Estimating Association Between Paired Outcomes in Clustered Data with Informative Subgroup Size

Resumen Técnico: Estimación de la Asociación entre Resultados Pareados en Datos Agrupados con Tamaño de Subgrupo Informativo

Enunciado del Problema
En la investigación biomédica y de salud pública, particularmente en la epidemiología dental, los datos a menudo exhiben una estructura agrupada donde las unidades de observación (por ejemplo, dientes) están anidadas dentro de grupos (por ejemplo, pacientes). Un desafío crítico en el análisis de tales datos es el Tamaño de Grupo Informativo (ICS), donde el número de unidades dentro de un grupo está asociado con el resultado. Los métodos estándar a menudo fallan en distinguir entre inferencias promediadas por participante y promediadas por grupo, lo que conduce a estimaciones marginales sesgadas cuando los grupos más grandes (por ejemplo, pacientes con más dientes) se ponderan implícitamente con mayor peso.

Si bien la literatura existente ha abordado el ICS mediante métodos como el Muestreo Aleatorio dentro del Grupo (WCR) y las Ecuaciones de Estimación Generalizadas Ponderadas por Grupo (CWGEE), persiste una brecha específica con respecto al Tamaño de Subgrupo Informativo (ISS). El ISS ocurre no solo cuando el tamaño total del grupo es informativo, sino también cuando la composición de los subgrupos dentro de un grupo (por ejemplo, la distribución de dientes a través de estratos de severidad periodontal) está asociada con el resultado. Trabajos anteriores han desarrollado métodos ponderados por subgrupo para medias marginales y efectos de regresión, pero existía una falta de metodología diseñada específicamente para estimar la asociación bivariada (por ejemplo, correlación entre caries y enfermedad periodontal) cuando tanto el tamaño total del grupo como la composición de subgrupos dentro del grupo son informativos.

Metodología
Los autores proponen un marco para estimar medidas de asociación (coeficientes de Pearson, Spearman y Phi) entre resultados pareados en datos agrupados bajo condiciones de ICS e ISS. El núcleo de la metodología implica definir tres esquemas de ponderación específicos derivados de diseños hipotéticos de muestreo aleatorio dentro del grupo. Estos pesos se construyen reemplazando los estimadores de muestreo aleatorio con sus expectativas condicionales dadas los datos observados.

Sea $M$ el número de grupos, $n_i$ el tamaño del grupo $i$, y $(X_{ij}, Y_{ij})$ los resultados pareados. Los resultados se mapean a representaciones categóricas $K_{ij}$ y $L_{ij}$. Los pesos propuestos $\omega_{ij}$ son:

1. Pesos de Parejas Poblacionales (PPW): Asume que todas las categorías pareadas posibles en la población objetivo son relevantes. El peso es inversamente proporcional al número de unidades en el grupo que comparten la categoría pareada específica ($n_{iP}$).
   $$\omega_{ij}^{PPW} = \frac{1}{n_{iP}}$$
   Esto apunta a una población donde cada categoría de par posible está igualmente representada, independientemente de si un grupo específico realiza todos los pares.

2. Pesos de Parejas Observadas (OPW): Restringe la inferencia a las categorías pareadas distintas observadas realmente dentro de un grupo. El peso es inversamente proporcional al producto del número de categorías pareadas observadas en el grupo ($N_{iP}$) y la cuenta de unidades en esa categoría específica ($n_{iP}$).
   $$\omega_{ij}^{OPW} = \frac{1}{N_{iP} n_{iP}}$$
   Esto iguala la contribución de las categorías pareadas observadas dentro de cada grupo.

3. Pesos de Parejas Marginalmente Observadas (MOPW): Apunta a la cruz-clasificación inducida por las categorías marginales observadas para cada resultado. Considera todas las combinaciones de categorías observadas $K$ y $L$, incluso si algunos pares no se observan (resultando en un "sorteo nulo"). El peso es:
   $$\omega_{ij}^{MOPW} = \frac{1}{N_{iK} N_{iL} n_{iP}}$$
   Este enfoque equilibra la estructura de categorías marginales sin renormalizar solo sobre los pares observados.

Para determinar si está presente el ISS, los autores adaptan un procedimiento de prueba de Anyaso-Samuel y Datta. Emplean un método de combinación inversa-normal de Stouffer para particionar grandes conjuntos de datos en subconjuntos disjuntos, calcular estadísticas basadas en rangos a nivel de subconjunto y combinar los valores $p$. Esta modificación aborda la carga computacional de las pruebas de permutación de muestra completa en grandes conjuntos de datos dentales.

