📊 statistics

Uncertainty intervals for multilevel models with missing not at random data

Questo articolo propone un metodo di analisi di sensibilità per modelli multilivello lineari con dati non mancanti in modo casuale (MNAR) che deriva aggiustamenti del bias per stimare limiti plausibili per i parametri di interesse sotto assunzioni più deboli rispetto al dato mancante in modo casuale, validato attraverso simulazioni e un'applicazione alle traiettorie di solitudine, attività fisica e memoria.

Autori originali: Minna Genbäck

Pubblicato 2026-06-24

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Minna Genbäck

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di preparare la torta perfetta (il tuo studio) per capire come ingredienti come la solitudine e l'esercizio fisico influenzano la memoria nel tempo. Hai una ricetta che presuppone che se un pasticciere abbandona la classe, lo faccia in modo casuale — magari ha solo dimenticato il grembiule o ha avuto una gomma a terra. Questo è chiamato l'assunto di "Dati Mancanti Casuali" (Missing At Random - MAR). La maggior parte degli strumenti statistici prepara la torta basandosi su questa idea.

Tuttavia, nel mondo reale, i pasticceri spesso abbandonano per motivi specifici legati alla torta stessa. Magari quelli che hanno difficoltà a ricordare i passaggi (scarsa memoria) sono proprio quelli che lasciano la classe in anticipo. Se ignori questo aspetto, la tua torta finale avrà un sapore sbagliato perché hai assaggiato solo i dolci di chi è rimasto. Questo è chiamato "Dati Mancanti Non Casuali" (Missing Not At Random - MNAR).

Questo articolo propone un nuovo modo per preparare la torta che ammette: "Non sappiamo esattamente perché le persone se ne siano andate, ma possiamo indovinare quanto questo potrebbe aver cambiato il sapore".

Ecco come l'autrice, Minna Genbäck, suddivide il lavoro:

1. Il Problema: Gli Abbandoni "Fantasma"

Negli studi a lungo termine (come seguire la memoria delle persone per 10 anni), le persone smettono di rispondere ai sondaggi. La matematica standard assume che questi abbandoni siano casuali. Ma negli studi sulla salute, le persone più malate o fragili spesso abbandonano più di quelle sane. Se tratti questi casi come casuali, i tuoi risultati saranno distorti — è come giudicare una corsa guardando solo i corridori che hanno tagliato il traguardo, ignorando quelli che sono inciampati e sono caduti perché la pista era troppo difficile.

2. La Soluzione: La Rete di Sicurezza del "E se...?"

Invece di pretendere di sapere esattamente perché le persone se ne siano andate (il che è impossibile da dimostrare), l'autrice suggerisce una Analisi di Sensibilità. Pensa a questo come alla costruzione di una "rete di sicurezza" attorno alla tua risposta.

Il Vecchio Modo: Calcoli un singolo numero (es. "L'esercizio migliora la memoria di 0,4 punti").
Il Nuovo Modo: Calcoli un intervallo. Dici: "Se gli abbandoni fossero stati leggermente correlati a una scarsa memoria, la risposta sarebbe tra X e Y. Se fossero stati molto correlati, la risposta sarebbe tra A e B".

Questo crea un Intervallo di Incertezza. Non è un singolo punto; è una zona di risposte plausibili che copre tutti i ragionevoli scenari "e se...".

3. Il Meccanismo: La "Stretta di Mano Segreta"

Per fare questo, l'autrice usa due modelli che si parlano:

Il Modello della Memoria: Predice come cambia la memoria.
Il Modello dell'Abbandono: Predice chi lascia lo studio.

Nella matematica standard, questi due modelli sono estranei; non si parlano. In questo nuovo metodo, l'autrice introduce un "Parametro di Sensibilità" (una stretta di mano segreta). Questo parametro rappresenta la correlazione tra il perché la memoria di qualcuno sta cambiando e il perché qualcuno sta abbandonando lo studio.

Se la stretta di mano è debole (zero), è lo scenario standard di "abbandono casuale".
Se la stretta di mano è forte, significa che le persone con un declino della memoria sono più propense ad abbandonare.

L'autrice deriva una formula matematica per calcolare esattamente quanto questa "stretta di mano" distorcerebbe i risultati. Poi, testa un intervallo di intensità della "stretta di mano" (da zero a un massimo plausibile) per vedere quanto oscilla la risposta finale.

4. Il Test nel Mondo Reale: Solitudine e Memoria

L'autrice ha testato questo metodo su un enorme sondaggio europeo (SHARE) che coinvolge oltre 27.000 persone di età superiore ai 65 anni. Hanno osservato se la solitudine e l'attività fisica influenzassero i punteggi della memoria nel tempo.

