Targeted maximum likelihood estimation for longitudinal two-stage designs with outcome subsampling

Sintesi Tecnica: Stima di Massima Verosimiglianza Mirata per Disegni Longitudinali a Due Stadi con Sottocampionamento dell'Esito

Problematica
Il saggio affronta la sfida di stimare efficientemente parametri causali generali in disegni longitudinali a due stadi caratterizzati da sottocampionamento dell'esito (outcome subsampling). Questo disegno è motivato dagli studi longitudinali sulla sopravvivenza in contesti con risorse limitate, in particolare quelli che investigano la mortalità correlata all'HIV. In tali studi, una parte significativa di partecipanti viene persa al follow-up (LTFU) prima che la morte venga registrata o che avvenga la censura a destra. La pratica standard prevede il rintracciamento retrospettivo di un sottoinsieme di questi individui LTFU per accertare lo stato vitale (ricampionamento).

L'approccio analitico dominante, lo stimatore Kaplan-Meier pesato per probabilità inversa (wKM), assegna pesi basati su probabilità di ricampionamento note. Tuttavia, gli autori sostengono che gli stimatori wKM soffrano di sostanziali perdite di efficienza perché scartano la ricca storia dei covariati longitudinali disponibile per tutti i partecipanti, affidandosi invece alla pesatura inversa che scarta i dati dei soggetti non campionati. Inoltre, i metodi standard di stima della varianza spesso non forniscono un'inferenza valida quando vengono utilizzati stimatori di disturbo (nuisance estimators) flessibili e adattivi ai dati, portando a una copertura degli intervalli di confidenza ben al di sotto dei livelli nominali (fino al 76%).

Quadro Metodologico
Gli autori formalizzano i disegni di ricampionamento come un caso specifico della classe più ampia di disegni a due stadi con sottocampionamento dell'esito. In questo quadro:

• Stadio 1: I dati $V$ (covariati e tempi di censura) vengono raccolti per tutti i partecipanti.
• Stadio 2: Le informazioni sull'esito $X$ vengono raccolte solo per un sottoinsieme selezionato indicato da $\Delta=1$.
• Dati Completi (Full Data): Definiti come $X = (W, \tau, \bar{L}(\tau), \bar{Y}(\tau))$, dove $\tau$ è la censura amministrativa e $\bar{Y}(\tau)$ è il processo di sopravvivenza.

Il saggio propone due nuovi stimatori basati sulla Stima di Massima Verosimiglianza Mirata (TMLE) per affrontare le inefficienze di wKM:

1. IPCW-LTMLE (Longitudinal TMLE con IPCW):

   • Si tratta di un'estensione della LTMLE con pesatura per probabilità inversa di censura (IPCW-TMLE) per disegni a due stadi applicata al contesto longitudinale.
   • Applica una LTMLE ai "dati completi" (osservati solo per $\Delta=1$) e utilizza pesi di probabilità inversa ($\Delta/\Pi_\Delta$) per tenere conto della mancanza di dati (missingness).
   • Innovazione: Gli autori dimostrano che, anche quando le probabilità di campionamento sono note per costruzione, la loro stima e mira (estimating and targeting) produce significativi riduzioni della varianza (fino al 36%). Ciò si ottiene aggiungendo uno step di fluttuazione per imporre una condizione di curva d'influenza a media nulla, incorporando efficacemente le informazioni da tutti i partecipanti anziché limitarsi al solo sottoinsieme campionato.

2. LTMLE con il Campionamento come Nodo di Intervento:

   • Riconoscendo che la pesatura inversa sacrifica intrinsecamente l'efficienza rispetto alla stima plug-in, gli autori propongono un secondo stimatore che evita completamente la pesatura inversa.
   • Questo metodo incorpora l'indicatore di campionamento del secondo stadio $\Delta$ direttamente come un ulteriore nodo di intervento nel framework di regressione sequenziale.
   • Lo stimatore mira a un esito controfattuale sotto un intervento congiunto che impedisce la censura e imposta $\Delta=1$ per tutti i partecipanti.
   • Tale approccio sfrutta l'intera storia longitudinale dei covariati di tutti i partecipanti (indipendentemente dallo stato di campionamento) e aderisce ai principi di stima plug-in.

