Sintesi Tecnica: Inferenza di Randomizzazione Selettiva per Esperimenti Adattivi

Enunciato del Problema

Gli esperimenti adattivi, che utilizzano analisi preliminari dei dati per informare le fasi successive di reclutamento e assegnazione del trattamento, sono sempre più comuni nelle scienze mediche e sociali. Tuttavia, i metodi standard di inferenza statistica spesso falliscono in questi contesti perché l'ipotesi nulla e il disegno sperimentale diventano dipendenti dai dati. Questa "selezione" introduce un bias, rendendo invalidi i test di randomizzazione ingenui poiché ignorano il fatto che le scelte future di progettazione sono state condizionate dai risultati passati. Sebbene esistano soluzioni esistenti, queste sono spesso limitate a specifici disegni adattivi (ad esempio, trial multi-braccio multi-stadio) o si basano su forti assunzioni parametriche e approssimazioni asintotiche che potrebbero non valere in popolazioni finite. Inoltre, gli approcci semplici di divisione dei dati, sebbene validi, sono inefficienti poiché scartano le informazioni contenute nella fase iniziale utilizzata per la selezione.

Metodologia

Gli autori propongono l'Inferenza di Randomizzazione Selettiva (SRI), un framework generale e privo di modello per l'analisi di esperimenti adattivi. La metodologia centrale integra l'inferenza condizionata post-selezione con i principi dell'inferenza di randomizzazione.

1. Quadro Causale e Assunzioni

Gli autori modellano gli esperimenti adattivi con $K$ stadi utilizzando Grafi Aciclici Diretti (DAG). Definiscono una configurazione generale che coinvolge:

• Reclutamento ($R_k$): Modellato come un evento casuale in cui l'insieme delle unità reclutate può dipendere dai dati precedenti.
• Assegnazione del Trattamento ($Z_k$): Randomizzata dal sperimentatore ma potenzialmente dipendente da covariate e risultati passati.
• Statistiche di Selezione ($S_k$): Funzioni deterministiche dei dati osservati che dettano la progettazione delle fasi successive (ad esempio, quali sottogruppi reclutare).

Sono richieste tre assunzioni minime per la validità:

• (A1) Assegnazione Sequenziale Nota: La distribuzione delle assegnazioni del trattamento $q(z | r, x, y)$ è nota.
• (A2) Indipendenza Condizionata: L'assegnazione del trattamento allo stadio $k$ è condizionalmente indipendente dai potenziali esiti dati i dati osservati passati e le covariate correnti.
• (A3) Sufficienza della Selezione: La statistica di selezione $S_{k-1}$ cattura tutte le informazioni dalle fasi precedenti che influenzano il reclutamento e l'assegnazione del trattamento dello stadio $k$.

2. Il valore p di Randomizzazione Selettiva

Il contributo centrale è la definizione di un valore p di randomizzazione selettiva ($P_{sel}$). A differenza di un valore p ingenuo che confronta l'assegnazione del trattamento osservata $Z$ con tutte le possibili assegnazioni casuali, $P_{sel}$ condiziona l'evento di selezione specifico che si è verificato.

Formalmente, sia $Z^*$ un'assegnazione del trattamento controfattuale estratta dalla distribuzione di assegnazione sequenziale. Il valore p è definito come:
$$P_{sel} = P\left( T(Z^*, \dots) \leq T(Z, \dots) \mid R, X_R, Y_R(\cdot), Z, S(Z^*) = S(Z), G(Z^*) = G(Z) \right)$$
dove:

• $T$ è la statistica di test.
• $S(Z^*) = S(Z)$ assicura che l'assegnazione controfattuale porti alla stessa selezione di progettazione dei dati osservati.
• $G(Z^*) = G(Z)$ è una statistica di condizionamento aggiuntiva richiesta per le ipotesi nulle "parzialmente nette" per garantire che i potenziali esiti non osservati possano essere imputati.

Gli autori dimostrano che questo valore p domina stocasticamente la distribuzione uniforme, controllando di conseguenza l'errore di tipo I selettivo (il tasso di errore condizionato all'evento di selezione).