Il Risultato Standard: Sotto l'assunto di "abbandono casuale", sentirsi soli era collegato a un calo della memoria, e l'esercizio era collegato a un incremento.
Il Nuovo Risultato: Anche quando hanno permesso la possibilità che le persone con una memoria peggiore fossero più propense ad abbandonare (lo scenario MNR), i risultati non sono cambiati molto. La "rete di sicurezza" (intervallo di incertezza) includeva ancora le scoperte originali.

Ciò suggerisce che le conclusioni originali erano robuste; reggevano anche quando l'assunto di "abbandono casuale" veniva meno.

5. La Simulazione: Il "Test di Stress"

Per dimostrare che questo metodo funziona, l'autrice ha eseguito una simulazione al computer. Ha creato dati finti dove sapeva la verità e dove le persone abbandonavano lo studio specificamente perché la loro memoria era scarsa.

Ha cercato di correggere la distorsione usando la sua nuova formula.
Il Risultato: Il metodo ha funzionato bene. Ha corretto con successo le stime "oscillanti" e ha fornito un intervallo che catturava la risposta vera la maggior parte delle volte.

Il Problema (Limitazioni)

L'autrice ammette che questo metodo è computazionalmente pesante. È come cercare di risolvere un gigantesco puzzle 3D dove i pezzi continuano a muoversi. Se i gruppi di persone (cluster) sono troppo grandi, la matematica diventa troppo lenta per essere eseguita su un computer standard. Inoltre, il metodo assume che la forza della "stretta di mano" rientri in un intervallo specifico e plausibile — se indovini male l'intervallo, la rete di sicurezza potrebbe essere troppo ampia o troppo stretta.

Riassunto

Questo articolo non ti dà una bacchetta magica per sistemare i dati mancanti. Invece, ti dà un righello con un margine di errore più ampio. Permette ai ricercatori di dire: "Non siamo sicuri esattamente del perché le persone abbiano lasciato lo studio, ma anche se assumiamo lo scenario peggiore ragionevole, le nostre conclusioni principali sulla solitudine e la memoria rimangono valide". Sostituisce una fragile ipotesi basata su un singolo punto con un intervallo di possibilità robusto e flessibile.

Sintesi Tecnica: Intervalli di Incertezza per Modelli Multilivello con Dati Missing Not At Random

Problematica
Le indagini longitudinali soffrono frequentemente della non-risposta, inclusi individui che non partecipano mai e coloro che abbandonano dopo un sottoinsieme di occasioni di misurazione. I modelli multilivello (mixed-effects) standard tipicamente assumono che i dati siano Missing At Random (MAR), il che significa che la probabilità di assenza dipende solo dai dati osservati. Tuttavia, negli studi che coinvolgono popolazioni anziane ed esiti sanitari, i rispondenti spesso differiscono sistematicamente dai non rispondenti (ad esempio, essendo più sani), suggerendo un meccanismo Missing Not At Random (MNAR). Se l'assunzione MAR viene violata, le stime dei parametri possono essere distorte, portando a conclusioni fuorvianti. Sebbene esistano modelli di selezione e di pattern mixture per gestire i dati MNAR, essi richiedono spesso vincoli distribuzionali forti e non testabili per ottenere la piena identificazione.

Metodologia
Il documento propone un metodo di analisi di sensibilità che rinuncia alla piena identificazione a favore di una identificazione parziale sotto ipotesi più deboli. L'approccio prevede i seguenti passaggi:

Modellazione Duale: L'esito e il meccanismo di dropout vengono modellati simultaneamente utilizzando modelli multilivello.
- L'esito $y_{ij}$ è modellato tramite un modello lineare a effetti misti: $y_{ij} = X_{ij}\beta + \eta_{ij}$ .
- Il processo di dropout è modellato tramite un modello lineare generalizzato con link probit, utilizzando una variabile latente $z^*_{ij}$ : $z^*_{ij} = X_{ij}\delta + u_{ij}$ , dove l'osservazione avviene se $z^*_{ij} > 0$ .
Parametro di Sensibilità: Sotto l'assunzione MAR, gli effetti casuali del modello di esito ( $\eta$ ) e del modello di dropout ( $u$ ) sono indipendenti. Per tenere conto del fenomeno MNAR, gli autori introducono una matrice di parametri di sensibilità $\Delta_i$ , che rappresenta la covarianza tra questi componenti casuali.
Derivazione del Bias: Gli autori derivano un'espressione analitica generale per il bias dello stimatore dei Minimi Quadrati Generalizzati (GLS) quando $\Delta_i \neq 0$ . Il bias è una funzione dei parametri di sensibilità e del valore atteso di una distribuzione normale multivariata doppiamente troncata.
Intervalli di Incertezza: Invece di assumere un singolo valore per i parametri di sensibilità, il metodo specifica un intervallo plausibile (ad esempio, correlazioni tra 0 e 0,5). Calcolando il bias per i valori all'interno di questo intervallo, gli autori costruiscono "intervalli di incertezza". Questi intervalli rappresentano l'unione dei intervalli di confidenza derivati sotto l'intervallo specificato di assunzioni MNAR, fornendo limiti per la stima e l'inferenza.

