Inverse Probability Weighting of Count Exposures in the Presence of Missing Data: A Simulation Study

Título: Ponderación por Probabilidad Inversa de Exposiciones de Conteo en Presencia de Datos Faltantes: Un Estudio de Simulación

1. Planteamiento del Problema

La ponderación por probabilidad inversa del tratamiento (IPTW, por sus siglas en inglés) es un método estándar para estimar efectos causales en estudios observacionales, equilibrando los confusores medidos. Sin embargo, existen limitaciones significativas en su aplicación a exposiciones de tipo conteo (variables discretas no negativas, como el número de síntomas, visitas hospitalarias o dosis de medicación).

• Desafíos de las exposiciones de conteo: A menudo presentan características complejas como sobredispersión, exceso de ceros y truncamiento, lo que dificulta la especificación correcta del modelo de exposición necesario para calcular las probabilidades de tratamiento.
• Datos faltantes: En la práctica, los conjuntos de datos reales suelen tener datos faltantes. Aunque la imputación múltiple (MI) combinada con IPTW es una estrategia común, la evidencia sobre el rendimiento de este enfoque para exposiciones de conteo es escasa.
• Brecha de conocimiento: No está claro qué métodos de estimación de pesos funcionan mejor para conteos y cómo se comportan bajo mecanismos de datos faltantes (MCAR y MAR) cuando se combinan con MI.

2. Metodología

El estudio se diseñó siguiendo el marco ADEMP y se basó en un ejemplo motivador real: estimar el efecto del malestar psicológico (medido como un conteo de síntomas a los 34 años) sobre la enfermedad crónica autoinformada a los 42 años, utilizando datos de la British Cohort Study de 1970 (BCS70).

Diseño de la Simulación:

• Generación de Datos: Se crearon 2,000 conjuntos de datos con 5,000 observaciones cada uno.
• Distribuciones de Exposición: Se probaron dos mecanismos de generación de datos (DGM) para la exposición de conteo:
  1. Distribución Binomial Negativa truncada (con sobredispersión, similar al ejemplo real).
  2. Distribución de Poisson truncada (sin sobredispersión).
• Mecanismos de Datos Faltantes: Se introdujeron datos faltantes en los confusores, la exposición y el resultado bajo dos escenarios:
  • MCAR (Faltantes Completamente al Azar): Independencia de los valores observados.
  • MAR (Faltantes al Azar): La probabilidad de falta depende de otras variables observadas.
  • Se varió el nivel de falta (20%, 40%, 60%).
• Métodos de Ponderación Comparados: Se evaluaron cinco enfoques para construir los pesos IPTW:
  1. Binning Multinomial: Agrupar el conteo en categorías y usar regresión multinomial.
  2. CBPS (Paramétrico): Puntaje de propensión que equilibra covariables mediante optimización restringida (asumiendo normalidad).
  3. npCBPS (No Paramétrico): Optimización directa de pesos sin asumir una distribución marginal, buscando maximizar la verosimilitud empírica.
  4. GBM (Modelos de Gradiente Reforzado): Uso de aprendizaje automático para modelar flexiblemente la relación exposición-covariable.
  5. Equilibrio de Energía (Energy Balancing): Minimización de la distancia de energía entre distribuciones ponderadas y originales.
• Procesamiento de Datos Faltantes: Se utilizó Imputación Múltiple por Ecuaciones Encadenadas (MICE) con el enfoque "dentro de la imputación" (within-imputation), donde los pesos y efectos se estiman en cada conjunto imputado y luego se combinan mediante las reglas de Rubin.
• Métricas de Rendimiento: Sesgo, cobertura de intervalos de confianza, tamaño de muestra efectivo (ESS), equilibrio de covariables y tiempo computacional.

3. Contribuciones Clave

• Evaluación sistemática de IPTW para conteos: Es uno de los primeros estudios que compara exhaustivamente métodos modernos de ponderación (incluyendo aprendizaje automático y equilibrio de energía) específicamente para exposiciones de conteo truncadas y sobredispersas.
• Análisis de la combinación IPTW + MI: Proporciona evidencia empírica sobre cómo el enfoque "dentro de la imputación" se comporta con exposiciones de conteo bajo mecanismos MCAR y MAR.
• Identificación de riesgos en métodos no paramétricos: Pone de manifiesto las limitaciones prácticas del método npCBPS en este contexto específico.
• Guía práctica basada en datos reales: Vincula los resultados de simulación con una aplicación real en la cohorte BCS70, ofreciendo recomendaciones aplicables.

