📊 statistics

Simulating Complex Crossectional and Longitudinal Data using the simDAG R Package

Questo articolo presenta il pacchetto R **simDAG**, uno strumento standardizzato che semplifica la generazione di dati trasversali e longitudinali complessi utilizzando equazioni strutturali in grafi aciclici diretti per supportare diversi tipi di dati, relazioni non lineari e dipendenze arbitrarie per studi di simulazione Monte-Carlo.

Autori originali: Robin Denz, Nina Timmesfeld

Pubblicato 2026-06-02

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Robin Denz, Nina Timmesfeld

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere uno chef che cerca di testare una nuova ricetta. Prima di servire il piatto ai veri clienti, devi sapere se i tuoi ingredienti funzioneranno bene insieme. Nel mondo della statistica, i ricercatori fanno la stessa cosa: eseguono delle "simulazioni" per testare se le loro ricette matematiche (metodi statistici) funzionano correttamente. Per farlo, devono creare dei dati finti che sembrino e si comportino esattamente come il mondo reale.

Il problema? Creare questi dati finti è come cercare di costruire un complesso castello di Lego dove ogni mattoncino dipende da quello precedente, e alcuni mattoncini cambiano forma nel tempo. È un lavoro noioso, soggetto a errori e richiede grandi capacità di programmazione.

Entra in scena simDAG, un nuovo strumento (un pacchetto R) che agisce come un "costruttore intelligente di progetti". Ecco come funziona, spiegato in modo semplice:

1. Il Progetto: Il DAG

Invece di scrivere migliaia di righe di codice per generare numeri, disegni una mappa chiamata Grafo Aciclico Diretto (DAG).

Pensalo come un albero genealogico: Hai una "radice" (come un genitore) e dei "figli" (variabili che dipendono dal genitore).
La Regola: Le frecce vanno in una sola direzione (dal genitore al figlio) e non ci sono cicli (non puoi essere il tuo stesso antenato).
Cosa fa: Questa mappa dice al computer esattamente come sono connessi i dati. Ad esempio, "Il fumo causa il tumore ai polmoni" o "L'età influenza sia il fumo che il tumore ai polmoni".

2. La Ricetta: Equazioni Strutturali

Una volta che hai la mappa, devi dire al computer come costruire i dati. In simDAG, colleghi una "ricetta" a ogni nodo (variabile) della tua mappa.

Nodi Radice (L'inizio): Questi sono variabili senza genitori (come il lancio di una moneta o un numero casuale). Devi solo dire: "Crea un numero casuale tra 0 e 1".
Nodi Figlio (I Dipendenti): Queste variabili dipendono da altre. Puoi dire: "Prendi il valore di 'Fumo' e aggiungi il 20% per ottenere il 'Rischio di tumore ai polmoni'".
La Magia: Non devi essere un mago della programmazione. Puoi usare formule semplici (come y = 2x + 5) o persino funzioni complesse. Il pacchetto si occupa del lavoro pesante di calcolare i numeri basandosi sulla tua mappa.

3. La Macchina del Tempo: Dati Longitudinali

La maggior parte dei dati finti è solo un'istantanea (come una foto). Ma a volte, i ricercatori hanno bisogno di un film (dati longitudinali) per vedere come le cose cambiano nel tempo.

Il Vecchio Metodo: Dovevi disegnare una nuova mappa per ogni singolo giorno, settimana o anno. Se volevi simulare 100 giorni, dovevi disegnare 100 mappe separate. Era come disegnare un fumetto a mano, un fotogramma alla volta.
Il Metodo simDAG: Utilizza una Simulazione a Tempo Discreto. Immagina un nastro trasportatore che si muove attraverso il tempo. Invece di disegnare ogni fotogramma, dai alla macchina una regola: "Ogni volta che il nastro si muove, controlla se avviene un evento".
- Esempio: Se stai simulando un vaccino, la macchina controlla ogni giorno: "Questa persona è stata vaccinata? Se sì, il rischio di effetti collaterali aumenta per i successivi 20 giorni?".
- Questo permette ai ricercatori di simulare anni di dati (migliaia di punti temporali) per migliaia di persone senza dover ridisegnare la mappa ogni volta.

4. Perché questo è importante

L'articolo dimostra che simDAG può gestire:

Ingredienti Misti: Può generare numeri continui (come l'altezza), categorie (come "sì/no"), conteggi (come il "numero di visite ospedaliere") e dati "time-to-event" (come "quanto tempo prima di un attacco cardiaco") tutto nella stessa simulazione.
Relazioni Complesse: Gestisce relazioni non lineari (dove raddoppiare l'input non raddoppia semplicemente l'output) e interazioni (dove due variabili lavorano insieme per creare un terzo effetto).
Replicazione del Mondo Reale: Gli autori hanno dimostrato che possono ricreare i complessi processi di generazione dei dati di studi scientifici reali e pubblicati, provando che lo strumento è abbastanza potente per la ricerca seria.

