Improving Variance Estimation for Covariate Adjustment with Binary Outcomes

Resumen Técnico: Mejora de la Estimación de la Varianza para el Ajuste por Covariables con Resultados Binarios

Planteamiento del Problema
El ajuste por covariables es un método estándar para mejorar la precisión en ensayos aleatorizados, particularmente cuando las variables basales son pronósticas para el resultado. La guía de la FDA de 2023 recomienda la "estandarización" (o g-cálculo) para estimar los efectos marginales del tratamiento en puntos finales binarios. Si bien la estandarización proporciona una estimación puntual semiparamétrica robusta para el efecto medio del tratamiento (ATE) que es asintóticamente insesgada independientemente de la especificación del modelo, la estimación fiable de la varianza para este estimador sigue siendo un desafío.

Los estimadores de varianza existentes, incluidos los métodos de inserción de funciones de influencia (IF), el método delta y el bootstrap no paramétrico, a menudo fallan en configuraciones de muestras finitas comunes en ensayos clínicos. Específicamente, cuando los tamaños de muestra son pequeños o las tasas de eventos son bajas (resultados raros), los estimadores de inserción tradicionales tienden a subestimar la varianza. Esta subestimación conduce a una inferencia anti-conservadora, caracterizada por tasas de error Tipo I infladas y intervalos de confianza con una cobertura por debajo del nivel nominal. El artículo señala que, si bien los debates teóricos han destacado estos problemas, existe una falta de estudios explícitos que aborden cómo estos estimadores se desempeñan bajo las restricciones específicas de tasas de eventos bajas y muestras pequeñas encontradas en la práctica.

Metodología
Los autores proponen un nuevo estimador de varianza para la diferencia de medias estandarizada del ATE, denominado estimador Función de Influencia basada en Dejar Uno Fuera (IF-LOO).

1. Estimador Estandarizado: El método utiliza un modelo de trabajo de regresión logística para predecir los resultados potenciales para cada sujeto bajo ambas condiciones de tratamiento y control. El ATE se estima promediando la diferencia en estos resultados predichos a través de todos los sujetos.
2. El Problema del Sobreajuste: El estimador estándar de inserción de IF calcula la varianza basándose en residuos derivados de un modelo ajustado en todo el conjunto de datos. En muestras pequeñas o con eventos raros, el modelo tiende a sobreajustar los datos específicos, causando que los residuos estimados $(Y_i - \hat{\mu}(A_i, X_i))$ sean artificialmente pequeños. Esto resulta en una estimación de varianza sesgada hacia abajo.
3. La Solución IF-LOO: Para mitigar el sobreajuste, el estimador propuesto emplea una estrategia de validación cruzada de dejar uno fuera. Para cada sujeto $i$, el modelo de trabajo se ajusta en el conjunto de datos excluyendo a ese sujeto ($n-1$ observaciones). Luego, la función de influencia $\hat{\phi}_{-i}$ se calcula utilizando predicciones de este modelo reducido:
   $$\hat{\phi}_{-i} = \left( \frac{A_i}{\pi_0} - \frac{1-A_i}{1-\pi_0} \right) (Y_i - \hat{\mu}_{-i}(A_i, X_i)) + \hat{\mu}_{-i}(1, X_i) - \hat{\mu}_{-i}(0, X_i) - \hat{\theta}_{standardized}$$
   La varianza se estima como la varianza muestral de estas funciones de influencia de dejar uno fuera: $\hat{\sigma}^2_{IF-LOO} = \frac{1}{n^2} \sum \hat{\phi}_{-i}^2$.
4. Propiedades Teóricas: Los autores derivan una expresión de forma cerrada para este estimador y prueban que es consistente en $\sqrt{n}$ y asintóticamente normal bajo condiciones de regularidad estándar.

Contribuciones Clave

• Nuevo Estimador: Introducción del estimador de varianza IF-LOO, que extiende la teoría existente de funciones de influencia incorporando validación cruzada de dejar uno fuera para corregir el sesgo de sobreajuste en muestras finitas.
• Expresión de Forma Cerrada: A diferencia de los métodos de bootstrap, el estimador IF-LOO proporciona una solución determinista y de forma cerrada, facilitando una implementación directa por parte de los estadísticos del estudio sin necesidad de muestreo repetido.
• Justificación Teórica: El artículo proporciona una prueba formal de la consistencia y la normalidad asintótica del estimador.

Resultados de Simulación
Los autores realizaron estudios de simulación en dos escenarios: un tamaño de muestra moderado ($N=250$) con una tasa de eventos raros (2.5%) y un tamaño de muestra pequeño ($N=50$) con una tasa de eventos más alta (25%). Compararon IF-LOO contra el estimador de inserción IF, el estimador ANHECOVA (RobinCar2), el bootstrap no paramétrico y un análisis no ajustado.

• Muestra Pequeña/Tasa de Eventos Baja ($N=50$, 25% de tasa de eventos): Los estimadores de inserción IF y RobinCar2 exhibieron una subcobertura sustancial, con tasas de error Tipo I que alcanzaron hasta el 18% (significativamente por encima del 5% nominal). En contraste, el estimador IF-LOO mantuvo una cobertura cerca del nivel nominal del 95% (aprox. 93-94%), demostrando robustez frente al sesgo de sobreajuste que afectaba a otros métodos.
• Muestra Moderada/Tasa de Eventos Baja ($N=250$, 2.5% de tasa de eventos): Si bien la subcobertura de los métodos de inserción se atenuó en comparación con el escenario de muestra pequeña, aún no lograron alcanzar la cobertura nominal a efectos de tratamiento bajos. IF-LOO logró consistentemente una cobertura cerca del nivel nominal en todas las magnitudes de efectos del tratamiento.
• Comparación con Bootstrap: El bootstrap no paramétrico se desempeñó de manera comparable a IF-LOO en términos de cobertura. Sin embargo, los autores señalan que el bootstrap está sujeto a error de Monte Carlo (no determinista) y puede sufrir inestabilidad computacional (por ejemplo, separación completa en regresión logística), lo que conduce a distribuciones inválidas en algunas réplicas. IF-LOO evita estos problemas debido a su naturaleza determinista.

Significado y Afirmaciones
El artículo posiciona al estimador IF-LOO como una "elección prudente por defecto" para la estandarización en ensayos clínicos, particularmente al tratar con resultados binarios en entornos con tamaños de muestra pequeños o eventos raros.

Los autores argumentan que, si bien la estandarización es un método recomendado y robusto para apuntar a efectos marginales del tratamiento, la validez de la inferencia depende críticamente de una estimación precisa de la varianza. El método propuesto aborda una brecha específica en la literatura donde los estimadores existentes fallan en controlar el error Tipo I en regímenes desafiantes de muestras finitas. Al ofrecer una solución determinista y de forma cerrada que corrige el sesgo inducido por el sobreajuste, el estimador IF-LOO garantiza intervalos de confianza y valores p confiables, apoyando así una inferencia estadística válida en contextos regulatorios y clínicos. El artículo concluye que este enfoque es especialmente valioso cuando el modelo de trabajo está correctamente especificado, ya que este es precisamente el escenario donde los estimadores de inserción tradicionales sufren más por el sesgo de sobreajuste.