📊 statistics

Targeted maximum likelihood estimation for longitudinal two-stage designs with outcome subsampling

Este artículo propone y evalúa dos estimadores eficientes, IPCW-LTMLE y un nuevo plug-in LTMLE que evita el ponderado inverso, para la inferencia causal en diseños longitudinales de dos etapas con submuestreo de resultados, demostrando reducciones significativas de la varianza sobre los métodos estándar de Kaplan-Meier ponderados y estableciendo la necesidad de la estimación de varianza mediante cross-fitting para una inferencia estadística válida.

Autores originales: Kirsten E. Landsiedel, Maya L. Petersen, Mark J. van der Laan

Publicado 2026-07-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Kirsten E. Landsiedel, Maya L. Petersen, Mark J. van der Laan

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 tratando de averiguar cuánto tiempo vive la gente en una comunidad específica. Tienes una lista de todos los que estás siguiendo, pero hay un gran problema: muchas personas dejan de presentarse en la clínica. En el mundo médico, esto se llama "pérdida de seguimiento".

Normalmente, si alguien deja de presentarse, los investigadores simplemente asumen que sigue vivo a menos que se demuestre lo contrario, o descartan los datos de esa persona. Pero en realidad, las personas que dejan de presentarse suelen estar más enfermas y podrían haber fallecido. Si ignoras a estas personas, tus cálculos dirán que la gente vive más tiempo de lo que realmente vive.

Para solucionar esto, los investigadores utilizan una estrategia de "remuestreo". Piensa en ello como una agencia de detectives: si una persona desaparece, la agencia vuelve a intentar encontrarla (tal vez llamando a su familia o revisando los registros del hospital) para ver si está viva o muerta. Solo hacen esto para un subconjunto de las personas desaparecidas porque encontrar a todo el mundo es demasiado costoso y lento.

El Problema con la Forma Antigua
La forma estándar de analizar estos datos es como un "promedio ponderado".

Si conoces el estado de alguien a través de la clínica, los cuentas normalmente.
Si encontraste a una persona desaparecida mediante tu trabajo de detective, la cuentas "más" para representar a todas las otras personas desaparecidas que no encontraste.
Si nunca encontraste a una persona desaparecida, la ignoras por completo.

El artículo argumenta que este método antiguo es un desperdicio. Tira a la basura una mina de oro de información: la larga historia de visitas médicas, resultados de pruebas y comportamientos que cada uno de los participantes tuvo antes de desaparecer. Es como intentar adivinar el clima de mañana mirando solo el cielo en este momento, ignorando todas las lecturas de barómetro y patrones de viento que registraste durante la última semana.

La Nueva Solución: Dos Herramientas Inteligentes
Los autores, estadísticos de UC Berkeley, proponen dos nuevas y más inteligentes formas de procesar los números. Se dieron cuenta de que el "remuestreo" es simplemente un tipo específico de un problema más amplio llamado "diseño de dos etapas" (Etapa 1: obtener información básica de todos; Etapa 2: obtener información detallada de unos pocos).

Aquí están sus dos nuevas herramientas, explicadas con analogías:

1. La Herramienta de "Peso Inteligente" (IPCW-LTMLE)
El método antiguo utiliza pesos fijos (como una receta estática). La nueva herramienta es como un chef dinámico.

En lugar de usar solo la probabilidad conocida de encontrar a una persona desaparecida, esta herramienta aprende de los datos para predecir quién tenía más probabilidades de ser encontrado.
Luego "ajusta" (o apunta) estas predicciones para asegurar que el cálculo final esté perfectamente equilibrado.
El Resultado: Utiliza la rica historia de todos los participantes para que los pesos de las "personas desaparecidas" sean más precisos. En sus pruebas, esto redujo el "bamboleo" (varianza) en los resultados hasta en un 36% en comparación con el método antiguo.

2. La Herramienta de "Conectar y Usar" (LTMLE)
Los autores se dieron cuenta de que incluso la herramienta de "Peso Inteligente" es un poco tosca porque depende de la "ponderación inversa" (dividir por números pequeños), lo cual puede ser inestable.

Construyeron una nueva herramienta que no utiliza pesos. En su lugar, trata el acto de "ser encontrado" como un paso más en una cadena de eventos, como una parada en una carrera de relevos.
Imagina una carrera de relevos donde el testigo se pasa de "Salud Basal" -> "Visitas" -> "¿Fue encontrado?" -> "Resultado Final".
Esta herramienta ejecuta una simulación ("contrafactual") preguntando: "¿Cuál sería el resultado si todos hubieran sido encontrados?". Utiliza la historia completa de todos en la carrera, incluso de aquellos que nunca fueron encontrados, para predecir el resultado.
El Resultado: Esta es la herramienta más eficiente. En sus pruebas, redujo el "bamboleo" hasta en un 73% en comparación con el estándar anterior. Es como usar un GPS de alta tecnología en lugar de un mapa de papel.

