Powerful Multivariate Sensitivity Analysis via Sample Splitting in an Observational Study of the Effects of Poverty on Cardiovascular Disease Risk Factors

Sintesi Tecnica: Potente Analisi di Sensibilità Multivariata tramite Sample Splitting

Problema
Negli studi osservazionali che valutano gli effetti causali di un'esposizione su molteplici esiti (contesti multivariati), i ricercatori spesso cercano di testare un'ipotesi nulla globale (ovvero che l'esposizione non abbia alcun effetto su alcun esito). Una strategia comune per migliorare la potenza e la robustezza contro il confondimento non misurato è quella di costruire una combinazione lineare di statistiche di test specifiche per ogni esito. Tuttavia, i metodi esistenti per trovare la combinazione lineare ottimale—come quelli che utilizzano proiezioni di Scheffé o varianti vincolate (ad esempio, Cohen et al., 2020; Rosenbaum, 2016)—richiedono correzioni per i test multipli. Queste correzioni si basano su distribuzioni di riferimento (ad esempio, chi-bar-quadrato) i cui valori critici scalano con il numero di esiti ($K$). Man mano che $K$ aumenta, questi valori critici diventano sempre più stringenti, erodendo la potenza statistica e rendendo difficile rifiutare l'ipotesi nulla globale anche quando esiste una forte evidenza. Inoltre, l'onere computazionale della valutazione di queste distribuzioni cresce con $K$.

Metodologia
Gli autori propongono un nuovo framework di analisi di sensibilità che utilizza lo sample splitting (suddivisione del campione) per disaccoppiare la selezione della combinazione lineare dalla fase di inferenza. La procedura opera come segue:

1. Partizione dei Dati: Il dataset appaiato viene suddiviso casualmente in un campione di pianificazione (pilota) e un campione di analisi.
2. Fase di Pianificazione: Sul campione di pianificazione, il ricercatore risolve un problema di ottimizzazione per identificare la combinazione lineare delle statistiche di test (vincolata al simplesso di probabilità, $\Delta_+$) che massimizza la sensibilità al bias non misurato (ovvero minimizza il valore p peggiore nel caso del modello di sensibilità di Rosenbaum). Ciò produce un vettore di pesi stimato, $\hat{\lambda}_{plan}$.
3. Fase di Inferenza: Il vettore $\hat{\lambda}_{plan}$ è trattato come pre-specificato per il campione di analisi. Il ricercatore conduce l'analisi di sensibilità sul campione di analisi utilizzando questa combinazione lineare fissa.
4. Giustificazione Statistica: Poiché la combinazione è pre-specificata rispetto ai dati di analisi, la statistica di test segue una distribuzione Normale standard sotto l'ipotesi nulla, piuttosto che una complessa distribuzione chi-bar-quadrato dipendente da $K$. Ciò consente l'uso di un valore critico (ad esempio, 1,645 per $\alpha=0,05$) che è indipendente dal numero di esiti.

Contributi Teorici
Il documento affronta una lacuna teorica critica: lo sample splitting introduce tipicamente un "gap minimax" dove il ricercatore deve impegnarsi in una strategia prima che la natura (il confonditore non misurato) agisca, portando potenzialmente a una potenza strettamente inferiore rispetto ai metodi a campione completo (come notato da Fogarty e Small, 2016).

• Teorema Minimax: Gli autori dimostrano un nuovo teorema minimax (Teorema 1) mostrando che, per il caso specifico in cui l'insieme delle combinazioni lineari è il simplesso di probabilità ($\Delta_+$), l'ordine di ottimizzazione (il ricercatore per primo rispetto alla natura prima) non è rilevante. L'uguaglianza minimax è valida:
  $$\min_{\varrho \in P_\Gamma} \sup_{\lambda \in \Delta_+} F(\lambda, \varrho) = \sup_{\lambda \in \Delta_+} \min_{\varrho \in P_\Gamma} F(\lambda, \varrho)$$
• Potenza Asintotica: Come corollario (Teorema 2), dimostrano che la sensibilità di design (il limite asintotico del valore di sensibilità) del loro approccio di sample splitting è identica a quella degli approcci a campione completo. Pertanto, il metodo non sacrifica la potenza asintotica nonostante l'utilizzo di solo un sottoinsieme dei dati per l'inferenza.

