Overcoming Selection Bias in Statistical Studies With Amortized Bayesian Inference

Resumen Técnico: Superar el Sesgo de Selección con Inferencia Bayesiana Amortizada

1. El Problema: Sesgo de Selección y Limitaciones Actuales

El sesgo de selección ocurre cuando la probabilidad de que una observación sea incluida en un conjunto de datos depende de variables relacionadas con las cantidades de interés (como covariables, resultados no observados o variables latentes). Esto genera distorsiones sistemáticas en la estimación de parámetros y en la cuantificación de la incertidumbre.

• Contexto: Es común en epidemiología, farmacología y ciencias sociales (ej. estudios de seroprevalencia donde ciertos grupos participan menos, o estudios de enfermedades donde la muerte impide observar el inicio de la enfermedad).
• Limitación de los métodos clásicos: Las correcciones tradicionales (como la ponderación por probabilidad inversa o modelos de Heckman) requieren funciones de verosimilitud (likelihoods) tratables. Esto limita su aplicabilidad en modelos estocásticos complejos con dinámicas latentes, interacciones no lineales o estructuras de alta dimensión donde la verosimilitud no se puede calcular analíticamente.
• Limitación de la Inferencia Basada en Simulación (SBI): Aunque la SBI permite realizar inferencia bayesiana sin verosimilitud explícita, los métodos actuales suelen asumir que los datos observados son realizaciones imparciales del proceso generativo. Si el mecanismo de selección no se modela explícitamente, la SBI produce estimaciones posteriores sesgadas y mal calibradas.

2. Metodología: Marco de Inferencia Amortizada Consciente del Sesgo

Los autores proponen un marco de inferencia bayesiana amortizada que integra explícitamente el mecanismo de selección dentro del simulador generativo.

• Concepto Central: En lugar de tratar la selección como un problema de corrección post-hoc, se formaliza como un operador de observación estructurado dentro del proceso generativo hacia adelante (forward process).
• Proceso Generativo:
  1. Se muestrean parámetros ($\theta$) y covariables ($C$) desde una distribución a priori.
  2. Se generan resultados ($Y$) mediante un modelo mecanístico de la población.
  3. Se aplica un operador de selección ($S$) que determina qué individuos se observan (basado en $Y$, $C$, o estados latentes).
  4. El modelo entrena una Estimación Posterior Neuronal (NPE) utilizando pares de datos observados ($Y, S=1$) y sus parámetros verdaderos ($\theta$).
• Ventaja Clave: Al entrenar la red neuronal sobre la distribución conjunta $p(\theta, Y, S=1, C)$, la aproximación posterior aprendida $q(\theta | Y, S=1, C)$ es directamente la distribución condicional correcta bajo el mecanismo de selección asumido, sin necesidad de calcular verosimilitudes.
• Amortización: Una vez entrenada, la NPE puede inferir parámetros para múltiples conjuntos de datos nuevos sin reentrenamiento, permitiendo un análisis rápido y sistemático bajo diferentes regímenes de selección.
• Diagnóstico y Validación:
  • Calibración Basada en Simulación (SBC): Verifica si los rangos de los parámetros verdaderos en la posterior son uniformes, detectando sesgos sistemáticos.
  • Prueba de Dos Muestras con Clasificador (C2ST): Evalúa si las muestras de la posterior aprendida son estadísticamente indistinguibles de las muestras generadas directamente por el simulador conjunto. Esto permite detectar violaciones del modelo o sesgos en datos reales incluso cuando los parámetros verdaderos son desconocidos.

3. Contribuciones Clave

1. Marco Unificado: Recastear la corrección del sesgo de selección como un problema de simulación, eliminando la necesidad de verosimilitudes tratables.
2. Inferencia en Modelos Complejos: Habilita la inferencia bayesiana en escenarios donde los métodos basados en verosimilitud fallan (ej. modelos de transmisión estocásticos con dinámicas latentes).
3. Diagnóstico Activo: Proporciona herramientas (SBC y C2ST) para validar la calibración de la inferencia y detectar discrepancias entre el modelo de selección asumido y los datos reales.
4. Flexibilidad: Permite tratar mecanismos de selección dependientes de resultados, covariables o estados latentes de manera conjunta, propagando la incertidumbre sobre el propio mecanismo de selección.

4. Resultados y Aplicaciones

El marco se evaluó en tres escenarios epidemiológicos representativos:

• A. Estimación de Prevalencia con Datos Incompletos (Estudio KoCo19):
  • Escenario: Estimación de la seroprevalencia de SARS-CoV-2 con muestreo no representativo y datos faltantes en los resultados.
  • Resultado: La NPE consciente del sesgo superó a los estimadores no ajustados y a la ponderación por probabilidad inversa (IPW), especialmente en rondas con alta tasa de datos faltantes. La IPW mostró sesgo cuando la falta de datos no era aleatoria, mientras que la NPE mantuvo estimaciones precisas y calibradas.
• B. Análisis de Tiempo hasta Evento con Información Faltante por Muerte (Estudio Framingham):
  • Escenario: Incidencia de demencia donde la muerte compite con el evento de interés (censura informativa).
  • Resultado: La NPE consciente del sesgo recuperó con precisión las tasas de transición (salud $\to$ demencia, salud $\to$ muerte, demencia $\to$ muerte) en datos simulados y reales. Los métodos estándar (NPE entrenada en datos completos o modelos de Cox) produjeron estimaciones sesgadas. La prueba C2ST confirmó que la NPE consciente del sesgo estaba bien calibrada, mientras que los otros métodos fallaron.
• C. Modelado de Transmisión en Hogares (Estudio PedCovid):
  • Escenario: Modelado de transmisión de variantes Alpha y Omicron donde la inclusión del estudio dependía de que un niño diera positivo (sesgo dependiente del resultado).
  • Resultado: En modelos estocásticos complejos donde la corrección de verosimilitud es inviable, la NPE amortizada recuperó los parámetros de transmisión verdaderos bajo diferentes esquemas de selección. En contraste, el método MCMC basado en verosimilitud (que asumía selección aleatoria) produjo estimaciones sistemáticamente sesgadas. La NPE fue miles de veces más rápida que el MCMC.

5. Significado e Impacto

• Paradigma de Modelado: Cambia el enfoque de la corrección de sesgos de un problema estadístico post-hoc a un problema de modelado generativo explícito. Esto permite propagar coherentemente la incertidumbre tanto sobre los parámetros de interés como sobre el mecanismo de selección.
• Escalabilidad: La naturaleza amortizada permite explorar rápidamente las consecuencias de diferentes diseños de estudio y mecanismos de selección, facilitando el análisis de sensibilidad y el diseño experimental.
• Aplicabilidad General: El método es aplicable a cualquier disciplina donde existan datos estructurados con mecanismos de selección complejos y modelos subyacentes que carezcan de verosimilitud cerrada.
• Herramienta Práctica: Los autores proporcionan una implementación reutilizable integrada en herramientas de vanguardia (librería BayesFlow), haciendo que la inferencia libre de sesgos sea accesible para investigadores que trabajan con datos complejos.

En conclusión, este trabajo establece la inferencia basada en simulación como una estrategia práctica, probada y escalable para la estimación de parámetros bajo sesgo de selección, superando las barreras computacionales y teóricas de los métodos tradicionales.