Adressing Separation: A Firth-corrected Joint Model for Longitudinal and Time-to-event Data with an Application on Dropout from Vocational Training

Sintesi Tecnica: Affrontare la separazione nei modelli congiunti tramite la correzione di Firth

Problematica
I modelli congiunti per dati longitudinali e di tempo all'evento sono ampiamente utilizzati per analizzare covariate endogene tempo-varianti (ad esempio, biomarcatori o livelli di soddisfazione) insieme agli esiti di sopravvivenza. Tuttavia, questi modelli ereditano i limiti dei loro submodelli di sopravvivenza, specificamente il problema della separazione. La separazione si verifica quando una covariata categorica predice perfettamente l'assenza di un evento in una specifica categoria (ad esempio, nessun abbandono in un particolare settore professionale). Ciò conduce a una verosimiglianza monotona, causando la divergenza dei coefficienti di regressione verso l'infinito o la loro instabilità, rendendo inefficace la stima standard della massima verosimiglianza (MLE). Sebbene la correzione di Firth sia stata stabilita per la regressione binaria e i modelli a rischi proporzionali di Cox per mitigare questo bias, essa non era stata formalmente integrata nel framework dei modelli congiunti, limitando l'applicabilità dei modelli congiunti in contesti con eventi rari o covariate altamente sbilanciate.

Metodologia
Gli autori propongono un modello congiunto corretto con Firth implementato all'interno di un framework di stima frequentista utilizzando l'algoritmo EM (Expectation-Maximization).

1. Struttura del Modello: Il modello consiste in due submodelli collegati:
   • Un submodello longitudinale (Modello Lineare a Effetti Misti) che cattura la traiettoria della covariata endogena $m_i(t)$ con intercette e pendenze casuali.
   • Un submodello di sopravvivenza (Modello a rischi proporzionali di tipo Cox) in cui la funzione di rischio dipende dalle covariate basali e dal valore corrente del processo longitudinale $m_i(t)$ tramite un parametro di associazione $\alpha$.
2. Implementazione della Correzione di Firth:
   • Gli autori derivano il termine di correzione necessario per la funzione di score dei coefficienti del submodello di sopravvivenza ($\theta_{surv}$).
   • Il bias della MLE viene approssimato utilizzando un'espansione di Taylor del secondo ordine della funzione di score. Il termine di correzione $c(\theta)$ è derivato come $c(\theta) = \frac{1}{2} \text{tr}\left[ I(\theta)^{-1} \frac{\partial I(\theta)}{\partial \theta} \right]$, dove $I(\theta)$ è la matrice di informazione di Fisher.
   • Questo termine viene aggiunto alla funzione di score $S(\theta)$ durante lo step M dell'algoritmo EM, specificamente per l'aggiornamento Newton-Raphson dei coefficienti di sopravvivenza: $\hat{\theta}^{(t+1)}_{surv} = \hat{\theta}^{(t)}_{surv} + [I(\hat{\theta}^{(t)}_{surv})]^{-1} S^*(\hat{\theta}^{(t)}_{surv})$, dove $S^*$ è lo score corretto.
   • Inizializzazione: Per garantire la convergenza, gli autori inizializzano i coefficienti di regressione esogeni utilizzando stime di Massima Verosimiglianza Penalizzata da un classico modello di Cox corretto con Firth (tramite il pacchetto R coxphf).
   • Inferenza: Gli errori standard sono derivati tramite l'approssimazione della differenza in avanti della matrice Hessiana completa.

Risultati dello Studio di Simulazione
Uno studio di simulazione è stato condotto per valutare le prestazioni del modello congiunto corretto con Firth (FC-JM) rispetto al modello congiunto classico (JM) e a un JM con valori iniziali corretti con Firth (JMc).

• Riduzione del Bias: In scenari con separazione, il FC-JM ha prodotto stime significativamente meno distorte per la covariata separante rispetto al JM. Le stime si sono avvicinate ai valori osservati in scenari senza separazione.
• Dipendenza dall'Informazione: Le prestazioni della correzione sono guidate dalla curvatura della verosimiglianza, che dipende dal numero assoluto di eventi. Il FC-JM ha performato meglio in contesti a bassa informazione (campioni piccoli, alto censuramento) dove la separazione è più problematica.
• Stabilità: Sebbene il FC-JM abbia ridotto il bias, è stato osservato un piccolo numero di outlier in contesti di dati estremamente sparsi a causa di Hessiane analitiche mal condizionate, una limitazione non presente nel JM standard che approssima la Hessiana tramite BFGS.
• Altre Covariate: La correzione non ha alterato significativamente le stime delle coefficienti non separanti, mantenendo l'accuratezza in tutto il modello.

Applicazione nel Mondo Reale: Abbandono della Formazione Professionale
Il metodo è stato applicato a dati del German National Education Panel Study (NEPS) riguardanti l'abbandono dalla formazione professionale.

• Contesto: Lo studio ha modellato la traiettoria della soddisfazione formativa (longitudinale) e il rischio di abbandono (tempo all'evento).
• Problema della Separazione: Nel sottocampione femminile, il settore della formazione professionale "Altre occupazioni nei servizi commerciali" ha presentato separazione (zero eventi di abbandono), causando al JM classico la produzione di un coefficiente infinito e un errore standard gonfiato.
• Risultati:
  • Il FC-JM ha fornito stime finite e stabili per il settore separante, indicando che non vi era una differenza significativa nel rischio di abbandono rispetto al settore di riferimento.
  • Il modello ha avuto successo nel decomporre gli effetti in effetti diretti (ad esempio, il livello di istruzione, il compromesso nel campo di lavoro che influenzano direttamente il rischio di abbandono) ed effetti indiretti (mediati attraverso la soddisfazione).
  • I risultati hanno confermato che, mentre i fattori socioeconomici e i livelli di compromesso influenzavano significativamente la soddisfazione, il loro effetto diretto sull'abbandono era spesso non significativo una volta considerato il percorso di soddisfazione, mentre l'istruzione e il compromesso nel campo di lavoro mantenevano effetti protettivi o di rischio diretti.

Significatività e Rivendicazioni
L'articolo sostiene che la procedura di stima proposta con la correzione di Firth estende l'applicabilità dei modelli congiunti a dataset caratterizzati da eventi rari o da covariate categoriche altamente sbilanciate dove i metodi classici falliscono a causa della verosimiglianza monotona.

• Contributo Metodologico: Fornisce una derivazione formale e un'implementazione della penalità di Firth all'interno dell'algoritmo EM del modello congiunto, permettendo la stima di coefficienti finiti e meno distorti nei casi di separazione.
• Contributo Sostanziale: Nell'applicazione alla formazione professionale, il modello offre un framework causale più rigoroso modellando esplicitamente il ruolo mediatore della soddisfazione. Dimostra che i predittori strutturali spesso influenzano il rischio di abbandono indirettamente attraverso stati affettivi (soddisfazione), un meccanismo che viene oscurato negli approcci standard a due stadi o con predittori statici.
• Limitazioni: Gli autori notano che l'attuale implementazione è limitata alle associazioni di valore corrente e alle covariate esogene costanti nel tempo. Inoltre, la dipendenza dalle Hessiane analitiche può portare a instabilità numerica in dati estremamente sparsi, suggerendo la necessità di future strategie di stabilizzazione.

Il lavoro è presentato come una soluzione a un particolare modo di fallimento della stima, consentendo ai ricercatori di utilizzare i modelli congiunti in contesti precedentemente ritenuti inadatti a causa della separazione, migliorando così la robustezza dell'inferenza in applicazioni di scienze sociali e biostatistica che coinvolgono eventi rari.