Outcome-Calibrated Regression and Predicted Outcome-Based Inference

Resumen Técnico: Regresión Calibrada por Resultado e Inferencia Basada en Resultados Predichos

Enunciado del Problema
La regresión de Mínimos Cuadrados Ordinarios (OLS) es la herramienta estándar para la inferencia científica, valorada por su propiedad como el Mejor Estimador Lineal Insesgado (BLUE) bajo el teorema de Gauss-Markov. Esta propiedad garantiza que las predicciones sean condicionalmente insesgadas dadas las covariables ($X$), es decir, $E(\hat{Y} - Y | X = x) = 0$. Sin embargo, los autores identifican una deficiencia crítica, a menudo pasada por alto: las predicciones de OLS generalmente no son condicionalmente insesgadas dado el resultado ($Y$).

Debido a la minimización del error cuadrático medio, las predicciones de OLS se contraen sistemáticamente hacia la media poblacional del resultado ($\mu_Y$). Esto da lugar a un fenómeno de "regresión a la media" (RTM) donde los valores grandes del resultado se subestiman y los valores pequeños del resultado se sobreestiman. Matemáticamente, el sesgo de predicción condicional es $E(\hat{Y}_{OLS} - Y | Y = y) = (\eta_{OLS} - 1)(y - \mu_Y)$, donde $\eta_{OLS} < 1$ representa la pendiente poblacional de regredir las predicciones sobre los resultados verdaderos (equivalente al $R^2$ poblacional).

Este sesgo crea un problema no ignorable para la inferencia basada en resultados predichos, una práctica común en campos como el análisis de la edad cerebral, los estudios de puntuaciones de riesgo poligénico y la inferencia causal, donde el resultado verdadero $Y$ no se observa o es costoso de medir, y la inferencia se realiza utilizando el valor predicho $\hat{Y}$ frente a una variable $W$. Los autores demuestran que esta contracción se propaga al análisis posterior, atenuando sistemáticamente la asociación estimada entre $\hat{Y}$ y $W$, lo que conduce a estimaciones de efectos sesgadas y, potencialmente, a conclusiones científicas erróneas.

Metodología: Regresión Calibrada por Resultado (OCR)
Para resolver esto, los autores proponen la Regresión Calibrada por Resultado (OCR), un nuevo marco que impone la insesgadez condicional al resultado directamente durante el ajuste del modelo.

1. Restricciones de Calibración: El método impone dos restricciones de igualdad lineal sobre los coeficientes de regresión $\beta$:

   • Pendiente Unitaria: La pendiente de la regresión de los valores predichos sobre los resultados observados debe ser 1 ($\hat{\eta} = 1$). Esto garantiza que la covarianza entre predicciones y observaciones sea igual a la varianza de las observaciones.
   • Intercepto Cero: El intercepto de esta regresión de calibración debe ser 0 ($\hat{\alpha} = 0$). Esto garantiza que la media de los valores ajustados coincida con la media de los resultados observados.

2. Solución de Forma Cerrada: OCR se formula como un problema de mínimos cuadrados con restricciones:
   $$\hat{\beta}_{OCR} = \arg\min_{\beta} \frac{1}{2n}\|y - X\beta\|_2^2 \quad \text{s.t.} \quad A\beta = c$$
   donde $A\beta = c$ codifica las restricciones de pendiente e intercepto. Los autores derivan una solución de forma cerrada utilizando multiplicadores de Lagrange, mostrando que el estimador OCR es un ajuste lineal del estimador OLS:
   $$\hat{\beta}_{OCR} = \hat{\beta}_{OLS} - K(A\hat{\beta}_{OLS} - c)$$
   Aquí, $K$ actúa como una matriz de corrección de calibración que mapea la violación de la restricción del estimador OLS en un ajuste de coeficientes.

3. Propiedades Teóricas:

   • Gauss-Markov Constrained: Entre todos los estimadores lineales insesgados que satisfacen las restricciones de calibración, $\hat{\beta}_{OCR}$ tiene la varianza mínima.
   • Insesgadez Posterior: Bajo el supuesto de que el residuo $(\hat{Y}_{OCR} - Y)$ es independiente de la variable externa $W$ condicional a $Y$, el coeficiente de regresión de $\hat{Y}_{OCR}$ sobre $W$ recupera el coeficiente poblacional verdadero $\theta$ sin atenuación.
   • Inferencia: El artículo proporciona fórmulas para la matriz de varianza-covarianza de $\hat{\beta}_{OCR}$, errores estándar e intervalos de confianza/predicción válidos, señalando que la varianza es generalmente no mayor que la de OLS debido a la restricción del espacio de parámetros.

Resultados Clave
Los autores validan OCR mediante estudios de simulación que lo comparan con OLS a través de diversos tamaños de muestra ($n$), dimensiones de predictores ($p$) y niveles de ruido ($\sigma$).

• Calibración: Mientras que OLS exhibió consistentemente pendientes de calibración ($\hat{\eta}$) significativamente menores que 1 (oscilando entre 0.335 y 0.837 dependiendo del ruido), OCR logró una calibración exacta ($\hat{\eta} = 1.000, \hat{\alpha} = 0$) en todos los escenarios.
• Inferencia Posterior: Al regredir los resultados predichos sobre una variable externa $W$ para estimar la asociación verdadera $\theta$:
  • OLS: Produjo estimaciones severamente sesgadas (Sesgo $\approx -0.50$) con un 0% de cobertura empírica del intervalo de confianza del 95%. La relación sesgo/desviación estándar fue extremadamente alta, indicando que el sesgo sistemático dominaba la variabilidad de muestreo.
  • OCR: Produjo estimaciones aproximadamente insesgadas ($|\text{Sesgo}| < 0.25$, a menudo mucho más bajas) con tasas de cobertura empírica cercanas al 95% nominal (oscilando entre 95.2% y 98.6%).
• Compensación: La imposición de restricciones de calibración resulta en un Error Cuadrático Medio (MSE) más alto para las predicciones mismas en comparación con OLS, particularmente bajo condiciones de alto ruido. Sin embargo, este aumento en el error de predicción es el costo necesario para eliminar el sesgo sistemático en la inferencia posterior.

Significado y Afirmaciones
El artículo afirma que el sesgo de regresión a la media en OLS es una propiedad inherente del método, no un artefacto de muestras finitas, y que sus consecuencias para la inferencia posterior han permanecido en gran medida sin caracterizar hasta ahora.

El significado de OCR radica en su capacidad para permitir una inferencia estadística válida al utilizar resultados predichos como sustitutos de verdades fundamentales no observadas. Los autores declaran que OCR es particularmente relevante para:

• Estimación de efectos causales con exposiciones o resultados predichos.
• Análisis de la brecha de edad cerebral y relojes de envejecimiento biológico.
• Estudios de asociación de puntuaciones de riesgo poligénico.
• Aleatorización mendeliana de dos muestras.
• Entornos de aprendizaje federado o de transferencia donde solo se comparten las predicciones del modelo.

Al reemplazar las predicciones estándar de OLS con predicciones corregidas por OCR, los investigadores pueden eliminar la atenuación sistemática de los tamaños de efecto causada por la regresión a la media, reduciendo así el sesgo en las conclusiones científicas posteriores. Los autores presentan OCR no como un reemplazo de OLS en todos los contextos, sino como un marco necesario específicamente cuando el objetivo implica inferencia basada en resultados predichos.