Il Rovescio della Medaglia (Costo Computazionale)

L'articolo ammette che simulare il tempo passo dopo passo è come guardare un film fotogramma per fotogramma; richiede più potenza di calcolo rispetto al semplice guardare una foto statica. Tuttavia, gli autori hanno costruito lo strumento affinché sia molto veloce (usando un motore speciale chiamato data.table), in modo che possa girare su un normale computer da ufficio senza richiedere un supercomputer.

In sintesi

simDAG è uno strumento che permette ai ricercatori di disegnare una semplice mappa di come le variabili sono connesse e poi genera automaticamente dati finti complessi e realistici basati su quella mappa. Trasforma il difficile processo manuale di costruzione dei dati di simulazione in un flusso di lavoro snello e standardizzato, rendendo più facile per gli scienziati testare le loro teorie e garantire che i loro metodi statistici funzionino correttamente.

Sintesi Tecnica: Simulazione di Dati Complessi Trasversali e Longitudinali utilizzando il pacchetto R `simDAG`

Definizione del Problema
Gli studi di simulazione Monte-Carlo sono fondamentali per la ricerca statistica per la stima delle dimensioni campionarie, il confronto tra metodi e la pianificazione di trial clinici. Un collo di bottiglia critico in questi studi è la generazione di dati artificiali da processi di generazione dei dati (DGP) complessi. I ricercatori spesso richiedono dati contenenti molteplici variabili di tipi differenti (continue, binarie, di conteggio, time-to-event) con intricate dipendenze causali, relazioni non lineari e interazioni. Sebbene i pacchetti R esistenti facilitino la generazione di dati sintetici, essi spesso mancano di flessibilità: i pacchetti di equazioni strutturali (ad es., lavaan, simsem) tipicamente limitano l'utente a relazioni lineari e dati continui; i pacchetti specializzati in time-to-event (ad es., simsurv, survsim) spesso non riescono a supportare miscele arbitrarie di tipi di dati o covariate tempo-varianti; inoltre, gli strumenti di simulazione generali possono mancare della specifica sintassi necessaria per le definizioni basate su DAG causali. Inoltre, generare dati longitudinali con molti punti temporali utilizzando metodi tradizionali richiede spesso definizioni di codice ripetitive e ingombranti per ogni step temporale, rendendo le simulazioni su larga scala computazionalmente e praticamente impraticabili.

Metodologia
Il documento presenta simDAG, un pacchetto R progettato per standardizzare la generazione di dati trasversali e longitudinali basati su Grafi Aciclici Diretti (DAG). La metodologia si basa su tre componenti principali:

Definizione Basata su DAG: L'utente definisce il DGP come un DAG causale in cui i nodi rappresentano variabili aleatorie e gli archi rappresentano relazioni causali dirette. Il pacchetto richiede all'utente di specificare le equazioni strutturali per ogni nodo, descrivendo la sua distribuzione condizionata ai nodi genitori.
Ordinamento Topologico e Generazione: Il pacchetto impiega un algoritmo a fasi che esegue l'ordinamento topologico del DAG. Genera i dati per i nodi radice (quelli senza genitori) campionando da distribuzioni parametriche specificate o funzioni definite dall'utente. Successivamente, genera i dati per i nodi figli sulla base dei valori dei loro genitori e delle equazioni strutturali definite.
Simulazione a Tempo Discreto per Dati Longitudinali: Per affrontare la sfida dei dati longitudinali con molti punti temporali, simDAG implementa un approccio di simulazione a tempo discreto. Invece di definire un nodo separato per ogni punto temporale, l'utente definisce un singolo nodo tempo-variante utilizzando la funzione node_td(). Questo nodo viene simulato su un numero specificato di step temporali ( $t$ $t$ ), consentendo la generazione di dati su scala semi-continua. Questo approccio supporta:
- Arbitrari Tipi di Dati: Supporto per variabili binarie, categoriche, di conteggio e continue, nonché dati time-to-event.
- Dipendenze Complesse: Relazioni non lineari, interazioni e funzioni arbitrarie definite dall'utente per la generazione di probabilità.
- Dinamiche di Evento: Tipi di nodi specializzati (time_to_event, competing_events) che gestiscono eventi ricorrenti, rischi competitivi e covariate tempo-varianti eseguendo prove bernoulliane o multinomiali ad ogni step temporale.
- Trasformazione dei Dati: La funzione sim2data() converte l'output interno della simulazione in formati standard (wide, long o start-stop) adatti all'analisi della sopravvivenza (ad es., modelli di Cox con covariate tempo-varianti).