4. Resultados Principales

A. Datos Completos (Sin faltantes):

• Métodos de alto rendimiento: Los pesos Multinomiales, CBPS (paramétrico), GBM y de Equilibrio de Energía produjeron estimaciones con bajo sesgo (<3%) y cobertura cercana al nominal (95%).
• Fallo del npCBPS: El método npCBPS mostró un sesgo significativo (subestimación del efecto: -15% a -26%) y una cobertura deficiente. Esto se debió a la generación de pesos extremos que resultaron en un tamaño de muestra efectivo (ESS) muy bajo y alta variabilidad.
• Efecto de la Winsorización: Acortar los pesos al percentil 99 redujo ligeramente el sesgo en algunos métodos pero mejoró significativamente el rendimiento del npCBPS (aunque seguía siendo inferior a los otros).
• Velocidad Computacional: CBPS fue el más rápido. Los métodos GBM y, especialmente, el Equilibrio de Energía, fueron considerablemente más lentos (hasta 1285 veces más lento que el binning multinomial).

B. Datos con Faltantes (MCAR y MAR):

• Escenario MCAR: Los métodos Multinomial, CBPS, GBM y Equilibrio de Energía mantuvieron un bajo sesgo incluso con un 60% de datos faltantes. El npCBPS mantuvo su sesgo negativo.
• Escenario MAR: Se observó un aumento en el sesgo negativo a medida que aumentaba la proporción de datos faltantes.
  • Hallazgo crucial: Este aumento de sesgo afectó tanto a los estimadores IPTW como a la regresión ajustada por covariables.
  • Causa del sesgo: Un análisis de sensibilidad (donde la exposición se mantuvo completa) reveló que el sesgo no era inherente al IPTW, sino que probablemente provenía de la imputación de la exposición de conteo. Los modelos de imputación estándar (como la coincidencia de medias predictivas) tienen dificultades para manejar la cola derecha de distribuciones de conteo truncadas y sobredispersas, lo que lleva a una mala recuperación de los valores extremos.

C. Aplicación a BCS70:

• En el ejemplo real, todos los métodos (excepto npCBPS) produjeron estimaciones de riesgo muy similares (RR ~1.50-1.53 para un aumento de 4 puntos en el malestar), confirmando la robustez de los métodos recomendados en un contexto real.
• npCBPS mostró un intervalo de confianza extremadamente ancho debido a pesos inestables.

5. Significado y Conclusiones

• Recomendación de Métodos: Para exposiciones de conteo en muestras grandes con sobredispersión moderada, se recomiendan los pesos derivados de modelos multinomiales (con binning), CBPS paramétrico, GBM o Equilibrio de Energía. Estos métodos ofrecen un buen equilibrio entre sesgo, cobertura y precisión.
• Advertencia sobre npCBPS: No se recomienda el uso de npCBPS para exposiciones de conteo en estos escenarios debido a su tendencia a generar pesos extremos y sesgo, a menos que se apliquen estrategias agresivas de estabilización (como winsorización), aunque incluso entonces su rendimiento es inferior.
• Desafío de la Imputación: La combinación de IPTW con MI es viable bajo MCAR. Sin embargo, bajo MAR, el principal obstáculo no es el método de ponderación, sino la imputación de las exposiciones de conteo. Se requiere investigación futura para desarrollar modelos de imputación que manejen adecuadamente la truncamiento y la sobredispersión en la cola derecha de las distribuciones de conteo.
• Implicación Práctica: Los investigadores deben verificar el equilibrio de covariables y el tamaño de muestra efectivo (ESS) al aplicar IPTW a conteos. Si el ESS es bajo o hay pesos extremos, se deben considerar métodos paramétricos robustos o estrategias de estabilización.

En resumen, el estudio valida el uso de varias técnicas modernas de IPTW para datos de conteo, pero advierte sobre los riesgos de los métodos no paramétricos puros en este contexto y señala la necesidad de mejorar los modelos de imputación para datos de conteo faltantes.