📊 statistics

Uncertainty intervals for multilevel models with missing not at random data

Este artículo propone un método de análisis de sensibilidad para modelos multinivel lineales con datos no omitidos al azar (MNAR) que deriva ajustes de sesgo para estimar límites plausibles para los parámetros de interés bajo supuestos más débiles que el de omisión al azar, validado mediante simulaciones y una aplicación a las trayectorias de la soledad, la actividad física y la memoria.

Autores originales: Minna Genbäck

Publicado 2026-06-24

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Minna Genbäck

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando hornear el pastel perfecto (tu estudio) para entender cómo ingredientes como la soledad y el ejercicio afectan la memoria a lo largo del tiempo. Tienes una receta que asume que si un panadero abandona la clase, lo hace de forma aleatoria; tal vez simplemente olvidó su delantal o tuvo un neumático pinchado. Esto se llama la suposición de "Datos Faltantes al Azar" (MAR, por sus siglas en inglés). La mayoría de las herramientas estadísticas hornean el pastel basándose en esta idea.

Sin embargo, en el mundo real, los panaderos suelen abandonar la clase por razones específicas relacionadas con el propio pastel. Quizás aquellos que tienen dificultades para recordar los pasos (mala memoria) son los que abandonan la clase antes. Si ignoras esto, tu pastel final tendrá un sabor incorrecto porque solo probaste los pasteles de las personas que se quedaron. Esto se llama "Datos Faltantes No al Azar" (MNAR).

Este artículo propone una nueva forma de hornear el pastel que admite: "No sabemos exactamente por qué la gente se fue, pero podemos adivinar cuánto podría haber cambiado el sabor".

Aquí es donde la autora, Minna Genbäck, desglosa el proceso:

1. El Problema: Los Abandonos "Fantasma"

En estudios a largo plazo (como seguir la memoria de las personas durante 10 años), la gente deja de responder encuestas. La matemática estándar asume que estos abandonos son aleatorios. Pero en estudios de salud, las personas más enfermas o frágiles suelen abandonar más que las sanas. Si los tratas como aleatorios, tus resultados estarán sesgados; es como juzgar una carrera solo por los corredores que terminaron, ignorando a aquellos que tropezaron y cayeron porque la pista era demasiado difícil.

2. La Solución: La Red de Seguridad del "¿Qué pasaría si...?"

En lugar de pretender que sabemos exactamente por qué la gente se fue (lo cual es imposible de probar), la autora sugiere un Análisis de Sensibilidad. Piensa en esto como construir una "red de seguridad" alrededor de tu respuesta.

La Forma Antigua: Calculas un único número (ej. "El ejercicio mejora la memoria en 0.4 puntos").
La Nueva Forma: Calculas un rango. Dices: "Si los abandonos estuvieran ligeramente relacionados con la mala memoria, la respuesta está entre X e Y. Si estuvieran muy relacionados, la respuesta está entre A y B".

Esto crea un Intervalo de Incertidumbre. No es un punto único; es una zona de respuestas plausibles que cubre todos los escenarios razonables de "¿qué pasaría si...?".

3. El Mecanismo: El "Apretón de Manos Secreto"

Para hacer esto, la autora utiliza dos modelos que se comunican entre sí:

El Modelo de Memoria: Predice cómo cambia la memoria.
El Modelo de Abandono: Predice quién deja el estudio.

En la matemática estándar, estos dos modelos son extraños; no se hablan. En este nuevo método, la autora introduce un "Parámetro de Sensibilidad" (un apretón de manos secreto). Este parámetro representa la correlación entre por qué la memoria de alguien está cambiando y por qué esa persona está dejando el estudio.

Si el apretón de manos es débil (cero), es el escenario estándar de "abandono aleatorio".
Si el apretón de manos es fuerte, significa que las personas con un declive de memoria tienen más probabilidades de abandonar.

La autora deriva una fórmula matemática para calcular exactamente cuánto este "apretón de manos" sesgaría los resultados. Luego, prueba un rango de fuerzas de apretón de manos (desde cero hasta un máximo plausible) para ver cuánto se tambalea la respuesta final.

4. La Prueba del Mundo Real: Soledad y Memoria

La autora probó esto en una enorme encuesta europea (SHARE) que involucró a más de 27,000 personas de 65 años o más. Analizaron si la soledad y la actividad física afectaban las puntuaciones de memoria a lo largo del tiempo.