Contributi Chiave
Il contributo primario del documento è il pacchetto simDAG, che offre un framework unificato per la generazione di dati che colma il divario tra la semplice modellazione di equazioni strutturali e la complessa simulazione longitudinale. Le caratteristiche chiave includono:

Sintassi Standardizzata: Un'interfaccia di formula chiara che consente agli utenti di definire equazioni strutturali simili ai modelli di regressione standard, supportando la sintassi dei modelli misti e funzioni personalizzate.
Flessibilità Longitudinale: La capacità di simulare dati longitudinali con centinaia di punti temporali in modo efficiente, definendo equazioni strutturali tempo-dipendenti generiche invece di espandere manualmente il grafo per ogni step temporale.
Tipi di Nodi Esaustivi: Implementazione di una vasta gamma di tipi di nodi (Tabella 1 nel documento), incluse funzioni specializzate per l'analisi della sopravvivenza (Cox, AFT, modelli parametrici) e processi binari/categorici tempo-varianti.
Riproducibilità e Trasparenza: Funzioni integrate (plot.DAG, summary.DAG) consentono la rappresentazione grafica e testuale del DAG sottostante e delle equazioni strutturali, facilitando la documentazione e la riproducibilità degli studi di simulazione.

Risultati
Gli autori dimostrano le capacità del pacchetto replicando i DGP di molteplici studi di simulazione Monte-Carlo reali:

Dati Trasversali: Il pacchetto ha replicato con successo un DGP complesso di Denz et al. (2023a) che coinvolge sei covariate (binarie e continue), una variabile di trattamento e un esito time-to-event con censura a destra, termini non lineari e interazioni.
Dati Longitudinali (Pochi Punti Temporali): Il pacchetto ha replicato uno studio di Gruber et al. (2015) che coinvolgeva trattamenti e confonditori tempo-varianti, dimostrando la capacità di gestire effetti ritardati e molteplici punti temporali utilizzando chiamate node() standard.
Dati Longitudinali (Molti Punti Temporali): Gli autori hanno simulato uno scenario complesso riguardante la vaccinazione anti-Covid e gli eventi ricorrenti di miocardite su 730 giorni (2 anni). Ciò ha dimostrato la capacità dell'approccio a tempo discreto di gestire probabilità tempo-dipendenti, periodi di immunità ed eventi ricorrenti. I dati risultanti sono stati trasformati con successo in un formato start-stop e analizzati utilizzando un modello di rischi proporzionali di Cox, producendo un hazard ratio coerente con il rischio relativo specificato.
Performance Computazionale: I benchmark indicano che, sebbene la simulazione a tempo discreto sia computazionalmente intensiva, l'affidamento del pacchetto al pacchetto data.table e alla gestione ottimizzata della memoria consente la generazione di grandi dataset (ad es., 10.000 individui su 730 punti temporali) in tempi ragionevoli (circa 1,11 secondi per una specifica configurazione su una CPU standard). Il tempo di esecuzione scala in modo non lineare con il numero di punti temporali a causa delle iterazioni dei cicli, ma linearmente con il numero di individui grazie alle operazioni vettorializzate.

Significatività e Rivendicazioni
Il documento afferma che simDAG fornisce un "approccio standardizzato" alla generazione di dati complessi, riducendo significativamente il carico di programmazione e l'esperienza necessari per implementare sofisticati DGP. Gli autori sottolineano che il pacchetto è particolarmente adatto per studi di simulazione che coinvolgono l'inferenza causale grazie alla sua base DAG, ma non è limitato a questo campo.

La significatività del lavoro risiede nella sua capacità di:

Automatizzare Workflow Complessi: Permette ai ricercatori di definire dipendenze e tipi di dati arbitrari senza scrivere algoritmi di simulazione personalizzati da zero.
Abilitare Simulazioni a Tempo Discreto: Rende fattibile la generazione di dati longitudinali con scale temporali ad alta risoluzione per studi Monte-Carlo standard, un compito spesso evitato a causa della complessità computazionale o della difficoltà di codifica.
Migliorare la Riproducibilità: Formalizzando il DGP come un DAG con equazioni strutturali esplicite, il pacchetto favorisce la reportistica trasparente degli studi di simulazione.

Gli autori riconoscono con modestia alcuni limiti, notando che la simulazione a tempo discreto è intrinsecamente più costosa dal punto di vista computazionale rispetto ai metodi di simulazione a eventi discreti. Notano inoltre che, sebbene il pacchetto supporti la generazione di dati che imitano dataset esistenti tramite dag_from_data(), pacchetti dedicati come simPop potrebbero essere preferibili per tale specifico caso d'uso. Il documento conclude che simDAG colma una lacuna critica nell'ecosistema R per la generazione di dati flessibili e consapevoli della causalità.