Bias and Variance of Adjusting for Instruments

Esta simulación demuestra que, dentro del contexto de la puntuación de propensión a gran escala, ajustar por variables instrumentales con una correlación inferior a 0.5 y un equilibrio superior a 0.5 introduce un sesgo mínimo en la estimación del efecto, lo que respalda la estrategia de incluir la mayoría de las covariables pretratamiento en lugar de intentar identificar un conjunto limitado de confusores.

Lo esencial

🍎 El Problema: ¿Qué pasa si mezclamos manzanas con naranjas?

Imagina que eres un investigador médico y quieres saber si una nueva medicina (el tratamiento) ayuda a curar una enfermedad. Como no puedes hacer un experimento controlado en un laboratorio, tienes que mirar los registros de pacientes reales (datos observacionales).

El gran problema es que los pacientes no eligen la medicina al azar.

• Los pacientes más jóvenes quizás eligen la medicina nueva.
• Los pacientes con más dinero quizás eligen la medicina vieja.

Esto se llama confusión. Es como intentar saber si una manzana es dulce, pero no sabes si el sabor que tienes es por la fruta o porque la comiste después de un postre muy dulce. Para arreglarlo, los científicos usan una herramienta llamada "Puntaje de Propensión", que es como un filtro matemático para equilibrar a los pacientes y comparar "manzanas con manzanas".

🎯 El Dilema: ¿Qué ingredientes ponemos en la mezcla?

Aquí surge la gran discusión entre los científicos:

1. El equipo "Cuidadoso": Dice: "Solo debemos incluir en el filtro las cosas que sabemos que afectan la enfermedad".
2. El equipo "Todo Incluido" (LSPS): Dice: "¡Pongamos todo! Edad, código postal, historial médico, todo. Es mejor tener demasiada información que perderse algo importante".

El miedo del equipo "Todo Incluido" es incluir un "Instrumento".

• ¿Qué es un instrumento? Imagina que hay una variable que afecta qué medicina toman los pacientes, pero que no tiene nada que ver con si se curan o no.
• Ejemplo: Imagina que el médico que atiende al paciente es muy estricto y siempre receta la medicina nueva, sin importar si el paciente está enfermo o no. El médico es un "instrumento": decide el tratamiento, pero no cura la enfermedad.

La teoría antigua decía: "¡Cuidado! Si incluyes al médico estricto en tu filtro, vas a arruinar el resultado y obtener una respuesta falsa."

🔬 El Experimento: La Prueba de Fuego

Los autores de este estudio (un grupo de expertos en datos de salud) decidieron poner a prueba esta teoría con una simulación gigante (como un videojuego muy avanzado donde crean 200,000 pacientes virtuales).

Quisieron ver: ¿Qué tan malo es realmente incluir a un "instrumento" (como el médico estricto) en nuestro filtro, si ya tenemos otros problemas de confusión?

Usaron dos reglas de seguridad (diagnósticos) que ya usan en la práctica real:

1. La Regla del 0.5: Si una variable está demasiado relacionada con la elección del tratamiento (como si el médico estricto eligiera la medicina el 100% de las veces), la descartan.
2. La Regla del Equilibrio (Equipoise): Verifican que no haya un grupo de variables que empuje a todos los pacientes hacia un solo tratamiento, dejando a los otros sin opciones.

📊 Los Resultados: ¡La noticia es buena!

Lo que descubrieron fue sorprendente y tranquilizador:

1. El "Instrumento" no es tan malo como pensábamos: Incluso cuando el "instrumento" (el médico estricto) era muy fuerte y afectaba mucho a quién tomaba la medicina, el error que causaba en el resultado final fue pequeño.
2. Es mejor tener "ruido" que perder la señal: El error que causaba no ajustar por los instrumentos fue mucho menor que el error que causaba no ajustar por los pacientes que realmente necesitaban ayuda (los verdaderos factores de confusión).
3. La analogía del ruido de fondo: Imagina que estás intentando escuchar una conversación en una fiesta ruidosa.
   • Si no filtras nada, no escuchas nada (confusión total).
   • Si intentas filtrar solo lo que crees importante, podrías perder partes de la conversación.
   • Si filtras todo (incluyendo un poco de ruido de fondo o instrumentos), la conversación sigue siendo clara. El "ruido" extra apenas molesta, pero te asegura no perder la voz principal.

