcción estándar de TMLE para diseños de dos fases, demostrando equivalencia asintótica.
2. Análisis Crítico del Raking: Demostración teórica y empírica de que el estimador Generalized Raking, tal como se usa comúnmente, no es consistente para estimandos causales no paramétricos a menos que se cumplan condiciones muy estrictas (especificación correcta de modelos paramétricos), a diferencia de los estimadores TMLE.
3. Propiedad Plug-in: Énfasis en la importancia de la propiedad "plug-in" para la estabilidad en muestras finitas, mostrando que los estimadores que la poseen (Quasi-TMLE) superan a los que no la poseen (EEE, A-IPCW) en términos de MSE.
4. Eficiencia mediante Targeting de $\Pi$: Confirmación de que ajustar el mecanismo de muestreo de la Fase 2 ($\Pi$) dentro del marco TMLE conduce a ganancias de eficiencia, especialmente cuando la tasa de muestreo de la Fase 2 es baja.

5. Significado e Impacto

Este trabajo es significativo para la epidemiología, la bioestadística y la inferencia causal porque:

• Valida el uso de TMLE en diseños de dos fases complejos, proporcionando herramientas robustas cuando los datos costosos solo están disponibles para una submuestra.
• Advierte sobre el uso indiscriminado del Raking para inferencia causal, mostrando que puede llevar a conclusiones erróneas si los modelos subyacentes no son perfectos.
• Ofrece alternativas computacionalmente viables (como el Quasi-TMLE) que combinan la flexibilidad del aprendizaje automático (Super Learner) con garantías teóricas sólidas de inferencia (intervalos de confianza válidos y doble robustez).
• Abre vías para futuras investigaciones sobre la combinación de estimadores (ensembles) para seleccionar automáticamente el mejor estimador entre variantes asintóticamente equivalentes en datos reales.

En resumen, el artículo refina el estado del arte en la estimación de efectos causales con datos incompletos de dos fases, proponiendo estimadores más robustos y eficientes que superan las limitaciones de los métodos tradicionales basados en ponderación o raking paramétrico.