La Trampa de la "Sobreconfianza"
El artículo también encontró un peligro oculto. Cuando los investigadores usan estas nuevas y sofisticadas herramientas, la computadora puede volverse "sobreconfiada". Cree que sabe la respuesta mejor de lo que realmente la conoce, lo que genera intervalos de confianza (el margen de error) demasiado estrechos. Es como un estudiante que estudia mucho pero olvida revisar su trabajo, pensando que sacó un 100 cuando en realidad obtuvo un 76.

Para solucionar esto, los autores introdujeron el "Cross-Fitting" (Ajuste Cruzado).

La Analogía: Imagina a un profesor calificando un examen. Si el profesor escribe las preguntas y también califica las respuestas, podría, de forma subconsciente, calificar sus propias preguntas con demasiada facilidad.
La Solución: Divides la clase en grupos. El Grupo A escribe las preguntas y el Grupo B las califica. Luego intercambian los roles. Esto asegura que la calificación sea honesta y que el "margen de error" se calcule correctamente.
Sin este paso, las nuevas herramientas daban una confianza falsa (cobertura de tan solo un 76%). Con el cross-fitting, lograron alcanzar el objetivo correcto (95%).

La Conclusión
El artículo demuestra que al tratar el "remuestreo" como un problema general de "dos etapas" y utilizar estas nuevas y sofisticadas herramientas estadísticas, los investigadores pueden obtener respuestas mucho más precisas sobre las tasas de supervivencia. Utilizan todos los datos disponibles, no solo las partes fáciles de encontrar, y lo hacen de una manera que no los engaña haciéndoles creer que son más precisos de lo que realmente son.

En resumen: convirtieron un rompecabezas desordenado e incompleto en una imagen clara al usar la imagen completa, no solo las piezas que eran fáciles de encontrar.

Resumen Técnico: Estimación de Máxima Verosimilitud Dirigida para Diseños Longitudinales de Dos Etapas con Submuestreo de Resultados

Planteamiento del Problema
El artículo aborda el desafío de estimar eficientemente parámetros causales generales en diseños longitudinales de dos etapas que presentan submuestreo de resultados. Este diseño está motivado por estudios de supervivencia longitudinal en entornos de recursos limitados, particularmente aquellos que investigan la mortalidad relacionada con el VIH. En estos estudios, una proporción significativa de participantes se pierde en el seguimiento (LTFU, por sus siglas en inglés) antes de que se registre la muerte o ocurra el censado por la derecha. La práctica estándar consiste en rastrear retrospectivamente a un subconjunto de estos individuos perdidos en el seguimiento para determinar su estado vital (remuestreo).

El enfoque analítico dominante, el estimador de Kaplan-Meier ponderado por la probabilidad inversa (wKM), asigna pesos basados en las probabilidades de remuestreo conocidas. Sin embargo, los autores argumentan que los estimadores wKM sufren pérdidas sustanciales de eficiencia porque descartan la rica historia de covariables longitudinales disponible para todos los participantes, basándose en la ponderación inversa que descarta datos de los individuos no muestreados. Además, los métodos estándar de estimación de la varianza a menudo no proporcionan inferencia válida cuando se emplean estimadores de parámetros molestos (nuisance) adaptativos a los datos y flexibles, lo que conduce a coberturas de intervalos de confianza muy por debajo de los niveles nominales (tan bajas como el 76%).

Marco Metodológico
Los autores formalizan los diseños de remuestreo como un caso específico de la clase más amplia de diseños de dos etapas con submuestreo de resultados. En este marco:

Etapa 1: Se recolectan los datos $V$ (covariables y tiempos de censura) para todos los participantes.
Etapa 2: La información del resultado $X$ se recolecta solo para un subconjunto seleccionado indicado por $\Delta=1$ .
Datos Completos: Definidos como $X = (W, \tau, \bar{L}(\tau), \bar{Y}(\tau))$ , donde $\tau$ es el censado administrativo y $\bar{Y}(\tau)$ es el proceso de supervivencia.