💡 La Conclusión Simple

El estudio nos dice que no debemos tener tanto miedo de incluir demasiadas variables en nuestros análisis médicos.

Si usamos reglas de seguridad sencillas (como no incluir variables que decidan el tratamiento casi al 100% y asegurarnos de que haya variedad en las opciones), es mucho mejor incluir "demasiada" información (incluso si hay algunos instrumentos de paso) que intentar adivinar cuáles son las variables perfectas.

En resumen:

• Antes: Pensábamos que incluir variables irrelevantes (instrumentos) arruinaría el estudio.
• Ahora: Sabemos que, si usamos los filtros de seguridad adecuados, el daño es mínimo.
• La lección: Es mejor ser generoso con los datos y usar herramientas automáticas (como el Puntaje de Propensión a Gran Escala) que intentar ser demasiado perfeccionistas y perderse los datos importantes.

¡Es como decir que es mejor tener un mapa con un poco de ruido de fondo que intentar dibujar un mapa perfecto pero incompleto!

Resumen técnico

A continuación presento un resumen técnico detallado del artículo "Sesgo y Varianza de Ajustar por Instrumentos" (Bias and Variance of Adjusting for Instruments), traducido y estructurado en español.

1. Planteamiento del Problema

En la investigación observacional, el ajuste por puntuación de propensión (PS) es un método estándar para abordar el confusión. Sin embargo, existe un debate histórico sobre qué covariables incluir en el modelo de puntuación de propensión:

• Selección cuidadosa: Incluir solo un conjunto limitado de confusores identificados por expertos.
• Inclusión amplia: Incluir todas las covariables pre-tratamiento disponibles (como en el método de Puntuación de Propensión a Gran Escala o LSPS).

El riesgo principal de la inclusión amplia es la posible incorporación de instrumentos. Un instrumento es una variable que afecta al tratamiento pero no al resultado. La teoría estadística sugiere que ajustar por un instrumento en presencia de confusión no ajustada puede:

1. Amplificar el sesgo de la estimación del efecto (bias amplification).
2. Aumentar la varianza de la estimación.

El objetivo de este estudio es cuantificar el impacto real de ajustar por instrumentos dentro del contexto de los diagnósticos utilizados por LSPS (coeficiente de correlación y puntuación de equidad/equipoise) para determinar si el riesgo teórico justifica evitar la inclusión de grandes cantidades de covariables.

2. Metodología

Los autores realizaron una simulación computacional para evaluar el comportamiento de los modelos de regresión logística bajo diferentes escenarios de fuerza de instrumentos y confusión.

• Diseño de la Simulación:

  • Se generaron datos con una covariable de confusión medida ($X$), un instrumento medido ($Z$), un instrumento no medido ($U$), un tratamiento ($T$) y un resultado ($Y$).
  • Se varió la fuerza del instrumento medido ($B$) manteniendo constante la varianza total del tratamiento (ajustando la fuerza del instrumento no medido).
  • Se definieron parámetros fijos para el efecto del tratamiento ($E=0.5$) y la confusión ($C=1, D=1$).
  • Tamaño de muestra: 200,000 sujetos.

• Modelos Comparados:

  1. Crudo ($M_{crude}$): Sin covariables.
  2. Solo Instrumento ($M_{instr}$): Ajuste solo por el instrumento (simulando el ajuste en presencia de confusión no medida).
  3. Solo Confusor ($M_{conf}$): Ajuste solo por el confusor (límite de referencia para la estimación verdadera).
  4. Confusor + Instrumento ($M_{conf-instr}$): Ajuste completo (escenario ideal de LSPS).