Stima della Varianza e Cross-Fitting
Un contributo critico del saggio è lo sviluppo di stimatori di varianza cross-fitted per entrambi i metodi proposti. Gli autori identificano che la stima della varianza basata sulla curva d'influenza standard produce un'inferenza non valida (sottocopertura) quando vengono utilizzati stimatori di disturbo flessibili (es. Super Learner) a causa dell'overfitting.

• Propongono un approccio ibrido: il punto di stima è calcolato sui dati completi per preservare stabilità ed efficienza, mentre la fase di stima della varianza utilizza la suddivisione del campione (cross-fitting).
• Per l'IPCW-LTMLE, ciò comporta il cross-fitting sia della componente della curva d'influenza dei dati completi, sia del termine di proiezione sullo spazio tangente del meccanismo di campionamento.
• Si dimostra che questa procedura è essenziale per ripristinare la copertura degli intervalli di confidenza ai livelli nominali.

Risultati delle Simulazioni
Gli autori valutano gli stimatori tramite simulazioni con dimensioni campionarie $N \in \{500, 1000, 3000\}$ in un contesto di ricampionamento con censura bivariata (amministrativa e di campionamento).

• Efficienza: La LTMLE plug-in (senza pesatura inversa) raggiunge costantemente la varianza più bassa, superando il wKM con pesi noti fino al 73% nelle dimensioni campionarie minori e nei primi punti temporali. Anche l'IPCW-LTMLE con pesi mirati mostra guadagni costanti del 20-35% rispetto al wKM standard.
• Bias: Tutti i metodi proposti mostrano un bias empirico trascurabile in tutti i setting.
• Copertura: Gli stimatori di varianza standard producono una copertura bassa, pari al 76% per l'IPCW-LTMLE e all'80% per l'Hazard TMLE con $N=500$. I stimatori di varianza cross-fitted proposti ripristinano costantemente la copertura ai livelli quasi nominali (circa 95%).
• Comportamento in Campioni Finiti: A $N=500$ e nei primi punti temporali ($t=1$), tutti gli stimatori affrontano sfide dovute al basso numero di eventi e all'alto grado di informazione deterministica, che portano a distribuzioni di campionamento non normali. Tuttavia, la copertura migliora significativamente all'aumentare della dimensione del campione.

Significatività e Rivendicazioni
Il saggio sostiene di fornire un'estensione sistematica della teoria dell'efficienza semiparametrica ai disegni longitudinali a due stadi con sottocampionamento dell'esito.

• Formalizzazione: Stabilisce la connessione tra i disegni di ricampionamento e la classe più ampia di disegni a due stadi con sottocampionamento dell'esito, permettendo l'applicazione di avanzati strumenti di inferenza causale.
• Efficienza: Gli stimatori proposti offrono alternative chiuse altamente efficienti in contesti in cui non esistono stimatori chiusi completamente efficienti a causa della censura bivariata.
• Utilità Pratica: Dimostrando che la mira dei pesi di campionamento noti e l'evitare la pesatura inversa possono generare riduzioni sostanziali della varianza, il saggio offre un'alternativa più efficiente al comunemente usato stimatore wKM.
• Inferenza Robusta: Il lavoro sottolinea che la stima della varianza tramite cross-fitting non è solo un miglioramento opzionale, ma una pratica essenziale per un'inferenza valida quando si utilizzano stime di disturbo adattive ai dati in questi disegni complessi.

Gli autori concludono che questi metodi espandono il toolkit metodologico per l'analisi dei disegni a due stadi, offrendo stimatori che sono più efficienti, robusti e affidabili rispetto agli approcci esistenti, particolarmente nel contesto degli studi longitudinali sulla sopravvivenza con sottocampionamento dell'esito.