Powerful Multivariate Sensitivity Analysis via Sample Splitting in an Observational Study of the Effects of Poverty on Cardiovascular Disease Risk Factors

Resumen Técnico: Análisis de Sensibilidad Multivariante Potente mediante la División de la Muestra

Planteamiento del Problema
En estudios observacionales que evalúan los efectos causales de una exposición sobre múltiples resultados (entornos multivariantes), los investigadores suelen buscar probar una hipótesis nula global (que la exposición no tiene efecto sobre ningún resultado). Una estrategia común para mejorar la potencia y la robustez frente a la confusión no medida es construir una combinación lineal de estadísticas de prueba específicas por resultado. Sin embargo, los métodos existentes para encontrar la combinación lineal óptima —como aquellos que utilizan proyecciones de Scheffé o variantes con restricciones (por ejemplo, Cohen et al., 2020; Rosenbaum, 2016)— requieren correcciones por pruebas múltiples. Estas correcciones dependen de distribuciones de referencia (por ejemplo, chi-cuadrado de barra) cuyos valores críticos aumentan con el número de resultados ($K$). A medida que $K$ aumenta, estos valores críticos se vuelven cada vez más estrictos, erosionando la potencia estadística y dificultando el rechazo de la hipótesis nula global incluso cuando existe evidencia sólida. Además, la carga computacional de evaluar estas distribuciones crece con $K$.

Metodología
Los autores proponen un novedoso marco de análisis de sensibilidad que utiliza la división de la muestra (sample splitting) para desacoplar la selección de la combinación lineal del paso de inferencia. El procedimiento opera de la siguiente manera:

1. Partición de Datos: El conjunto de datos emparejados se divide aleatoriamente en una muestra de planificación (piloto) y una muestra de análisis.
2. Fase de Planificación: En la muestra de planificación, el investigador resuelve un problema de optimización para identificar la combinación lineal de estadísticas de prueba (restringida al simplex de probabilidad, $\Delta_+$) que maximiza la sensibilidad al sesgo no medido (es decir, minimiza el valor p de caso peor bajo el modelo de sensibilidad de Rosenbaum). Esto produce un vector de pesos estimado, $\hat{\lambda}_{plan}$.
3. Fase de Inferencia: El vector $\hat{\lambda}_{plan}$ se trata como preespecificado para la muestra de análisis. El investigador realiza el análisis de sensibilidad en la muestra de análisis utilizando esta combinación lineal fija.
4. Justificación Estadística: Debido a que la combinación está preespecificada respecto a los datos de análisis, la estadística de prueba sigue una distribución Normal estándar bajo la hipótesis nula, en lugar de una compleja distribución chi-cuadrado de barra dependiente de $K$. Esto permite el uso de un valor crítico (por ejemplo, 1.645 para $\alpha=0.05$) que es independiente del número de resultados.

Contribuciones Teóricas
El artículo aborda una brecha teórica crítica: la división de la muestra suele introducir una "brecha minimax" donde el investigador debe comprometerse con una estrategia antes de que la naturaleza (el confuso no medido) actúe, lo que potencialmente conduce a una potencia estrictamente inferior a los métodos de muestra completa (como señalan Fogarty y Small, 2016).

• Teorema Minimax: Los autores demuestran un nuevo teorema minimax (Teorema 1) que muestra que, para el caso específico donde el conjunto de combinaciones lineales es el simplex de probabilidad ($\Delta_+$), el orden de la optimización (el investigador primero frente a la naturaleza primero) no importa. La igualdad minimax se cumple:
  $$\min_{\varrho \in P_\Gamma} \sup_{\lambda \in \Delta_+} F(\lambda, \varrho) = \sup_{\lambda \in \Delta_+} \min_{\varrho \in P_\Gamma} F(\lambda, \varrho)$$
• Potencia Asintótica: Como corolario (Teorema 2), demuestran que la sensibilidad de diseño (el límite asintótico del valor de sensibilidad) de su enfoque de división de la muestra es idéntica a la de las alternativas de muestra completa. Por lo tanto, el método no sacrifica la potencia asintótica a pesar de utilizar solo un subconjunto de los datos para la inferencia.

