GEEPERs: Principal Stratification using Principal Scores and Stacked Estimating Equations

Sintesi Tecnica: GEEPERs – Stratificazione Principale mediante Punteggi Principali ed Equazioni di Stima Accumulate

Enunciato del Problema
La stratificazione principale è un quadro per l'inferenza causale progettato per stimare gli effetti del trattamento per sottogruppi definiti da variabili post-trattamento (ad esempio, il comportamento di conformità) che possono essere essi stessi influenzati dal trattamento. Una sfida primaria in questo campo è che le strati principali (ad esempio, "conformisti" vs. "mai-conformisti") sono controfattuali non osservati; i ricercatori non possono osservare quale sarebbe stato lo stato di conformità di un soggetto sotto una diversa assegnazione del trattamento.

Gli stimatori esistenti per gli effetti principali spesso si basano su forti assunzioni strutturali o tecniche di modellazione complesse che ne limitano l'accessibilità ai ricercatori applicati. Nello specifico:

1. Modelli di Miscela Parametrici: Questi richiedono spesso metodi Bayesiani di Catena di Markov Monte Carlo (MCMC), sono difficili da specificare e possono produrre stime fortemente distorte se le assunzioni distributive (ad esempio, la normalità) vengono violate.
2. Ponderazione mediante Punteggi Principali: Sebbene più facili da implementare, questi metodi fanno affidamento sull'assunzione di "ignorabilità principale" (che l'appartenenza allo strato principale sia indipendente dai potenziali esiti condizionata dalle covariate). Questa è un'assunzione forte e non verificabile, analoga a quelle richieste negli studi osservazionali, che gli studi randomizzati sono specificamente progettati per evitare.

Metodologia: GEEPERs
Gli autori introducono GEEPERs (Equazioni di Stima Generali per Effetti Principali mediante Regressioni), un nuovo stimatore per scenari di non conformità unidirezionale in cui l'appartenenza allo strato principale è osservata nel gruppo di trattamento ma non nel gruppo di controllo. Il metodo si basa sulla M-stima e sulle equazioni di stima accumulate per combinare la stima dei punteggi principali con la stima degli effetti principali.

La procedura GEEPERs segue una logica in tre passaggi, implementata come un singolo modello di regressione:

1. Stima dei Punteggi Principali: Si adatta un modello (ad esempio, regressione logistica) per prevedere la probabilità di appartenere allo strato "conformista" ($S_T=1$) utilizzando covariate pre-trattamento ($x$) e dati di conformità osservati dal gruppo di trattamento. Sia questa probabilità $e(x)$.
2. Imputazione degli Strati Mancanti: Si costruisce una variabile $R_i$ che funge da proxy per l'appartenenza allo strato non osservato nel gruppo di controllo:
   • Se $Z_i=1$ (trattamento), $R_i = S_i$ (conformità osservata).
   • Se $Z_i=0$ (controllo), $R_i = e(x_i)$ (punteggio principale stimato).
3. Stima degli Effetti tramite OLS: Si adatta una regressione dei Minimi Quadrati Ordinari (OLS) dell'esito $Y$ sull'indicatore di trattamento $Z$, sul proxy dello strato imputato $R$ e sulla loro interazione, includendo potenzialmente covariate $g(x)$ per rilassare le assunzioni di indipendenza:
   $$Y_i = \beta_0 + \beta_1 R_i + \beta_2 Z_i + \beta_3 (Z_i R_i) + \gamma' g(x)_i + \epsilon_i$$
   Gli effetti principali sono recuperati come combinazioni lineari dei coefficienti: $\hat{\tau}_0 = \hat{\beta}_2$ e $\hat{\tau}_1 = \hat{\beta}_2 + \hat{\beta}_3$.

Assunzioni Chiave e Proprietà Tecniche

• Monotonia Forte: Assume non conformità unidirezionale (ad esempio, $S_{Ci}=0$ per tutti gli $i$), il che significa che nessun soggetto si conformerebbe se assegnato al controllo ma non se assegnato al trattamento.
• Indipendenza delle Covariate Residualizzate: Il metodo rilassa la stretta assunzione di "Indipendenza delle Covariate" consentendo un aggiustamento lineare delle covariate. Assume che, dopo l'aggiustamento per le covariate, i potenziali esiti siano indipendenti in media dalle covariate all'interno degli strati.
• Nessuna Assunzione Distributiva: A differenza dei modelli di miscela, GEEPERs non assume una distribuzione specifica per gli errori di regressione.
• Errori Standard: Poiché il metodo coinvolge un processo in due fasi (stima dei punteggi e poi degli effetti), gli autori utilizzano equazioni di stima accumulate. Ciò consente il calcolo di errori standard "a sandwich" che propagano correttamente l'incertezza dalla prima fase (stima dei punteggi) alla seconda fase (stima degli effetti).

