Focused median bias reduction

Resumen Técnico: Reducción del Sesgo de la Mediana Enfocada

Planteamiento del Problema
Los estimadores de máxima verosimilitud (MLE, por sus siglas en inglés) son estándares en la práctica estadística debido a su consistencia y eficiencia asintótica. Sin embargo, en muestras finitas —particularmente con tamaños de muestra pequeños o moderados, parámetros de alta dimensión o espacios de parámetros restringidos— los MLE suelen exhibir un sesgo significativo. Mientras que los métodos de reducción del sesgo de la media (por ejemplo, Firth, 1993) están bien establecidos, el sesgo de la mediana suele ser preferible para distribuciones sesgadas o parámetros con rangos restringidos, ya que garantiza probabilidades iguales de sobreestimación y subestimación, y es invariante bajo transformaciones monótonas.

Los métodos existentes para la reducción del sesgo de la mediana de "parámetros de enfoque" (transformaciones escalares suaves de una parametrización de referencia) enfrentan limitaciones sustancialas. Los métodos implícitos, como los basados en la raíz de la verosimilitud con signo modificado o los puntajes de perfil ajustados (Kenne Pagui et al., 2017), requieren resolver sistemas no lineales de ecuaciones de estimación, parametrizaciones de parámetros de molestia plenamente especificadas y optimización restringida repetida. Estos enfoques son computacionalmente exigentes, algebraicamente complejos y pueden ser numéricamente frágiles, especialmente cuando los parámetros de enfoque no son componentes de la parametrización canónica.

Metodología
Los autores proponen un estimador de corrección de sesgo de la mediana explícito para parámetros de enfoque definidos como transformaciones escalares suaves de una parametrización de referencia elegida. La metodología se basa en la expansión de Cornish-Fisher del MLE centrado y escalado del parámetro de enfoque.

1. Estimador Oráculo: Teóricamente, se puede construir un estimador de la mediana no sesgado de tercer orden $\tilde{\psi}^{(o)}$ si se conocen el sesgo $B(\psi)$, la varianza $K_2$ y el tercer cumulante $K_3$ del parámetro de enfoque. La expansión produce:
   $$\tilde{\psi}^{(o)} = \hat{\psi} - B(\psi) + \frac{1}{6}\frac{K_3}{K_2}$$
   donde $\hat{\psi}$ es el MLE estándar del parámetro de enfoque.

2. Estimador No Oráculo: Dado que $B(\psi)$, $K_2$ y $K_3$ rara vez están disponibles en forma cerrada, los autores derivan versiones no oráculo reemplazando estas cantidades con sus aproximaciones asintóticas evaluadas en un estimador inicial (típicamente el MLE o un estimador de sesgo de la media reducido). El término de sesgo $B(\psi)$ se aproxima utilizando el término principal de la expansión del sesgo del vector de parámetros de referencia, involucrando el gradiente y el Hessiano de la transformación y las expectativas de productos de derivadas de log-verosimilitud (matrices $P_t$ y $Q_t$).

3. Computación: Las expectativas requeridas ($P_t, Q_t$) están disponibles en forma cerrada para muchos modelos estándar (por ejemplo, GLM, familias exponenciales). Para modelos generales, el artículo demuestra que estas cantidades pueden estimarse eficientemente mediante simulación de Monte Carlo a partir del modelo ajustado, requiriendo únicamente la función de log-verosimilitud y un mecanismo de simulación.

4. Inferencia: El estimador corregido es de la mediana no sesgado de tercer orden. El artículo integra esto con procedimientos de Confianza basada en Hull (HulC) (Kuchibothla et al., 2024). Al aplicar la corrección dentro de las particiones de datos, el método logra una cobertura de muestra finita casi nominal sin requerir la estimación explícita de la varianza o supuestos de distribución límite, siempre que el sesgo de la mediana esté controlado.

