Bias-Reduced GEE via Adjusted Estimating Equations, with Odds-Ratio Extensions

Sintesi Tecnica: Riduzione del Bias nelle GEE tramite Equazioni di Stima Corrette, con Estensioni per l'Odds-Ratio

Problema
Le Equazioni di Stima Generalizzate (GEE), introdotte da Liang e Zeger [1986], sono un approccio standard per l'analisi di dati correlati, come negli studi longitudinali. Sebbene gli stimatori GEE siano consistenti e asintoticamente normali sotto deboli condizioni di regolarità, possono presentare un sostanziale bias nei campioni finiti quando il numero di cluster indipendenti è piccolo o moderato. Questo bias influenza l'inferenza di tipo Wald, portando a tassi di errore di Tipo I gonfiati.

La letteratura esistente sulla riduzione del bias nelle GEE affronta diverse limitazioni. In primo luogo, i metodi di Paul e Zhang [2014] e Lunardon e Scharfstein [2017] trattano spesso le matrici di covarianza di lavoro come fisse rispetto ai parametri della media. Questa semplificazione non tiene conto della dipendenza della varianza dalla media nei casi di risposte binarie e di Poisson, impedendo la riduzione del bias del primo ordine in questi comuni setting. In secondo luogo, i metodi di correzione del bias esistenti per le risposte binarie si basano su parametrizzazioni del coefficiente di correlazione. Queste parametrizzazioni sono soggette a vincoli di fattibilità restrittivi (limiti di Fréchet) imposti dalle medie marginali, il che può causare stime della correlazione al di fuori degli intervalli ammissibili o rendere la matrice di correlazione di lavoro non definita positiva, particolarmente in piccoli campioni. Infine, gli stimatori corretti per il bias esistenti richiedono uno stimatore GEE ordinario ben definito come punto di partenza, il che li rende numericamente instabili o inapplicabili in casi di separazione o quasi-separazione.

Metodologia
Il documento sviluppa un quadro unificato di riduzione del bias del primo ordine incorporando lo stimatore GEE all'interno del framework di stima M per dati clusterizzati, basandosi sulla metodologia di riduzione del bias robusta di Kosmidis e Lunardon [2024].

1. Regolazione per la Riduzione del Bias: Gli autori derivano un aggiustamento target esplicito, $\Lambda_G$, alle equazioni di stima GEE. Questa derivazione tratta lo stimatore come un estimatore M e tiene esplicitamente conto della dipendenza delle matrici di covarianza di lavoro dai parametri della media. L'aggiustamento ideale mira al termine di bias principale, $\Lambda_G$, che dipende dalle matrici di covarianza ignote.
2. Tre Stimatori Implementabili: Per rendere l'aggiustamento pratico, vengono costruite tre approssimazioni:
   • Regolazione Robusta (RBR): Sostituisce le matrici di covarianza ignote con analoghi empirici non distorti ($S_i S_i^\top$). Questo stimatore raggiunge la riduzione del bias del primo ordine indipendentemente dal fatto che la struttura di associazione di lavoro sia correttamente specificata.
   • Regolazione Naive (NBR): Assume che la covarianza di lavoro sia uguale alla vera covarianza. Questo annida gli stimatori di Paul e Zhang [2014] come un caso speciale (dove viene ignorata la dipendenza della varianza dalla media). Raggiunge la riduzione del bias se l'associazione è correttamente specificata o in condizioni specifiche anche se misspecificata.
   • Regolazione Empirica (EBR): Sostituisce tutte le aspettative con analoghi campionari. Sebbene teoricamente valido, può gonfiare la variabilità del campione finito ed è raccomandato solo come soluzione di emergenza quando la procedura robusta è numericamente instabile.
3. Analoghi a Unico Step Corretti per il Bias: Vengono derivati stimatori computazionalmente convenienti a un singolo step applicando l'aggiustamento allo stimatore GEE ordinario. Questi evitano l'iterazione delle equazioni aggiustate ma richiedono l'esistenza della soluzione GEE ordinaria.
4. Parametrizzazione dell'Odds-Ratio: Il framework viene esteso ai dati binari correlati tramite parametrizzazioni dell'odds-ratio a coppie (Lipsitz et al., 1991; Carey et al., 1993). Questo approccio evita i vincoli di fattibilità restrittivi dei coefficienti di correlazione. Gli autori derivano i necessari aggiustamenti ($\Lambda_{OR}$) per questa parametrizzazione, ottenendo i primi stimatori GEE ridotti per il bias e corretti per il bias sotto modellazione dell'odds-ratio.
5. Inferenza: Per l'inferenza in piccoli campioni, il paper raccomanda l'uso dello stimatore di covarianza corretto per piccoli campioni di Morel et al. [2003] ($\hat{\Sigma}_M$) invece dello standard stimatore sandwich.