La varianza de los estimadores se calcula utilizando una forma de sándwich con el método delta aplicado a los funcionales de correlación.

Resultados de la Simulación
Se realizó un estudio de simulación utilizando un modelo gaussiano latente para generar resultados pareados agrupados con mecanismos ICS e ISS controlables. El estudio evaluó el rendimiento de los pesos propuestos frente a estimadores estándar sin ponderar y CWGEE (ponderación inversa del tamaño del grupo).

• Prueba de ISS: La prueba de ISS combinada con Stouffer funcionó como se pretendía, identificando correctamente estructuras de subgrupos informativos cuando las asociaciones a nivel de unidad indujeron una membresía de subgrupo correlacionada (produciendo valores $p$ muy pequeños) y permaneciendo no rechazada en configuraciones sin tal informatividad.
• Rendimiento de la Estimación: Los resultados fueron mixtos con respecto a los pesos de subgrupo propuestos. La ponderación estándar CW (inversa del tamaño del grupo) permaneció como la más estable y confiable en todas las configuraciones de simulación. En contraste, el estimador PPW exhibió frecuentemente un sesgo sustancial y probabilidades de cobertura empírica pobres. Los estimadores OPW y MOPW mostraron un rendimiento variable, a veces mejorando la cobertura pero a menudo fallando en superar uniformemente a CW.
• Conclusión de la Simulación: Los pesos de subgrupo propuestos no mejoran uniformemente la estimación de la correlación objetivo en comparación con CW. En consecuencia, se interpretan mejor como esquemas de marginalización alternativos para el análisis de sensibilidad en lugar de estimadores primarios definitivos.

Aplicación a los Datos de NHANES
La metodología se aplicó a datos a nivel de diente de la Encuesta Nacional de Examen de Salud y Nutrición (NHANES), analizando la asociación entre resultados periodontales (Pérdida de Adhesión Clínica y Profundidad de Sonda) y resultados de caries (Superficies Cariadas y Rellenas).

• Detección de ISS: Las pruebas de ISS revelaron que la informatividad del tamaño del subgrupo no era uniforme. Se encontró evidencia significativa de ISS para emparejamientos que involucran superficies rellenadas (FS y FSI), probablemente reflejando la influencia del historial de tratamiento en la retención de dientes. Los emparejamientos que involucran superficies cariadas (DS y DSI) mostraron poca evidencia de ISS.
• Estimaciones de Asociación: Todas las asociaciones estimadas fueron positivas pero modestas (generalmente por debajo de 0.20). Las asociaciones fueron más fuertes para las medidas de caries de diente completo en comparación con las medidas solo interproximales.
• Impacto de la Ponderación: La elección del esquema de ponderación alteró materialmente las correlaciones estimadas. Para los resultados de superficies rellenadas, las estimaciones ponderadas por subgrupo fueron a menudo menores que las estimaciones sin ponderar o CW. Para las superficies cariadas, la dirección del cambio fue menos uniforme.
• Interpretación: Los autores concluyen que la dentición observada no debe tratarse como una colección intercambiable de dientes. La asociación estimada entre periodontal y caries es sensible al esquema de marginalización inducido por la elección de ponderación.

Significado y Afirmaciones
El artículo afirma llenar una brecha metodológica al extender las tradiciones de estimación ponderada (WCR, CWGEE, DWGEE) al contexto específico de la asociación bivariada pareada bajo ICS e ISS.

• Contribución Principal: El desarrollo de tres pesos específicos (PPW, OPW, MOPW) que permiten a los investigadores definir y estimar la asociación bajo diferentes objetivos de población marginal cuando la composición del subgrupo es informativa.
• Utilidad Práctica: La introducción de la prueba de ISS combinada con Stouffer proporciona una forma computacionalmente viable para detectar estructuras de subgrupos informativos en datos agrupados a gran escala.
• Conclusión Modesta: Los autores declaran explícitamente que los resultados de la simulación no respaldan los pesos de subgrupo propuestos como reemplazos uniformemente superiores a CW. En su lugar, posicionan estos pesos como herramientas para el análisis de sensibilidad. La recomendación principal es utilizar CW como el estimador principal mientras se utilizan las estimaciones ponderadas por subgrupo para evaluar la robustez de las conclusiones ante diferentes supuestos de marginalización. El artículo enfatiza que en las aplicaciones dentales, donde la presencia del diente es una consecuencia del historial de la enfermedad, distinguir entre la estimación primaria y el análisis de sensibilidad es central para una inferencia válida.