El Resultado Estándar: Bajo la suposición de "abandono aleatorio", sentirse solo estaba vinculado a una caída en la memoria, y el ejercicio estaba vinculado a un impulso.
El Nuevo Resultado: Incluso cuando permitieron la posibilidad de que las personas con peor memoria fueran más propensas a abandonar (el escenario MNAR), los resultados no cambiaron mucho. La "red de seguridad" (intervalo de incertidumbre) todavía incluía los hallazgos originales.

Esto sugiere que las conclusiones originales eran robustas; se mantuvieron incluso cuando la suposición de "abandono aleatorio" se relajó.

5. La Simulación: La "Prueba de Estrés"

Para demostrar que este método funciona, la autora realizó una simulación por computadora. Creó datos falsos donde sabía la verdad y donde la gente abandonaba específicamente porque su memoria era mala.

Intentó corregir el sesgo usando su nueva fórmula.
El Resultado: El método funcionó bien. Logró corregir las estimaciones "tambaleantes" y dio un rango que capturó la respuesta verdadera la mayor parte del tiempo.

El Problema (Limitaciones)

La autora admite que este método es computacionalmente pesado. Es como intentar resolver un gigante rompecabezas 3D donde las piezas se mueven. Si los grupos de personas (clústeres) son demasiado grandes, las matemáticas se vuelven demasiado lentas para ejecutarse en una computadora estándar. Además, el método asume que la fuerza del "apretón de manos" está dentro de un rango específico y plausible; si calculas mal ese rango, la red de seguridad podría ser demasiado amplia o demasiado estrecha.

Resumen

Este artículo no te da una varita mágica para arreglar los datos faltantes. En su lugar, te da una regla con un margen de error más amplio. Permite a los investigadores decir: "No estamos seguros de por qué la gente dejó el estudio, pero incluso si asumimos el peor escenario razonable, nuestras conclusiones principales sobre la soledad y la memoria se mantienen en pie". Reemplaza una suposición frágil de un solo punto con un rango de posibilidades sólido y flexible.

Resumen Técnico: Intervalos de Incertidumbre para Modelos Multinivel con Datos con Mecanismo de No Omisión No Aleatoria (MNAR)

Planteamiento del Problema
Las encuestas longitudinales suelen sufrir de falta de respuesta, incluyendo tanto a individuos que nunca participan como a aquellos que abandonan tras un subconjunto de ocasiones de medición. Los modelos multinivel (de efectos mixtos) estándar suelen asumir que los datos tienen un mecanismo de Omisión al Azar (MAR), lo que significa que la probabilidad de la falta de datos depende únicamente de los datos observados. Sin embargo, en estudios que involucran poblaciones de edad avanzada y resultados de salud, los encuestados suelen diferir sistemáticamente de los no encuestados (por ejemplo, siendo más saludables), lo que sugiere un mecanismo de Omisión No Aleatoria (MNAR). Si el supuesto de MAR se viola, las estimaciones de los parámetros pueden estar sesgadas, lo que conduce a conclusiones erróneas. Aunque existen modelos de selección y de mezcla de patrones para manejar datos MNAR, estos suelen requerir restricciones distribucionales fuertes y no contrastables para lograr la identificación completa.

Metodología
El artículo propone un método de análisis de sensibilidad que renuncia a la identificación completa en favor de una identificación parcial bajo supuestos más débiles. El enfoque implica los siguientes pasos:

Modelado Dual: El resultado y el mecanismo de abandono se modelan simultáneamente utilizando modelos multinivel.
- El resultado $y_{ij}$ se modela mediante un modelo lineal de efectos mixtos: $y_{ij} = X_{ij}\beta + \eta_{ij}$ .
- El proceso de abandono se modela mediante un modelo lineal generalizado con un enlace probit, utilizando una variable latente $z^*_{ij}$ : $z^*_{ij} = X_{ij}\delta + u_{ij}$ , donde la observación ocurre si $z^*_{ij} > 0$ .
Parámetro de Sensibilidad: Bajo el supuesto de MAR, los efectos aleatorios del modelo de resultado ( $\eta$ ) y del de abandono ( $u$ ) son independientes. Para contabilizar el MNAR, los autores introducen una matriz de parámetros de sensibilidad $\Delta_i$ , que representa la covarianza entre estos componentes aleatorios.
Derivación del Sesgo: Los autores derivan una expresión analítica general para el sesgo del estimador de Mínimos Cuadrados Generalizados (GLS) cuando $\Delta_i \neq 0$ . El sesgo es una función de los parámetros de sensibilidad y del valor esperado de una distribución normal multivariante doblemente truncada.
Intervalos de Incertidumbre: En lugar de asumir un único valor para los parámetros de sensibilidad, el método especifica un rango plausible (por ejemplo, correlaciones entre 0 y 0.5). Al calcular el sesgo para valores dentro de este rango, los autores construyen "intervalos de incertidumbre". Estos intervalos representan la unión de los intervalos de confianza derivados bajo el rango especificado de supuestos MNAR, proporcionando límites para la estimación e inferencia.