Risultati Chiave
Sono stati condotti studi di simulazione coinvolgendo 10.000 replicazioni Monte Carlo per risposte binarie (modello probit) e di Poisson attraverso vari cluster di dimensioni ($N \in \{20, 35, 50, 100, 500\}$) e pattern di dati mancanti (dropout monotono MCAR).

• Riduzione del Bias: Lo stimatore Robust Bias-Reduced (RBR) ha ridotto costantemente il bias del campione finito rispetto alla GEE ordinaria, particolarmente per covariate tempo-varianti e in campioni di piccole o medie dimensioni. La riduzione del bias è stata più pronunciata per le risposte binarie.
• Efficienza e Copertura: Lo stimatore RBR ha mantenuto un'efficienza comparabile alla GEE ordinaria. La copertura empirica degli intervalli di confidenza Wald nominali al 95% basati su $\hat{\Sigma}_M$ è stata vicina al livello nominale per RBR, mentre la GEE ordinaria ha spesso mostrato una sottocopertura in piccoli campioni.
• Robustezza alla Misspecificazione: Lo stimatore RBR ha performato bene anche quando la struttura di associazione di lavoro era misspecificata. Lo stimatore Naive Bias-Reduced (NBR) ha mostrato anche una riduzione del bias sotto misspecificazione in determinati scenari, confermando i risultati teorici.
• Stabilità Numerica: Lo stimatore Empirical Bias-Reduced (EBR) ha mostrato instabilità numerica in piccoli campioni con dati mancanti, presentando tassi di convergenza inferiori ed errori standard gonfiati, validando la raccomandazione di usare RBR come default.
• Odds-Ratio vs. Correlazione: In un'applicazione clinica (dati sul dolore alla punta della spalla), l'uso di una matrice di correlazione di lavoro non strutturata ha portato a difficoltà numeriche (non convergenza, stime inadmissibili). Al contrario, la parametrizzazione dell'odds-ratio ha fornito stime stabili, dimostrando la sua superiorità per la modellazione flessibile delle associazioni binarie in piccoli campioni.

Significatività e Rivendicazioni
Il paper sostiene di fornire il primo framework unificato per la riduzione del bias nelle GEE che:

1. Tiene esplicitamente conto della dipendenza della covarianza di lavoro dai parametri della media, garantendo così la riduzione del bias del primo ordine per funzioni di varianza dipendenti dalla media (binaria/Poisson) dove i metodi precedenti fallivano.
2. Estende la riduzione del bias alle parametrizzazioni dell'odds-ratio per dati binari correlati, offrendo un'alternativa stabile ai metodi basati sulla correlazione che soffrono di vincoli di ammissibilità in piccoli campioni.
3. Assorbe e chiarisce la relazione tra i metodi esistenti (Paul e Zhang [2014]; Lunardon e Scharfstein [2017]), mostrandoli come casi speciali dei proposti framework robusto e naive.
4. Offre una soluzione pratica per contesti in cui la GEE ordinaria fallisce (es. separazione) fornendo stimatori completamente iterati e corretti per il bias che possono essere inizializzati tramite il metodo di Firth per i modelli GLM.

Gli autori concludono che lo stimatore Robust Bias-Reduced (RBR), implementato nel pacchetto R geer, dovrebbe servire come default pratico per dimensioni campionarie da piccole a moderate, particolarmente per dati binari correlati, poiché riduce il bias mantenendo le proprietà asintotiche e l'efficienza della GEE ordinaria.