Sintesi Tecnica: Esame dell'efficacia del Coarsened Exact Matching come alternativa al Propensity Score Matching

1. Definizione del problema

Il Coarsened Exact Matching (CEM) viene frequentemente promosso nella ricerca sulla comparazione dell'efficacia come un'alternativa superiore al Propensity Score Matching (PSM) per affrontare lo squilibrio delle covariate, la dipendenza dal modello e il bias statistico. I sostenitori affermano che il CEM migliori il PSM riducendo il "paradosso del PSM", in cui si sostiene che il PSM aumenti lo squilibrio e la dipendenza dal modello man mano che si avvicina all'appaiamento esatto attraverso l'eliminazione delle coppie scarsamente appaiate.

Tuttavia, questo articolo sostiene che la raccomandazione di sostituire il PSM con il CEM sia incerta e potenzialmente errata a causa di tre problemi primari:

1. Caratterizzazione errata dell'esattezza: Il CEM è spesso erroneamente etichettato come "appaiamento esatto". In realtà, esso si basa su variabili coarsened (variabili continue raggruppate o dati categorici raggruppati), non sulle variabili originali. Questa inerenza inesattezza introduce un confondimento residuo sistematico che non svanisce all'aumentare della dimensione del campione.
2. Interpretazione errata delle metriche di squilibrio: Gli studi precedenti che affermano che il CEM superi il PSM nella riduzione dello squilibrio utilizzano spesso metriche come la distanza di Mahalanobis. Queste metriche non riescono a distinguere tra squilibrio sistematico e variazione casuale (squilibrio per caso). Nel PSM, le differenze tra le covariate nelle coppie appaiate con gli stessi punteri di propensione derivano dal caso e tendono a cancellarsi all'aumentare della dimensione del campione; tuttavia, lo squilibrio del CEM è strutturale e persistente.
3. Dipendenza dal modello e dimensionalità: Poiché il CEM lascia un confondimento residuo, la stima non distorta richiede una modellazione di regressione post-appaiamento accurata della relazione tra l'esito e il confonditore. Ciò aumenta la vulnerabilità alla specificazione errata del modello. Inoltre, il CEM soffre della "maledizione della dimensionalità" quando si effettua l'appaiamento su molteplici covariate, portando a una sostanziale perdita di dati a meno che non si utilizzi un raggruppamento (coarsening) aggressivo, il che a sua volta esacerba il confondimento residuo.

2. Metodologia

Quadro teorico e assunzioni

Lo studio opera sotto le standard assunzioni di inferenza causale: Assunzione di Unità di Trattamento Stabile (SUTVA), Ignorabilità Condizionale (Unconfoundedness), Positività e un modello di esito lineare (o di interazione).

• PSM: Utilizza il punteggio di propensione $e(X) = P(W=1|X)$, che possiede la proprietà di punteggio di bilanciamento ($W \perp\!\!\perp X | e(X)$) e strong ignorability. L'articolo postula che in un design PSM con appaiamento esatto, gli squilibri casuali nelle covariate non introducono bias, e una stima non distorta può essere ottenuta tramite una semplice differenza nelle medie senza modellazione dell'esito.
• CEM: Comporta una fase di "coarsening" in cui le variabili continue vengono raggruppate (binning) e le variabili categoriche vengono raggruppate per creare un vettore a dimensione inferiore $C$. L'appaiamento avviene sui valori esatti di $C$. Fondamentalmente, $C$ non è una statistica sufficiente per $X$ riguardo all'assegnazione del trattamento, il che significa che $W \not\perp\!\!\perp X | C$. Ciò risulta in uno squilibrio sistematico all'interno dello strato ($\delta_c \neq 0$) che persiste indipendentemente dalla dimensione del campione.

Metriche proposte

L'articolo critica le metriche di squilibrio esistenti (ad es., distanza di Mahalanobis, metriche $L_1$) perché ignorano la direzione degli squilibri casuali, impedendo loro di mediare verso lo zero negli studi di simulazione.

• Nuova Metrica: Gli autori propongono una metrica di squilibrio multivariata basata sulla Differenza Media Standardizzata (SMD). Questa metrica somma i valori assoluti delle medie dei SMD attraverso campioni simulati, ed è specificamente progettata per catturare lo squilibrio sistematico (che devia dallo zero) rispetto allo squilibrio casuale (che media verso lo zero).

Design della simulazione

Lo studio impiega uno studio di simulazione completo che confronta il CEM (utilizzando il coarsening "Auto" tramite la regola di Sturges e il coarsening "G3" in tre gruppi) contro il PSM (matching del vicino più prossimo con un caliper di 0.2).