Risultati delle Simulazioni
Gli autori hanno condotto uno studio di simulazione confrontando GEEPERs con la Modellazione di Miscela Parametrica (PMM) e la Ponderazione mediante Punteggi Principali (PSW) in varie condizioni:

• Robustezza alle Violazioni Distributive: GEEPERs ha funzionato costantemente bene indipendentemente dal fatto che gli errori di regressione fossero normali, log-normali o uniformi. Al contrario, la PMM ha sofferto di distorsioni severe, distribuzioni di campionamento bimodali e scarsa copertura degli intervalli di confidenza quando gli errori erano non normali (specificamente uniformi).
• Robustezza alla Confondimento Non Misurato: Quando l'assunzione di "ignorabilità principale" è stata violata (a causa di una covariata non misurata che predice sia la conformità che l'esito), la PSW ha mostrato una distorsione significativa. GEEPERs è rimasto meno distorto rispetto a PMM e PSW, sebbene abbia mostrato una certa sensibilità alle interazioni tra covariate e assegnazione del trattamento.
• Dimensione del Campione e Prevedibilità: GEEPERs è stato approssimativamente non distorto attraverso le dimensioni del campione. Sebbene avesse una varianza leggermente superiore rispetto a PMM in campioni piccoli o quando le covariate predicevano male la conformità, questo divario di efficienza si è ridotto all'aumentare della dimensione del campione e del potere predittivo delle covariate.
• Analisi di Sensibilità: Gli autori hanno dimostrato che, se si sospettano interazioni tra covariate e assegnazione del trattamento (moderatori dell'effetto), escludere quelle specifiche covariate dall'analisi può ripristinare la validità delle stime GEEPERs, offrendo un controllo pratico di sensibilità.

Applicazione a Dati Reali
Il metodo è stato applicato a una rianalisi di tre studi controllati randomizzati (RCT) dalla piattaforma online di matematica ASSISTments, valutando l'effetto del "scaffolding video" sulla velocità di padronanza degli studenti.

• Risultati: GEEPERs ha stimato un effetto positivo per i "conformisti" (studenti che hanno utilizzato lo scaffolding) in tutte le specifiche del modello, con stime che variavano da 0,30 a 0,50 deviazioni standard. Le stime per i "mai-conformisti" erano vicine allo zero con grandi errori standard, coerenti con l'assenza di effetto.
• Confronto: La PMM ha prodotto stime puntuali simili per i conformisti ma ha suggerito un effetto positivo sorprendentemente grande per i mai-conformisti, che gli autori hanno segnalato come sospetto a causa di controlli di specificazione errata del modello. La PSW ha prodotto un grande effetto positivo per i mai-conformisti e un effetto più piccolo per i conformisti, probabilmente a causa della violazione dell'ignorabilità principale (gli studenti che avevano bisogno di aiuto erano intrinsecamente in maggiore difficoltà).

Significato e Affermazioni
Il documento afferma che GEEPERs affronta tre lacune critiche nella letteratura esistente:

1. Accessibilità: Riducendo la stratificazione principale a regressioni logistiche e lineari standard, il metodo è accessibile ai ricercatori applicati senza formazione avanzata in MCMC Bayesiano o ottimizzazione della verosimiglianza.
2. Robustezza: Il metodo evita la fragilità dei modelli di miscela parametrici riguardo alle assunzioni distributive e le forti assunzioni non verificabili di ignorabilità principale richieste dai metodi di ponderazione.
3. Flessibilità: Fornisce un quadro unificato che utilizza strumenti di regressione ampiamente disponibili offrendo al contempo un modo rigoroso per gestire l'incertezza della stima in due fasi tramite stimatori di varianza a sandwich.

Gli autori concludono che, sebbene GEEPERs non sia immune a tutte le violazioni (in particolare quelle che coinvolgono moderatori dell'effetto non modellati), offre un'alternativa robusta, interpretabile e computazionalmente diretta per stimare gli effetti principali negli studi educativi e in altri studi randomizzati con non conformità unidirezionale.