Model-based standardization using multiple imputation

Sintesi Tecnica: Standardizzazione Basata su Modelli mediante Imputazione Multipla

Enunciazione del Problema
Nella stima degli effetti relativi del trattamento, i ricercatori si trovano spesso di fronte alla scelta tra parametri condizionali e marginali. Mentre gli effetti condizionali sono derivati direttamente da modelli di regressione multivariata, gli effetti marginali sono generalmente preferiti per il processo decisionale a livello di popolazione, in particolare per misure non collapsibili come i rapporti di probabilità (odds ratio) e i rapporti di rischio (hazard ratio). La standardizzazione basata su modelli (spesso definita G-computazione) è il metodo convenzionale per convertire le previsioni condizionali del modello in effetti marginali del trattamento, mediando su una distribuzione target delle covariate.

L'approccio standard si basa sulla stima della massima verosimiglianza (MLE) per il modello di esito e sul bootstrap non parametrico per la stima della varianza. Tuttavia, questo quadro presenta limitazioni: non si adatta naturalmente all'inferenza bayesiana, rendendo difficile incorporare evidenze prioritarie, gestire dati mancanti in modo probabilistico e rigoroso, o propagare l'incertezza attraverso un quadro unificato. Inoltre, la standardizzazione richiede spesso l'estrapolazione delle previsioni del modello a popolazioni target esterne (ad esempio, dati del mondo reale) dove i dati di esito sono mancanti, uno scenario concettualmente analogo a un problema di dati mancanti.

Metodologia: Marginalizzazione mediante Imputazione Multipla (MIM)
Gli autori propongono un nuovo metodo a scopo generale denominato Marginalizzazione mediante Imputazione Multipla (MIM). Questo approccio riformula il problema della standardizzazione come un problema di dati mancanti, in cui gli esiti per la popolazione target sotto i trattamenti di interesse sono sistematicamente mancanti. La MIM sfrutta i principi dell'imputazione multipla per sintetizzare questi esiti mancanti e stimare l'effetto marginale del trattamento.

Il metodo opera in due fasi distinte:

1. Fase di Sintesi (Generazione dei Dati):

   • Regressione di Prima Fase: Un modello di regressione multivariata parametrico (ad esempio, regressione logistica) viene adattato ai dati a livello individuale dello studio indice (la fonte delle stime dell'effetto del trattamento). Questo modello relaziona l'esito alle covariate basali e al trattamento, includendo interazioni trattamento-covariata per catturare l'eterogeneità dell'effetto. Ciò viene stimato utilizzando un quadro bayesiano (ad esempio, tramite MCMC), consentendo la specificazione di distribuzioni prioritarie.
   • Previsione dell'Esito: Un passaggio di "aumento dei dati" crea un dataset sintetico duplicando il dataset delle covariate target. Una copia viene assegnata al trattamento attivo ($t=1$) e l'altra al controllo ($t=0$).
   • Imputazione: Utilizzando la distribuzione predittiva a posteriori derivata dalla regressione di prima fase, vengono estratti valori plausibili per gli esiti mancanti nel dataset target aumentato. Questo processo viene ripetuto $M$ volte per generare $M$ dataset sintetici, dove ogni dataset contiene le covariate target, gli indicatori di trattamento e gli esiti imputati.

2. Fase di Analisi (Inferenza):

   • Regressione di Seconda Fase: Per ciascuno dei $M$ dataset sintetici, viene eseguita una semplice regressione marginale, facendo regressione degli esiti imputati esclusivamente sull'indicatore di trattamento per stimare l'effetto marginale del trattamento ($\delta^{(m)}$) e la sua varianza ($\hat{v}^{(m)}$).
   • Poolsing: Le $M$ stime puntuali e le varianze vengono combinate per costruire una distribuzione a posteriori per l'effetto marginale del trattamento. Gli autori utilizzano regole di combinazione analoghe alle regole di Rubin, ma adattate per questo specifico contesto. Nello specifico, calcolano la stima media ($\bar{\delta}$), la varianza media entro l'imputazione ($\bar{v}$) e la varianza tra le imputazioni ($b$).
   • Inferenza: La stima finale è la media delle $M$ stime. La varianza è stimata utilizzando una formula che tiene conto sia della variabilità entro le imputazioni sia di quella tra le imputazioni, aggiustata per il numero finito di sintesi. Gli intervalli di confidenza possono essere derivati utilizzando un'approssimazione normale o una distribuzione $t$ con gradi di libertà aggiustati.

