Comparing Missing Data Methods for Estimating Average Treatment Effects Under Time-Varying Confounding: A Simulation Study

Sintesi Tecnica: Confronto tra i Metodi di Gestione dei Dati Mancanti per la Stima dell'Effetto Medio del Trattamento sotto Confounding Tempo-Variante

Definizione del Problelo
Nella causalità del mondo reale, i dati sono frequentemente incompleti a causa della perdita al follow-up, del dropout o della mancata risposta. Gli approoli statistici standard spesso si affidano all'analisi dei casi completi (complete-case analysis), che può produrre stime distorte e inefficienti quando i dati non sono Missing Completely at Random (MCAR). Sebbene esistano metodi per gestire i dati mancanti e per correggere il confounding (ad esempio, il pesatura del propensity score), pochi studi hanno esaminato come le metodologie di imputazione si comportino specificamente sotto il confounding tempo-variante con variabili binarie. Inoltre, esiste una comprensione limitata di come il meccanismo di mancanza (MCAR, MAR, MNAR), il tasso di mancanza, la posizione della mancanza (trattamento vs. esito) e la dimensione del campione influenzino congiuntamente la validità delle stime dell'Average Treatment Effect (ATE) e le condizioni di identificabilità sottostanti (scambiabilità, positività e coerenza).

Metodologia
Gli autori hanno condotto uno studio di simulazione utilizzando un disegno fattoriale completo per confrontare quattro strategie di gestione dei dati mancanti:

1. Analisi dei casi completi (Complete-case analysis): Restrizione dell'analisi ai soggetti con dati completamente osservati.
2. Imputazione a modalità singola (Single mode imputation): Sostituzione dei valori mancanti con il valore osservato più frequente.
3. Imputazione Hot Deck Stratificata (Stratified hot deck imputation): Imputazione dei valori mancanti utilizzando un donatore casuale dallo stesso strato definito dalle covariate osservate.
4. Imputazione Multipla mediante Equazioni a Catena (MICE - Multiple Imputation by Chained Equations): Generazione di molteplici dataset tramite regressione iterativa e combinazione delle stime utilizzando le regole di Rubin.

Disegno della Simulazione:

• Generazione dei Dati: Sono stati generati dataset longitudinali sintetici basati su un contesto di efficacia vaccinale con trattamento tempo-variante ($A_0, A_1, A_2$) ed esiti di sopravvivenza ($Y_0, Y_1, Y_2, Y_3$). Il processo includeva quattro confonditori: comorbidità, età, deprivazione a livello di area e sesso.
• Parametri Variati:
  • Forza del Confounding ($\rho$): -0.1, -0.4, -0.7.
  • Dimensione del campione ($n$): 1.000 e 5.000.
  • Tasso di mancanza: 20% e 50%.
  • Meccanismo di mancanza: MCAR, MAR (nel trattamento o nell'esito) e MNAR.
  • Posizione della mancanza: Variabili di trattamento ($A_1, A_2$) rispetto a variabili di esito ($Y_1, Y_2$).
• Analisi: Gli ATE sono stati stimati tramite regressione logistica con Inverse-Probability Treatment Weighting (IPTW). Le prestazioni sono state valutate attraverso 48 scenari (500 replicazioni ciascuno) utilizzando il bias assoluto, la copertura dell'intervallo di confidenza al 95% e l'errore standard empirico. La prevalenza di propensity score estremi è stata utilizzata come proxy per le violazioni della positività.

Risultati Chiave

• Prestazioni dei Metodi: L'Imputazione Multipla (MICE) ha superato costantemente gli altri metodi, ottenendo il minor bias, la maggiore copertura e il minor errore standard empirico nella maggior parte degli scenari. È rimasta relativamente robusta anche in condizioni MNAR, sebbene tutti i metodi abbiano mostrato un certo deterioramento.
  • L'analisi dei casi completi ha mostrato un basso bias sotto MCAR, ma ha sofferto di una copertura scarsa e altamente variabile in presenza di mancanza non casuale. È stata particolarmente sensibile a un forte confounding.
  • L'imputazione a modalità singola ha performato scarsamente, specialmente sotto MAR, probabilmente a causa della distorsione delle distribuzioni delle variabili binarie.
  • L'imputazione Hot Deck Stratificata ha performato meglio rispetto ai casi completi e alla modalità singola, ma ha fornito una copertura inferiore rispetto a MICE.
• Impatto dei Parametri:
  • Meccanismo di Mancanza: Questo è stato il principale driver di bias ed errore standard empirico. Il bias è aumentato progressivamente da MCAR a MAR a MNAR.
  • Forza del Confounding: Un forte confounding ($\rho = -0.7$) ha ridotto significativamente la copertura degli intervalli di confidenza, in particolare per l'analisi dei casi completi e l'imputazione a modalità singola, suggerendo che i metodi di gestione dei dati mancanti che non preservano le relazioni tra le variabili ostacolano la capacità dei propensity score di ripristinare la scambiabilità.
  • Dimensione del Campione: Campioni più piccoli ($n=1.000$) sono stati associati a un bias e un errore standard empirico più elevati, probabilmente a causa dell'instabilità del campionamento finito nella stima della varianza piuttosto che nel bias dello stimatore.
  • Posizione della Mancanza: La copertura per MICE e l'imputazione hot deck è diminuita quando la mancanza riguardava le variabili di trattamento piuttosto che le variabili di esito, a causa della distribuzione sparsa delle variabili di esito che limita l'informazione per l'imputazione.
• Violazioni della Positività: I propensity score estremi (che indicano violazioni della positività) si sono concentrati negli scenari MNAR, nei tassi di mancanza elevati (50%) e nei piccoli campioni.

Significatività e Conclusioni
Lo studio conclude che il meccanismo di mancanza e la scelta del metodo di gestione dei dati mancanti sono i determinanti dominanti delle prestazioni della stima dell'ATE. Gli autori raccomandano una preferenza generale per l'Imputazione Multipla (MICE) rispetto ai metodi ad hoc più semplici (casi completi, modalità singola, hot deck) quando si gestiscono dati mancanti di trattamento o di esito nelle analisi causali basate sul propensity score, poiché MICE è l'unico metodo che ha mantenuto una copertura accettabile sotto MNAR.

Tuttavia, gli autori osservano che le prestazioni dei metodi sono altamente dipendenti dal contesto. Anche i metodi sofisticati come MICE degradano quando la mancanza influenza variabili con distribuzioni altamente asimmetriche (come gli esiti di sopravvivenza in questo studio). Lo studio evidenzia come un forte confounding possa compromettere la copertura anche quando i confonditori sono pienamente misurati, specialmente se il metodo di gestione dei dati mancanti non riesce a preservare le relazioni necessarie per l'aggiustamento.

Limitazioni
Gli autori riconoscono diverse limitazioni: lo studio ha introdotto la mancanza tramite un singolo meccanismo alla volta piuttosto che attraverso pattern complessi e misti (ad esempio, dropout intermittente); le violazioni della positività sono state approssimate tramite propensity score estremi; e lo spazio dei parametri è stato limitato dai costi computazionali. Inoltre, ogni metodo è stato implementato con una configurazione fissa (ad esempio, MICE con $m=5$), il che potrebbe non riflettere tutte le implementazioni pratiche.

Direzioni Future
Il documento suggerisce che la ricerca futura dovrebbe esplorare metodi di imputazione doppiamente robusti e basati sul machine learning sotto il confounding tempo-variante, applicare tali confronti a dataset del mondo reale con pattern di mancanza complessi e investigare sistematicamente l'interazione tra violazioni della positività e meccanismi di mancanza.