El artículo propone dos nuevos estimadores basados en la Estimación de Máxima Verosimilitud Dirigida (TMLE) para abordar la ineficiencia de wKM:

IPCW-LTMLE (LTMLE de Probabilidad Inversa de Censura para Datos Longitudinales):
- Es una extensión del LTMLE para diseños de dos etapas aplicado al entorno longitudinal (IPCW-TMLE).
- Aplica un LTMLE a los "datos completos" (observados solo para $\Delta=1$ ) y utiliza pesos de probabilidad inversa ( $\Delta/\Pi_\Delta$ ) para contabilizar la ausencia de datos.
- Innovación: Los autores demuestran que incluso cuando las probabilidades de muestreo son conocidas por diseño, estimar y dirigir estas probabilidades produce reducciones significativas de la varianza (hasta un 36%). Esto se logra añadiendo un paso de fluctuación para imponer una condición de curva de influencia de media cero, incorporando efectivamente la información de todos los participantes en lugar de solo el subconjunto muestreado.
LTMLE con el Muestreo como un Nodo de Intervención:
- Reconociendo que la ponderación inversa sacrifica intrínsecamente la eficiencia respecto a la estimación de plug-in, los autores proponen un segundo estimador que evita la ponderación inversa por completo.
- Este método incorpora el indicador de muestreo de la segunda etapa $\Delta$ directamente como un nodo de intervención adicional en el marco de regresión secuencial.
- El estimador apunta a un resultado contrafáctico bajo una intervención conjunta que previene el censado y establece $\Delta=1$ para todos los participantes.
- Este enfoque aprovecha la historia completa de covariables longitudinales de todos los participantes (independientemente del estatus de muestreo) y se adhiere a los principios de estimación de plug-in.

Estimación de la Varianza y Cross-fitting
Una contribución crítica del artículo es el desarrollo de estimadores de varianza mediante cross-fitting para ambos métodos propuestos. Los autores identifican que la estimación de la varianza basada en la curva de influencia estándar produce inferencia inválida (subcobertura) cuando se utilizan estimadores de parámetros molestos flexibles (por ejemplo, Super Learner) debido al sobreajuste.

Proponen un enfoque híbrido: el estimador puntual se calcula sobre los datos completos para preservar la estabilidad y la eficiencia, mientras que el paso de estimación de la varianza utiliza la división de la muestra (cross-fitting).
Para IPCW-LTMLE, esto implica realizar cross-fitting tanto para el componente de la curva de influencia de los datos completos como para el término de proyección sobre el espacio tangente del mecanismo de muestreo.
Se demuestra que este procedimiento es esencial para restaurar la cobertura de los intervalos de confianza a los niveles nominales.

Resultados de Simulación
Los autores evalúan los estimadores mediante simulaciones con tamaños de muestra $N \in \{500, 1000, 3000\}$ en un entorno de remuestreo con censado bivariante (administrativo y de muestreo).

Eficiencia: El estimador plug-in LTMLE (sin ponderación inversa) logra consistentemente la varianza más baja, superando a wKM con pesos conocidos hasta en un 73% en tamaños de muestra pequeños y puntos temporales tempranos. El IPCW-LLTMLE con pesos dirigidos también muestra ganancias consistentes de entre el 20% y el 35% sobre el wKM estándar.
Sesgo: Todos los estimadores propuestos exhiben un sesgo empírico insignificante en todos los entornos.
Cobertura: Los estimadores de varianza estándar producen coberturas tan bajas como el 76% para IPCW-LTMLE y 80% para Hazard TMLE en $N=500$ . Los estimadores de varianza propuestos mediante cross-fitting restauran consistentemente la cobertura a niveles cercanos al nominal (aprox. 95%).
Comportamiento en Muestras Finitas: En $N=500$ y puntos temporales tempranos ( $t=1$ ), todos los estimadores enfrentan desafíos debido a los bajos conteos de eventos y altos grados de información determinista, lo que conduce a distribuciones de muestreo no normales. Sin embargo, la cobertura mejora significativamente a medida que aumenta el tamaño de la muestra.

Significancia y Reivindicaciones
El artículo afirma proporcionar una extensión sistemática de la teoría de la eficiencia semiparamétrica a los diseños longitudinales de dos etapas con submuestreo de resultados.

Formalización: Establece la conexión entre los diseños de remuestreo y la clase más amplia de diseños de dos etapas con submuestreo de resultados, permitiendo la aplicación de herramientas avanzadas de inferencia causal.
Eficiencia: Los estimadores propuestos ofrecen alternativas de forma cerrada altamente eficientes en entornos donde no existen estimadores de forma cerrada totalmente eficientes debido al censado bivariante.
Utilidad Práctica: Al demostrar que dirigir los pesos de muestreo conocidos y evitar la ponderación inversa por completo puede generar reducciones sustanciales de la varianza, el artículo ofrece una alternativa más eficiente al ampliamente utilizado estimador wKM.
Inferencia Robusta: El trabajo enfatiza que la estimación de la varianza mediante cross-fitting no es simplemente una mejora opcional, sino una práctica esencial para una inferencia válida cuando se utiliza la estimación de parámetros molestos adaptativa a los datos en estos diseños complejos.

Los autores concluyen que estos métodos expanden el conjunto de herramientas metodológicas para analizar diseños de dos etapas, ofreciendo estimadores que son más eficientes, robustos y fiables que los enfoques existentes, particularmente en el contexto de estudios de supervivencia longitudinal con submuestreo de resultados.

Más como este