Contributi Chiave

Espressione Analitica Generale: Il documento fornisce un'espressione analitica generale per il bias dello stimatore GLS in modelli multilivello sotto condizioni MNAR. Le derivazioni precedenti erano limitate a casi speciali non rappresentativi degli studi longitudinali (ad esempio, assumendo che tutti gli esiti in un cluster siano completamente osservati o completamente mancanti).
Framework di Identificazione Parziale: Il metodo consente ai ricercatori di quantificare la stabilità delle conclusioni rilassando l'assunzione MAR senza richiedere vincoli distribuzionali non testabili per identificare pienamente i parametri.
Strategia di Implementazione: Gli autori dimostrano come stimare i componenti necessari (matrici di covarianza e aspettative troncate) utilizzando software standard (ad esempio, lme4 in R) e pacchetti specializzati (MomTrunc), rendendo l'approccio computazionalmente fattibile per i ricercatori applicati.

Risultati

Applicazione Empirica: Il metodo è stato applicato ai dati SHARE (Survey of Health, Ageing and Retirement in Europe) per investigare l'associazione tra solitudine, attività fisica e traiettorie della memoria in individui di età superiore ai 65 anni.
- Sotto l'ipotesi MAR, la frequente sensazione di solitudine era associata a una diminuzione di 0,59 parole nel punteggio di memoria, mentre l'attività fisica vigorosa era associata a un aumento di 0,41 parole.
- Le analisi di sensibilità assumendo MNAR (specificamente che il declino della memoria aumenti il rischio di dropout) hanno suggerito che le stime potrebbero essere leggermente distorte (sottostimate), ma le conclusioni generali sono rimaste robuste. Gli intervalli di incertezza erano leggermente più ampi ma centrati in modo simile alle stime MAR.
Studio di Simulazione: Uno studio di simulazione ha valutato le prestazioni della correzione del bias in campioni finiti.
- Lo studio ha confrontato modelli annidati (clustering familiare) e modelli non annidati. Mentre i modelli annidati spesso soffrivano di problemi di convergenza, i modelli non annidati hanno fornito stime stabili.
- Le stime corrette per il bias hanno raggiunto tassi di copertura empirica di almeno l'87% (spesso 90–95%), anche quando il vero processo generatore di dati violava l'ipotesi MAR.
- Lo studio ha notato che gli errori standard per la variabile tempo nei design annidati erano sottostimati, portando a una minore copertura per le stime non corrette, ma la correzione del bias ha migliorato significamente la copertura.

Significatività e Limitazioni
Il documento sostiene che il metodo proposto offra uno strumento pratico per l'analisi di sensibilità nei modelli multilivello, particolarmente nella ricerca sulla salute e l'invecchiamento dove le assunzioni MAR sono spesso discutibili. Esso permette una valutazione più trasparente di come le conclusioni dipendano dalle assunzioni sui dati mancanti.

Gli autori riconoscono specifiche limitazioni:

Carico Computazionale: Calcolare il valore atteso di una distribuzione normale multivariata doppiamente troncata diventa computazionalmente intensivo per grandi cluster, limitando la fattibilità di design altamente annidati (ad esempio, clustering a livello di paese) nell'attuale implementazione.
Popolazione Target: Nell'applicazione empirica, la popolazione target è in parte mal definita a causa dei decessi non registrati e della selezione nello studio, cosa che il metodo non affronta esplicitamente.
Software: Il metodo è attualmente implementato tramite script personalizzati utilizzando pacchetti R esistenti, con l'obiettivo futuro di integrarlo nel pacchetto ui per una maggiore accessibilità.

Il documento conclude che, sebbene il metodo non risolva interamente il problema dell'identificazione, esso fornisce un framework rigoroso per delimitare le stime e valutare la robustezza dei risultati sotto scenari MNAR plausibili.