• Diagnósticos Evaluados:

  • Coeficiente de correlación de Pearson: Entre el instrumento y el tratamiento (umbral de rechazo en LSPS: $\geq 0.5$).
  • Equipoise (Puntuación de preferencia): Medida de la solapamiento de las puntuaciones de propensión. Se evaluó el umbral de 0.5.
  • Se realizaron dos series de simulaciones: una con un solo instrumento y otra con 10 instrumentos independientes simultáneos.

3. Contribuciones Clave

• Cuantificación Empírica: Proporciona una evaluación cuantitativa de cuánto sesgo y varianza añade realmente un instrumento cuando se aplican los filtros de diagnóstico de LSPS.
• Validación de LSPS: Ofrece evidencia de simulación que respalda la estrategia de "incluir todo" (LSPS) frente a la selección manual de confusores, incluso bajo la amenaza teórica de instrumentos.
• Análisis de Múltiples Instrumentos: Investiga el efecto agregado de múltiples instrumentos débiles, un escenario común en datos del mundo real que a menudo se pasa por alto en teorías simplificadas.

4. Resultados Principales

• Impacto en el Sesgo:

  • Ajustar solo por un instrumento en presencia de confusión no medida aumenta el sesgo, pero el aumento es limitado.
  • Incluso cuando la varianza del tratamiento explicada por el instrumento ajustado era más de 20 veces mayor que la varianza debida al confusor no ajustado, el sesgo adicional introducido por el instrumento fue menor que el sesgo causado por la confusión no ajustada por sí sola.
  • En el umbral de correlación de 0.5 (donde LSPS rechazaría el análisis), el ajuste por el instrumento aumentó la estimación del efecto en un 50% del sesgo existente, pero no lo superó.

• Impacto en la Varianza:

  • El ajuste por instrumentos aumenta la varianza, pero el incremento fue menor al 50% de la varianza base en los umbrales de diagnóstico probados.
  • La combinación de ajuste por confusor e instrumento resultó en un aumento de varianza aditivo pero aún manejable.

• Múltiples Instrumentos:

  • En la simulación con 10 instrumentos, incluso cuando la "equipoise" bajó a 0.475, el sesgo total nunca superó el sesgo debido a la confusión.
  • La métrica de equipoise demostró ser efectiva para revelar el efecto agregado de múltiples instrumentos débiles, incluso cuando la correlación individual de cada uno con el tratamiento era baja (0.153).

• Recuperación del Verdadero Efecto:

  • El modelo que ajustó tanto por el confusor como por el instrumento ($M_{conf-instr}$) recuperó la estimación no sesgada (0.5), demostrando que el beneficio de ajustar por el confusor supera el costo de incluir el instrumento.

5. Significado y Conclusión

El estudio concluye que, dentro de los límites de los diagnósticos actuales de LSPS (correlación < 0.5 y equipoise > 0.5), el riesgo de incluir instrumentos es mínimo en comparación con el riesgo de omitir confusores.

• Implicación Práctica: La estrategia de ajustar por un gran número de covariables (LSPS) es superior a la selección manual limitada. La búsqueda de ajustar por confusores "supera" el riesgo de ajustar por instrumentos débiles o moderados.
• Validación de Diagnósticos: Los umbrales de correlación y equipoise utilizados en LSPS son efectivos para mitigar el riesgo de amplificación de sesgo.
• Consenso con la Evidencia Empírica: Estos resultados de simulación se alinean con estudios previos en datos del mundo real que mostraron que LSPS produce estimaciones menos sesgadas que los métodos de selección manual o hdPS, a pesar de la inclusión inevitable de algunos instrumentos.

En resumen, el artículo desmitifica el temor excesivo a los instrumentos en modelos de puntuación de propensión a gran escala, sugiriendo que la inclusión amplia de covariables, vigilada por los diagnósticos adecuados, es la estrategia más robusta para la investigación observacional.