• Scenari:
  • Effetti del trattamento omogenei vs eterogenei: Valutazione delle prestazioni sotto effetti costanti e variabili.
  • Specificazione del modello: Test delle prestazioni sotto modelli di esito specificati correttamente e specificati erroneamente (inclusi non-linearità e interazioni).
  • Dimensionalità: Variazione del numero di confonditori ($p=2, 5, 7$) per valutare la maledizione della dimensionalità.
  • Prevalenza del trattamento: Esame di bassi (10%) vs alti (30%) tassi di trattamento per valutare il bias nella stima dell'Average Treatment Effect on the Treated (PATT).
• Analisi: Lo studio valuta bias, varianza e Errore Quadratico Medio (MSE) utilizzando sia analisi non aggiustate (differenza nelle medie) che analisi aggiustate (regressione con termini lineari).

3. Contributi chiave e risultati

1. Squilibrio sistematico vs casuale

• Risultato: Nel PSM, lo squilibrio delle covariate tra le coppie appaiate è casuale e converge a zero all'aumentare del numero di coppie. Nel CEM, lo squilibrio è sistematico ed è guidato dal processo di coarsening; non diminuisce con l'aumentare della dimensione del campione.
• Risultato: Le analisi non aggiustate (semplici differenze nelle medie) sono sostanzialmente meno distorte sotto il PSM rispetto al CEM. Il CEM richiede una regolazione della regressione post-appaiamento per mitigare il confondimento residuo, mentre il PSM non richiede strettamente tale regolazione per ottenere una stima non distorta sotto la proprietà del punteggio di bilanciamento.

2. Dipendenza dal modello e specificazione errata

• Risultato: La dipendenza del CEM dalle variabili raggruppate significa che una stima non distorta è contingente sulla corretta modellazione della relazione tra l'esito e i confonditori originali.
• Risultato: Quando il modello dell'esito è specificato erroneamente, il CEM produce un bias significativamente maggiore rispetto al PSM. L'articolo fornisce una proposizione teorica (Proposizione 1) dimostrando che in un design PSM con appaiamento esatto, una classe di modelli lineari specificati erroneamente (omettendo termini non lineari o di interazione) può comunque produrre stime del PATT asintoticamente non distorte. Al contrario, il CEM rimane altamente sensibile alla specificazione errata del modello a causa del suo confondimento residuo strutturale.

3. La maledizione della dimensionalità e i compromessi del coarsening

• Risultato: All'aumentare delle covariate, il CEM con un coarsening fine (ad es., "Auto") soffre di una grave perdita di dati (bias di sparsità), portando a stime instabili.
• Risultato: Aumentare il livello di coarsening (ad es., "G3") mitiga la perdita di dati ma introduce un maggiore confondimento residuo e dipendenza dal modello. Di conseguenza, in contesti ad alta dimensionalità, il CEM performa peggio del PSM in termini di bias, varianza e MSE, specialmente quando il modello dell'esito è specificato erroneamente.

4. Effetti del trattamento eterogenei

• Risultato: I pattern osservati per gli effetti omogenei persistono sotto effetti del trattamento eterogenei.
• Risultato: Il PSM dimostra costantemente un bias e una varianza inferiori rispetto al CEM, specialmente quando la prevalenza del trattamento è elevata e il modello dell'esito è specificato erroneamente. Gli stimatori analitici nel PSM superano gli stimatori basati sul modello nel CEM sotto specificazione errata.

4. Significato e affermazioni

L'articolo conclude che il CEM non è un'alternativa valida al PSM quando si effettua l'appaiamento su un gran numero di covariate.

• Correzione dei malintesi: Lo studio mette in discussione la visione prevalente nella letteratura clinica secondo cui il CEM imita un esperimento randomizzato completamente bloccato o è superiore al PSM nella riduzione dello squilibrio e della dipendenza dal modello. Chiarisce che il CEM è un metodo di appaiamento inesatto che introduce un bias strutturale.
• Guida metodologica: Gli autori sostengono che le affermazioni sulla superiorità del CEM derivino spesso dall'uso di metriche di squilibrio inappropriate (come la distanza di Mahalanobis) che non tengono conto della variazione casuale. Quando valutato con metriche appropriate basate su SMD, il PSM dimostra uno squilibrio delle covariate superiore.
• Robustezza: Il PSM è mostrato essere più robusto alla specificazione errata del modello. Sebbene il CEM riduca la dipendenza dal modello rispetto ai dati non appaiati, rimane più dipendente dalla corretta modellazione dell'esito rispetto al PSM.
• Limitazioni: L'articolo riconosce che il PSM non è una panacea; non può affrontare il confondimento non misurato e dipende dalla corretta specificazione del modello del punteggio di propensione. Tuttavia, nell'ambito dei confonditori osservati, il PSM offre un quadro più robusto per ridurre il bias e la dipendenza dal modello rispetto al CEM, particolarmente in contesti ad alta dimensionalità.

Lo studio raccomanda una rivalutazione del ruolo del CEM nella ricerca osservazionale, suggerendo che i suoi vantaggi teorici sono spesso annullati da limitazioni pratiche legate al confondimento residuo e alla maledizione della dimensionalità.