Tilted sensitivity analysis in matched observational studies

Problema
Negli studi osservazionali appaiati, i ricercatori accoppiano unità trattate e di controllo con covariate osservate simili per stimare gli effetti del trattamento. Tuttavia, i confonditori non osservati possono comunque indurre un bias nascosto, dove le unità con risposte più elevate hanno una maggiore probabilità di ricevere il trattamento. L'analisi di sensibilità, seguendo il modello di Rosenbaum (1987), quantifica la robustezza dei risultati rispetto a tale bias determinando l'entità del confondimento non misurato ($\Gamma$) necessario per invalidare le conclusioni dello studio.

Sebbene l'analisi di sensibilità per studi appaiati (un trattato, un controllo) sia ben consolidata con soluzioni in forma chiusa per i p-value del caso peggiore e la sensibilità del disegno, l'estensione di questi metodi a studi con molteplici controlli (set appaiati con $n_i > 2$) presenta significativi ostacoli tecnici. L'approccio prevalente, l'algoritmo "separabile" (Gastwirth et al., 2000), richiede la risoluzione di $I$ problemi di ottimizzazione per trovare il peggior schema di confondimento non osservato. Fondamentalmente, per $n_i > 2$, questo algoritmo non fornisce un'espressione in forma chiusa per l'aspettativa del caso peggiore e il peggior schema cambia al variare del parametro di sensibilità $\Gamma$. Questa mancanza di soluzioni in forma chiusa ostacola il calcolo analitico della "sensibilità del disegno" (Rosenbaum, 2004) — un metrica che descrive la capacità di una statistica di test di distinguere gli effetti del trattamento dal bias — costringendo al ricorso a simulazioni Monte Carlo per i confronti teorici.

Metodologia
Il documento introduce una procedura di "analisi di sensibilità inclinata" (tilted sensitivity analysis). Per qualsiasi statistica di test candidata $T = \sum Z_{ij}q_{ij}$, il metodo definisce una statistica modificata e "inclinata" $T_{\Gamma i}$ per ogni set appaiato $i$:
$$T_{\Gamma i} = T_i - \bar{q}_i - \left(\frac{\Gamma - 1}{1 + \Gamma}\right)|T_i - \bar{q}_i|$$
dove $T_i$ è la statistica originale per il set $i$, e $\bar{q}_i$ è la media dei punteggi $q_{ij}$ all'interno di quel set.

Questa modifica è costruita in modo tale che il peggior schema di confondimento non osservato (il vettore $u$ che massimizza l'aspettativa sotto l'ipotesi nulla netta o sharp null) sia disponibile in forma chiusa ed sia invariante rispetto al valore di $\Gamma$. Nello specifico, il confonditore del caso peggiore assegna $u_{ij}=1$ se $q_{ij} > \bar{q}_i$ e $u_{ij}=0$ altrimenti. Sotto questo specifico schema, l'aspettativa della statistica inclinata è zero, e la sua varianza è data da un'espressione in forma chiusa.

Il documento dimostra che questo approccio unifica i metodi esistenti:

1. Statistiche sign-score: Per statistiche che assumono solo due valori (ad esempio, in disegni appaiati o test di Mantel-Haenszel), l'approccio inclinato riproduce esattamente l'analisi di sensibilità convenzionale.
2. Inverse Probability Weighting (IPW): La statistica inclinata è mostrata essere equivalente a una statistica IPW centrata su un minimax, differendo solo per un peso del set appaiato.

Contributi Chiave

1. Distribuzione del caso peggiore in forma chiusa: A differenza dell'algoritmo separabile, l'approccio inclinato fornisce un'espressione in forma chiusa per l'aspettativa e la varianza del caso peggiore per qualsiasi struttura di appaiamento, inclusi quelli con molteplici controlli. Ciò elimina la necessità di ottimizzazione iterativa nella fase di analisi di sensibilità.
2. Sensibilità del disegno in forma chiusa: Il documento deriva un'espressione in forma chiusa per la sensibilità del disegno della statistica inclinata per qualsiasi struttura appaiata:
   $$\tilde{\Gamma}_{tilt} = \frac{\eta + \theta}{\eta - \theta}$$
   dove $\theta$ è il limite di probabilità del contributo del trattamento medio e $\eta$ è il limite di probabilità del contributo assoluto medio. Ciò consente confronti analitici di statistiche di test concorrenti, cosa precedentemente impraticabile per i disegni con controlli multipli senza ricorrere a simulazioni.
3. Combinazione Adattiva: Il documento propone una procedura adattiva che combina l'approccio inclinato e quello convenzionale. Utilizzando un framework di test monodirezionale multivariato (Cohen et al., 2020), questo metodo pesa adattivamente le due statistiche per ottenere una sensibilità del disegno non inferiore al massimo dei due approcci individuali, proteggendo dalla selezione a priori di un metodo subottimale.

Risultati

• Confronti Teorici: Attraverso derivazioni analitiche e simulazioni Monte Carlo, il documento mostra che l'approccio inclinato generalmente migliora la sensibilità del disegno rispetto all'approccio convenzionale per distribuzioni di errore simmetriche e con asimmetria positiva (right-skewed). Al contrario, per distribuzioni con asimmetria negativa (left-skewed), l'approccio convenzionale spesso mantiene una sensibilità del disegno superiore.
• Effetto dei Controlli: Per le $m$-statistiche (una classe che include la differenza delle medie e i test di rango), la sensibilità del disegno dell'approccio inclinato è non decrescente rispetto al numero di controlli appaiati $J$, e strettamente crescente sotto condizioni lievi.
• Applicazioni su Dati Reali: In cinque esempi con dati reali (che coprono fumo, consumo di pesce, istruzione, alcol e consumo moderato di alcol), l'approccio inclinato ha frequentemente prodotto valori di sensibilità più elevati (indicando una maggiore robustezza al bias nascosto) rispetto all'approccio convenzionale, in particolare in dataset con esiti con asimmetria positiva o specifici test statistici. L'approccio adattivo ha generalmente performato quanto il miglior metodo individuale e significativamente meglio del peggiore.

Significatività
Il documento sostiene che l'analisi di sensibilità inclinata offra un'alternativa pratica e teoricamente superiore per gli studi osservazionali appaiati con molteplici controlli. Fornendo soluzioni in forma chiusa sia per la distribuzione del caso peggiore che per la sensibilità del disegno, essa rimuove le barriere computazionali e teoriche che hanno limitato lo sviluppo dell'inferenza robusta nei contesti con controlli multipli. La capacità di confrontare analiticamente le sensibilità del disegno facilita una migliore progettazione dello studio e la selezione di statistiche di test più robuste. Inoltre, la combinazione adattiva assicura che i ricercatori non debbano scegliere tra i metodi inclinato e convenzionale a priori, fornendo una salvaguardia contro scelte metodologiche scarse pur mantenendo o migliorando la robustezza riportata dei risultati osservazionali.