Resultados de la Simulación
Se realizaron extensos estudios de simulación con $I=300$ pares emparejados y variando el número de resultados ($K \in \{5, 15, 25\}$) y las correlaciones ($\rho \in \{0, 0.2\}$).

• Potencia en Muestras Finitas: El método de división de la muestra demostró consistentemente una mayor potencia que la implementación de muestra completa de Cohen et al. (2020), particularmente a medida que $K$ aumentaba. Esto se atribuye a la evitación de los valores críticos dependientes de $K$.
• Comparación con el Oráculo: Aunque un "oráculo" (que conoce la combinación óptima a priori) tuvo el mejor desempeño, el enfoque de división de la muestra superó significativamente al competidor de muestra completa y se acercó al desempeño del oráculo en muchos regímenes.
• Efectos de Correlación: La ventaja de potencia del método propuesto fue más pronunciada cuando los resultados no estaban correlacionados o tenían una correlación débil, aunque se mantuvo superior incluso con dependencia positiva moderada.

Aplicación: Pobreza y Riesgo de Enfermedad Cardiovascular (ECV)
El método se aplicó a un estudio de los efectos de la pobreza (definida como Relación Ingreso/Pobreza Familiar < 1) sobre los factores de riesgo de ECV en niños y adolescentes utilizando datos de NHANES (1999–2016).

• Diseño del Estudio: 4,027 pares emparejados se dividieron en una muestra piloto (25%) y una muestra de análisis (75%).
• Resultados: El estudio examinó 9 resultados, incluyendo composición corporal, actividad física, lípidos y exposición al tabaco (niveles de cotinina).
• Hallazgos:
  • El enfoque de división de la muestra rechazó la hipótesis nula global para todos los estratos de edad/género para $\Gamma=1$, mientras que el comparador de muestra completa solo rechazó la hipótesis nula global para niños de 8 a 11 años.
  • El método identificó efectos adversos significativos de la pobreza sobre la exposición al tabaco (niveles de cotinina) en todos los estratos y la actividad física de ocio vigorosa (LTPA) en adolescentes.
  • Robustez: Los hallazgos relativos a la exposición al tabaco mostraron robustez ante la confusión no medida hasta $\Gamma \approx 2.25$ (valor de sensibilidad $\approx 3.05$). En contraste, los hallazgos sobre la actividad física y la composición corporal fueron sensibles a cantidades menores de sesgo (no rechazando la hipótesis en $\Gamma \approx 1.05$–$1.15$).
  • Comparación: Un análisis de sensibilidad de muestra completa sobre los mismos datos arrojó un valor de sensibilidad mucho menor ($\approx 1.67$) para la hipótesis general, ilustrando la pérdida de potencia inherente a los métodos multivariantes existentes para este conjunto de datos.

Significancia
El artículo sostiene que su principal contribución es un marco práctico y teóricamente fundamentado para realizar análisis de sensibilidad multivariantes potentes en estudios observacionales con muchos resultados. Al aprovechar la división de la muestra y un nuevo teorema minimax, el método:

1. Recupera la Potencia: Evita la severa pérdida de potencia asociada con los valores críticos dependientes de $K$ en entornos de alta dimensión.
2. Mantiene la Validez: Proporciona una inferencia de nivel-$\alpha$ válida sin requerir correcciones asintóticas que dependan de la dimensión del espacio de resultados.
3. Permite el Diseño Basado en Datos: Permite a los investigadores utilizar la muestra piloto para refinar la selección de resultados y las elecciones de la estadística de prueba (por ejemplo, identificando componentes dietéticos específicos o efectos específicos por edad) sin comprometer la validez de la inferencia final.

Los autores concluyen que, si bien la robustez de sus hallazgos específicos sobre la pobreza y la ECV está impulsada en gran medida por el efecto sobre la exposición al tabaco, el marco metodológico permite con éxito la detección de estos efectos donde los análisis de sensibilidad multivariantes tradicionales probablemente fallarían debido a la falta de potencia.