Efficient Targeted Maximum Likelihood Estimators for Two-Phase Design Problems

1. Il Problema: Disegni di Campionamento a Due Fasi

Il lavoro affronta l'analisi statistica in contesti di disegno a due fasi (two-phase design), una struttura comune negli studi osservazionali e clinici dove la raccolta completa dei dati è troppo costosa o complessa.

• Fase 1: Viene estratta una campione casuale dalla popolazione target e vengono raccolti solo un sottoinsieme di variabili (indicato come $V$, ad esempio covariate demografiche di base, trattamento $A$ e esito $Y$).
• Fase 2: Da questo campione, viene selezionato un sottocampione per la misurazione di variabili aggiuntive e più costose (indicato come $W_2$, ad esempio biomarcatori o dati di stile di vita).
• Struttura dei Dati: I dati osservati sono "coarsened" (sgranati): per tutti gli individui si osserva $V$, mentre le variabili complete $X = (W_1, W_2, A, Y)$ sono osservate solo per gli individui con $\Delta=1$ (appartenenti alla fase 2).
• Assunzione Chiave: Si assume il Coarsening At Random (CAR), ovvero il meccanismo di selezione per la fase 2 ($\Delta$) dipende solo dalle variabili completamente osservate $V$.
• Obiettivo: Stimare parametri causalmente interpretabili definiti sui dati completi, come l'Effetto Medio del Trattamento (ATE), definito come $\Psi_F = E[Y_1 - Y_0]$, utilizzando solo i dati osservati parziali.

2. Metodologia e Quadri Teorici

Il paper si basa sul framework della Targeted Maximum Likelihood Estimation (TMLE), un metodo semiparametrico che combina machine learning (Super Learner) con la teoria dei processi empirici per ottenere stime efficienti e robuste.

2.1 Stimatori Esistenti e Limiti

Gli autori revisionano gli stimatori attuali:

• IPCW-TMLE: Utilizza la ponderazione per la probabilità inversa di censura (Inverse Probability of Censoring Weighting) per correggere il bias di selezione, combinata con la TMLE per l'esito.
• Generalized Raking (GR): Un metodo di calibrazione dei pesi. Tuttavia, il paper evidenzia un limite cruciale: lo stimatore Raking tende a stimare un "census estimand" (basato su un modello parametrico di lavoro) piuttosto che l'estimand causale non parametrico, a meno che non siano corretti sia il modello di esito che il meccanismo di campionamento.
• IPCW-TMLE con Targeting di $\Pi$: Estende il TMLE classico per includere un passo di "targeting" anche sul meccanismo di campionamento $\Pi$ (la probabilità di essere selezionati nella fase 2), migliorando l'efficienza.

2.2 Nuovi Contributi Metodologici

Gli autori introducono una nuova classe di stimatori asintoticamente equivalenti ma costruiti in modo diverso:

1. Efficient Estimating Equations (EEE):

   • Deriva da una riorganizzazione dell'Equazione di Influenza Efficiente (EIC).
   • Risolve direttamente la media empirica dell'EIC.
   • Limite: Non è uno stimatore "plug-in" (non rispetta i vincoli dello spazio dei parametri, es. probabilità tra 0 e 1), il che può portare a instabilità nei campioni finiti.

2. Quasi-TMLE:

   • Costruito partendo dall'EEE ma modificato per diventare uno stimatore plug-in.
   • Utilizza un sottoprocesso di fluttuazione (fluctuation submodel) per aggiornare le stime iniziali, garantendo che il risultato finale rispetti i vincoli del modello.
   • Risolve un sistema di equazioni che include sia la condizione di score dell'EIC che la condizione di plug-in.

3. TMLE Alternativo (basato su nuova rappresentazione):

   • Utilizza una rappresentazione alternativa del parametro target: $\Psi(P) = E_{V} E_{X|V} [Q(1, W) - Q(0, W) | \Delta=1, V]$.
   • Deriva un gradiente canonico scomposto in componenti per $Q$ (esito), $\Pi$ (campionamento), $\Gamma$ (distribuzione condizionata) e $P_V$.
   • Implementa un algoritmo iterativo che alterna il targeting di $Q$ e $\Pi$ fino alla convergenza, seguito da un targeting della componente $\Gamma$.

3. Risultati delle Simulazioni

Gli autori hanno condotto simulazioni estensive per valutare le prestazioni degli stimatori (Raking, A-IPCW, IPCW-TMLE, EEE, Quasi-TMLE, TMLE alternativo) in diverse condizioni.

• Proprietà di Doppia Robustezza:

  • Gli stimatori basati su TMLE (IPCW-TMLE, EEE, Quasi-TMLE, TMLE) mostrano una doppia robustezza: sono consistenti se almeno uno tra il meccanismo di trattamento ($g$) o il meccanismo di esito ($Q$) è correttamente specificato (o se il meccanismo di campionamento $\Pi$ è noto).
  • Lo stimatore Raking, invece, fallisce se il modello di esito è misspecificato, mostrando un bias elevato e una copertura degli intervalli di confidenza che crolla all'aumentare del campione, poiché stima un estimand diverso da quello causale.

• Proprietà "Plug-in" e Campioni Finiti:

  • Gli stimatori non plug-in (come A-IPCW e EEE) tendono ad avere un Errore Quadratico Medio (MSE) più elevato rispetto alle controparti plug-in.
  • Gli stimatori Quasi-TMLE e TMLE (plug-in) dimostrano prestazioni superiori nei campioni finiti, con MSE più bassi e migliore controllo del bias rispetto alla deviazione standard.

• Efficienza e Targeting di $\Pi$:

  • In scenari realistici dove tutte le variabili di disturbo (nuisance parameters) devono essere stimate, il targeting esplicito del meccanismo di campionamento $\Pi$ (sia tramite TMLE che tramite Raking all'interno del framework TMLE) porta a guadagni di efficienza rispetto all'IPCW-TMLE standard.
  • L'uso del Super Learner (ensemble di algoritmi di machine learning) per stimare le funzioni di disturbo garantisce buone prestazioni anche in presenza di relazioni non lineari complesse.

4. Contributi Chiave e Significato

1. Unificazione Teorica: Il lavoro dimostra che diverse strategie di stima (riarrangiamento dell'EIC, targeting iterativo, nuove rappresentazioni parametriche) portano a stimatori asintoticamente equivalenti, ma con comportamenti diversi nei campioni finiti.
2. Avvertenza sul Raking: Fornisce una prova empirica e teorica che l'uso del Raking per stimare parametri causali in disegni a due fasi è rischioso se non si garantisce la corretta specificazione del modello di esito, poiché tende a stimare un estimand parametrico (census) invece di quello causale non parametrico.
3. Nuovi Algoritmi: Introduce il Quasi-TMLE come soluzione pratica che combina la semplicità delle equazioni di stima efficienti con la stabilità numerica e le proprietà di inferenza degli stimatori plug-in.
4. Implicazioni Pratiche: Suggerisce che in studi osservazionali complessi (es. studi caso-controllo nidificati, studi con biomarcatori costosi), l'adozione di framework TMLE che targettizzano attivamente sia l'esito che il meccanismo di selezione è preferibile per garantire validità inferenziale ed efficienza.

In sintesi, il paper offre un quadro rigoroso per l'analisi di dati a due fasi, proponendo stimatori moderni che superano i limiti dei metodi tradizionali, garantendo robustezza contro la misspecificazione del modello e migliori proprietà nei campioni reali.