Contribuciones Clave

Expresión Analítica General: El artículo proporciona una expresión analítica general para el sesgo del estimador GLS en modelos multinivel bajo condiciones MNAR. Las derivaciones previas se limitaban a casos especiales no representativos de estudios longitudinales (por ejemplo, asumiendo que todos los resultados en un clúster están totalmente observados o totalmente ausentes).
Marco de Identificación Parcial: El método permite a los investigadores cuantificar la estabilidad de las conclusiones relajando el supuesto de MAR sin requerir restricciones distribucionales no contrastables para identificar completamente los parámetros.
Estrategia de Implementación: Los autores demuestran cómo estimar los componentes necesarios (matrices de covarianza y expectativas truncadas) utilizando software estándar (por ejemplo, lme4 en R) y paquetes especializados (MomTrunc), haciendo que este enfoque sea computacionalmente viable para investigadores aplicados.

Resultados

Aplicación Empírica: El método se aplicó a los datos de SHARE (Survey of Health, Ageing and Retirement in Europe) para investigar la asociación entre la soledad, la actividad física y las trayectorias de la memoria en individuos de 65 años o más.
- Bajo MAR, los sentimientos frecuentes de soledad se asociaron con una disminución de 0.59 palabras en la puntuación de memoria, mientras que la actividad física vigorosa se asoció con un aumento de 0.41 palabras.
- Los análisis de sensibilidad que asumieron MNAR (específicamente que el declive de la memoria aumenta el riesgo de abandono) sugirieron que las estimaciones podrían estar ligeramente sesgadas (subestimadas), pero las conclusiones generales se mantuvieron robustas. Los intervalos de incertidumbre fueron ligeramente más amplios pero centrados de manera similar a las estimaciones de MAR.
Estudio de Simulación: Un estudio de simulación evaluó el desempeño de la corrección del sesgo en muestras finitas.
- El estudio comparó modelos anidados (agrupamiento por hogar) y no anidados. Mientras que los modelos anidados a menudo sufrieron problemas de convergencia, los modelos no anidados proporcionaron estimaciones estables.
- Las estimaciones corregidas por sesgo lograron tasas de cobertura empírica de al menos el 87% (a menudo 90–95%), incluso cuando el verdadero proceso generador de datos violaba el MAR.
- El estudio señaló que los errores estándar para la variable de tiempo en diseños anidados fueron subestimados, lo que llevó a una menor cobertura para las estimaciones no corregidas, pero la corrección del sesgo mejoró la cobertura significativamente.

Significancia y Limitaciones
El artículo sostiene que el método propuesto ofrece una herramienta práctica para el análisis de sensibilidad en modelos multinivel, particularmente para la investigación en salud y envejecimiento donde los supuestos de MAR suelen ser cuestionables. Permite una evaluación más transparente de cómo las conclusiones dependen de los supuestos sobre los datos faltantes.

Los autores reconocen limitaciones específicas:

Carga Computacional: Calcular el valor esperado de una distribución normal multivariante doblemente truncada se vuelve computacionalmente intensivo para clústeres grandes, lo que limita la viabilidad de diseños altamente anidados (por ejemplo, agrupamiento a nivel de país) en la implementación actual.
Población Objetivo: En la aplicación empírica, la población objetivo está algo mal definida debido a las muertes no registradas y la selección en el estudio, lo cual el método no aborda explícitamente.
Software: El método se implementa actualmente mediante scripts personalizados utilizando paquetes existentes de R, con el objetivo futuro de integrarlo en el paquete ui para una mayor accesibilidad.

El artículo concluye que, si bien el método no resuelve el problema de identificación por completo, proporciona un marco rigurooso para acotar las estimaciones y evaluar la robustez de los hallazgos bajo escenarios plausibles de MNAR.