Contribuciones Clave

• Formulación Explícita: El artículo proporciona una fórmula directa y explícita para la corrección del sesgo de la mediana que evita la resolución iterativa de ecuaciones de puntaje ajustadas requerida por los métodos implícitos.
• Flexibilidad: El método acomoda arbitrarias transformaciones escalares suaves de parámetros de enfoque (por ejemplo, distancias de Mahalanobis, cuantiles, efectos marginales, medidas de superioridad ordinal) sin requerir una parametrización de molestia específica para cada enfoque.
• Eficiencia Computacional: Reduce significativamente la carga computacional en comparación con los métodos implícitos. Cuando los parámetros de enfoque son componentes de la parametrización de referencia, se demuestra que la corrección explícita es equivalente a un paso de scoring de cuasi-Fisher hacia el estimador de sesgo de la mediana implícito de Kenne Pagui et al. (2017).
• Implementación Basada en Simulación: El marco incluye un enfoque práctico para modelos donde las derivadas analíticas de las cantidades de verosimilitud no están disponibles, utilizando la simulación de Monte Carlo para estimar los términos de sesgo y cumulantes necesarios.
• Propiedades de Equivarianza: Aunque el estimador explícito no es exactamente equivariante bajo reparametrización (a diferencia del MLE o los métodos implícitos), preserva la no sesgadez de la mediana de tercer orden bajo transformaciones monótonas del parámetro de enfoque.

Resultados
Los autores validan el marco a través de simulaciones extensas y ejemplos de datos reales:

• Distancia de Mahalanobis: En entornos de distribución normal multivariante, el estimador corregido reduce significativamente la probabilidad de subestimación (acercándola al 50%) y mejora el sesgo de la media y el RMSE en muestras finitas en comparación con el MLE.
• Modelos Lineales Generalizados (GLM): En la regresión probit para efectos marginales individuales, el método corrige casi completamente el sesgo de la mediana. Si bien esto conduce a una ligera inflación en el sesgo de la media y el RMSE, permite la construcción de intervalos HulC con una cobertura casi nominal, superando a los intervalos de tipo Wald basados en estimadores no corregidos o corregidos por sesgo de la media.
• Cuantiles de Weibull: Para la estimación de cuantiles, la corrección explícita se desempeña de manera comparable al estimador basado en $r^*$ (que resuelve la raíz de la verosimilitud con signo modificado), pero con un costo computacional sustancialmente menor, ya que evita la optimización restringida repetida y la interpolación de splines.
• Regresión Ordinal: En casos de separación de datos donde los MLE son infinitos, el método utiliza un estimador inicial de sesgo de la media reducido (por ejemplo, el estimador de Firth) para producir estimaciones finitas y corregidas de sesgo de la mediana de las medidas de superioridad ordinal.
• Criterio de Información de Enfoque (FIC): En la inferencia post-selección, el método proporciona intervalos de confianza robustos para los parámetros de enfoque seleccionados vía FIC, manteniendo las propiedades de cobertura incluso cuando el modelo seleccionado está mal especificado.

Significancia y Reclamaciones
El artículo afirma que el marco propuesto ofrece una ruta computacionalmente simple y ampliamente aplicable hacia la no sesgadez de la mediana de tercer orden. Cierra la brecha entre la optimalidad teórica de la reducción del sesgo de la mediana implícita y las restricciones prácticas de la estadística aplicada.

Las reclamaciones clave respecto a su significancia incluyen:

• El método proporciona aproximaciones de un solo paso a la reducción del sesgo de la mediana implícita, entregando el mismo orden de precisión sin la necesidad de resolver sistemas no lineales o manejar complejas parametrizaciones de molestia.
• Se integra naturalmente con la metodología HulC, produciendo intervalos de confianza con garantías de cobertura de sexto orden de precisión bajo condiciones específicas, un nivel de precisión raramente alcanzado sin la compleja inferencia de verosimilitud de orden superior.
• El enfoque es independiente del modelo respecto a la forma del parámetro de enfoque, lo que lo hace adecuado para cantidades derivadas complejas (por ejemplo, diferencias de riesgo, efectos marginales) donde los métodos tradicionales de verosimilitud de orden superior son intratables.
• El método maneja eficazmente los problemas de frontera al permitir el uso de estimadores iniciales de sesgo de la media reducidos para asegurar valores iniciales finitos, una característica no siempre garantizada en la reducción del sesgo de la mediana implícita para parámetros de enfoque arbitrarios.

Los autores concluyen que, si bien el estimador explícito sacrifica la equivariancia exacta bajo reparametrización, el intercambio genera una herramienta práctica, robusta y eficiente para mejorar la estimación y la inferencia en muestras finitas a través de una amplia gama de modelos estadísticos.