Contributi Chiave

• Nuovo Quadro: Il documento introduce la MIM come ponte tra l'imputazione multipla e la standardizzazione basata su modelli, consentendo di eseguire la standardizzazione all'interno di un quadro statistico bayesiano.
• Propagazione dell'Incertezza: A differenza dell'approccio bootstrap standard, la MIM propaga naturalmente l'incertezza dai parametri del modello di esito fino alla stima finale dell'effetto marginale attraverso la distribuzione predittiva a posteriori.
• Flessibilità: Il metodo facilita l'incorporazione di evidenze prioritarie (ad esempio, da meta-analisi o opinioni di esperti) nel modello di esito e offre un modo rigoroso per gestire i dati mancanti nello studio indice.
• Efficienza Computazionale: Separando le fasi di sintesi e analisi, la MIM evita il carico computazionale delle simulazioni annidate (ad esempio, il bootstrap all'interno di un ciclo MCMC bayesiano).

Risultati
Gli autori hanno condotto uno studio di simulazione per confrontare la MIM con l'approccio standard di G-computazione parametrica (MLE con bootstrap non parametrico). Lo studio ha utilizzato esiti binari, covariate continue e un modello di esito logistico, prendendo di mira il logaritmo del rapporto di probabilità marginale. Gli scenari variavano per dimensione campionaria dello studio indice ($N=500, 1000, 2000$) e per il grado di sovrapposizione tra le distribuzioni delle covariate dello studio indice e quelle target (sovrapposizione limitata vs. completa).

• Assenza di Bias: Quando le assunzioni di modellazione parametrica erano valide, la MIM ha prodotto stime non distorte dell'effetto marginale del trattamento nella distribuzione delle covariate target, paragonabili all'approccio standard.
• Precisione ed Efficienza: Gli errori standard empirici (ESE) e gli errori quadratici medi (MSE) per la MIM sono stati virtualmente identici a quelli dell'approccio standard in tutti gli scenari.
• Copertura: I tassi di copertura empirici delle stime degli intervalli al 95% sono stati vicini al livello nominale del 95% per entrambi i metodi. Leggere deviazioni si sono verificate solo in piccoli campioni ($N=500$), probabilmente a causa di un bias intrinseco nei piccoli campioni nella regressione logistica piuttosto che della metodologia MIM stessa.
• Robustezza: Lo studio ha dimostrato che la MIM si comporta tanto bene quanto l'approccio standard in campioni finiti sotto una corretta specificazione del modello.

Significato e Affermazioni
Il documento afferma che la MIM fornisce un'alternativa statisticamente valida alla standardizzazione basata su modelli standard, offrendo prestazioni paragonabili al metodo G-computazione consolidato quando le assunzioni parametriche sono soddisfatte. Il significato principale risiede nell'espansione metodologica: la MIM integra la standardizzazione in un quadro probabilistico (bayesiano), consentendo così la propagazione rigorosa dell'incertezza e l'incorporazione di evidenze prioritarie.

Gli autori dichiarano esplicitamente che lo studio di simulazione funge da "prova di principio". Riconoscono che lo studio si è concentrato su uno "scenario ottimale" con corretta specificazione del modello e non ha investigato la robustezza rispetto a una specifica errata del modello. Osservano che, sebbene la MIM sia attraente per la sua capacità di gestire dati mancanti e incorporare prior, la sua applicazione dipende dalla corretta specificazione del modello di esito e dalla disponibilità di covariate definiti in modo coerente tra le fonti di dati. Il documento conclude che la MIM è un metodo praticabile per la marginalizzazione su una distribuzione di covariate target, offrendo inferenza appropriata e prestazioni statistiche simili all'approccio standard, fornendo al contempo la flessibilità aggiuntiva di un quadro bayesiano.