Risultati delle Simulazioni
Sono state condotte estese simulazioni con $I=300$ coppie appaiate e numeri variabili di esiti ($K \in \{5, 15, 25\}$) e correlazioni ($\rho \in \{0, 0.2\}$).

• Potenza in Campioni Finiti: Il metodo di sample splitting ha costantemente dimostrato una potenza superiore rispetto all'implementazione a campione completo di Cohen et al. (2020), particolarmente all'aumentare di $K$. Ciò è attribuito all'evitare i valori critici dipendenti da $K$.
• Confronto con l'Oracolo: Sebbene un "oracolo" (che conosce la combinazione ottimale a priori) abbia ottenuto i risultati migliori, l'approccio di sample splitting ha superato significativamente il competitore a campione completo e si è avvicinato alle prestazioni dell'oracolo in molti regimi.
• Effetti della Correlazione: Il vantaggio di potenza del metodo proposto è stato più pronunciato quando gli esiti erano non correlati o debolmente correlati, sebbene sia rimasto superiore anche con una moderata dipendenza positiva.

Applicazione: Povertà e Rischio di Malattie Cardiovascolari (CVD)
Il metodo è stato applicato a uno studio sugli effetti della povertà (definita come Rapporto di Reddito di Povertà Familiare < 1) sui fattori di rischio CVD nei bambini e negli adolescenti utilizzando i dati NHANES (1999–2016).

• Design dello Studio: 4.027 coppie appaiate sono state suddivise in un campione pilota (25%) e un campione di analisi (75%).
• Esiti: Lo studio ha esaminato 9 esiti, tra cui composizione corporea, attività fisica, lipidi ed esposizione al tabacco (livelli di cotinina).
• Risultati:
  • L'approccio di sample splitting ha rifiutato l'ipotesi nulla globale per tutti gli strati di età/genere per $\Gamma=1$, mentre il comparatore a campione completo ha rifiutato l'ipotesi nulla globale solo per i ragazzi tra gli 8 e gli 11 anni.
  • Il metodo ha identificato effetti avversi significativi della povertà sull'esposizione al tabacco (livelli di cotinina) in tutti gli strati e sull'attività fisica ricreativa vigorosa (LTPA) per gli adolescenti.
  • Robustezza: I risultati riguardanti l'esposizione al tabacco hanno mostrato robustezza rispetto al confondimento non misurato fino a $\Gamma \approx 2,25$ (valore di sensibilità $\approx 3,05$). Al contrario, i risultati relativi all'attività fisica e alla composizione corporea sono stati sensibili a quantità minori di bias (fallendo il rifiuto a $\Gamma \approx 1,05$–$1,15$).
  • Confronto: Un'analisi di sensibilità a campione completo sugli stessi dati ha prodotto un valore di sensibilità molto più basso ($\approx 1,67$) per l'ipotesi complessiva, illustrando la perdita di potenza inerente ai metodi multivariati esistenti per questo dataset.

Significatività
Il paper sostiene che il suo contributo primario sia un framework pratico e teoricamente fondato per condurre potenti analisi di sensibilità multivariata in studi osservazionali con molti esiti. Sfruttando lo sample splitting e un nuovo teorema minimax, il metodo:

1. Recupera la Potenza: Evita la severa perdita di potenza associata ai valori critici dipendenti da $K$ in contesti ad alta dimensionalità.
2. Mantiene la Validità: Fornisce un'inferenza valida al livello-$\alpha$ senza richiedere correzioni asintotiche che dipendono dalla dimensione dello spazio degli esiti.
3. Permette un Design Basato sui Dati: Consente ai ricercatori di utilizzare il campione pilota per raffinare la selezione degli esiti e le scelte delle statistiche di test (ad esempio, identificando componenti dietetici specifici o effetti specifici per età) senza compromettere la validità dell'inferenza finale.

Gli autori concludono che, sebbene la robustezza dei loro risultati specifici sulla povertà e la CVD sia guidata principalmente dall'effetto sull'esposizione al tabacco, il framework metodologico consente con successo la rilevazione di tali effetti laddove le analisi di sensibilità multivariate tradizionali probabilmente fallirebbero a causa della mancanza di potenza.