3. Approcci Computazionali

Poiché il supporto della distribuzione condizionata (assegnazioni che soddisfano $S(Z^*)=S(Z)$) è spesso intrattabile da enumerare, gli autori propongono approssimazioni Monte Carlo:

• Campionamento per Rifiuto: Semplice ma potenzialmente inefficiente se la probabilità di soddisfare il vincolo di selezione è bassa.
• Random Walk Metropolis-Hastings (RWM): Un algoritmo di Markov Chain Monte Carlo (MCMC) che costruisce una catena sullo spazio delle assegnazioni fattibili. Gli autori forniscono garanzie teoriche che la catena converge alla corretta distribuzione stazionaria e che il valore p risultante controlla l'errore di tipo I selettivo, anche se la catena è ristretta a una specifica classe di comunicazione.

4. Stima e Intervalli di Confidenza

Il framework si estende alla costruzione di intervalli di confidenza per effetti del trattamento omogenei invertendo i test di ipotesi selettivi. Gli autori notano che il condizionamento alla selezione può portare a curve del valore p non monotone, complicando la costruzione degli intervalli. Per mitigare ciò, suggeriscono l'uso di unità di riserva (dati non utilizzati per la selezione) per levigare la curva del valore p e garantire insiemi di confidenza ben comportati.

Risultati Chiave

Il documento convalida il metodo attraverso studi di simulazione e un'analisi ipotetica di dati reali (trial SPRINT):

1. Validità: Nelle simulazioni in cui l'ipotesi nulla è vera, il test di randomizzazione ingenuo (RT) mostra tassi di errore di tipo I inflati (sottocopertura degli intervalli di confidenza), mentre la SRT proposta e l'approccio di divisione dei dati (RT 2nd) controllano correttamente l'errore di tipo I selettivo.
2. Potere: La SRT dimostra generalmente un potere statistico superiore rispetto all'approccio di divisione dei dati (RT 2nd). Condizionando all'evento di selezione invece di scartare la prima fase, la SRT utilizza le informazioni "lasciate fuori" dalla fase iniziale, risultando in intervalli di confidenza più stretti e probabilità di rifiuto più elevate per nulli falsi.
3. Computazione: Sebbene il campionamento per rifiuto sia diretto, può essere computazionalmente costoso quando il vincolo di selezione è raro. Il campionatore RWM offre un'alternativa più efficiente, con prestazioni largamente insensibili alle scelte della dimensione della finestra negli scenari testati.
4. Applicazione su Dati Reali: In un trial ipotetico di arricchimento a due stadi derivato dal trial SPRINT, la SRT ha prodotto un valore p più piccolo (0,048) rispetto all'approccio di divisione dei dati (0,314) per il sottogruppo selezionato, dimostrando la sua capacità di rilevare effetti che la divisione dei dati potrebbe perdere a causa della ridotta dimensione del campione.

Significato e Affermazioni

Il documento afferma di fornire un framework generale e privo di modello per l'inferenza negli esperimenti adattivi. Il suo significato risiede in diversi aspetti chiave:

• Generalità: A differenza dei metodi precedenti limitati a specifici disegni (ad esempio, randomizzazione adattiva alla risposta o trial multi-braccio), questo approccio si applica a una vasta classe di disegni adattivi, inclusi disegni di arricchimento e regole di reclutamento complesse.
• Natura Senza Modello: Il metodo si basa esclusivamente sulla casualità dell'assegnazione del trattamento, non richiedendo assunzioni sulla distribuzione degli esiti, sull'indipendenza dei punti dati o su modelli parametrici. Ciò lo rende un test "predefinito" robusto per esperimenti randomizzati.
• Efficienza: Supera l'inefficienza della divisione dei dati utilizzando tutti i dati disponibili mentre corregge rigorosamente il bias di selezione.
• Rilevanza Regolatoria: Gli autori sostengono che il controllo dell'errore di tipo I condizionato sia cruciale per le prospettive regolatorie, poiché tratta l'ipotesi selezionata come data, consentendo una valutazione oggettiva delle prove in un esperimento randomizzato.

Gli autori posizionano questo lavoro come un complemento ai framework esistenti di super-popolazione, offrendo un'alternativa per popolazioni finite che minimizza le assunzioni di modellazione. Riconoscono che, sebbene il framework teorico sia stabilito, estensioni pratiche riguardanti la selezione ottimale della statistica di test e la gestione delle uscite rimangono aree per ricerche future.