A Comparative Study of Methods for Handling Missing Data in Longitudinal Data with Implications for Causal Inference

Sintesi Tecnica: Uno Studio Comparativo dei Metodi per la Gestione dei Dati Mancanti in Dati Longitudinali con Implicazioni per l'Inferenza Causale

Problema
Gli studi di coorte longitudinali sono fondamentali per la ricerca etologica, ma sono frequentemente compromessi da due limitazioni metodologiche interconnesse: i dati mancanti e il bias di confondimento. Sebbene esista una vasta letteratura sulla gestione dei dati mancanti (ad esempio, l'imputazione multipla) e sul controllo dei confonditori (ad esempio, i punteggi di propensione, le variabili strumentali) trattati separatamente, vi è una mancanza di prove sistematiche riguardanti la combinazione ottimale di queste strategie nell'inferenza causale longitudinale. Gli studi esistenti spesso affrontano questi problemi isolatamente o si basano su dati trasversali, lasciando un vuoto nella comprensione di come specifici metodi di imputazione dei dati mancanti interagiscano con varie strategie di controllo dei confonditori sotto diverse condizioni longitudinali (ad esempio, variabili dimensioni del campione, meccanismi di mancanza e eterogeneità dell'effetto).

Metodologia
Gli autori hanno impiegato un quadro completo di simulazione Monte Carlo per valutare le prestazioni di sette metodi di gestione dei dati mancanti combinati con sei strategie di controllo dei confonditori.

• Generazione dei Dati: Dati longitudinali completi sono stati generati utilizzando un framework di Modello Lineare Generalizzato a Effetti Misti (GLMM). La simulazione ha incorporato variabili di trattamento binarie, confonditori basali e longitudinali, e outcome binari attraverso diverse ondate di follow-up.
• Scenari di Simulazione: Sono stati condotti quattro distinti studi di simulazione per isolare fattori specifici:
  1. Simulazione 1: Ha valutato l'influenza dei meccanismi di mancanza (MCAR, MAR, MNAR), delle strutture dell'effetto del trattamento (eterogeneo vs. omogeneo) e della presenza di confondimento non misurato.
  2. Simulazione 2: Ha valutato l'impatto del numero di ondate di follow-up (2 vs. 4).
  3. Simulazione 3: Ha investigato l'effetto del numero di confonditori (2, 4, 8, 12).
  4. Simulazione 4: Ha analizzato l'influenza della dimensione del campione (da 200 a 8.000) e delle proporzioni di dati mancanti (dal 5% al 50%).
• Metodi Valutati:
  • Gestione dei Dati Mancanti: Analisi del caso completo (CCA), imputazione della media, imputazione per regressione, imputazione multipla (MI), random forest, K-nearest neighbor (KNN) e hot deck.
  • Controllo dei Confonditori: Aggiustamento multivariato (MA), aggiustamento dei covariate del punteggio di propensione (PSCA), matching per punteggio di propensione (PSM), ponderazione della probabilità inversa (IPW), variabile strumentale (IV) e stima a robustezza doppia (DRE).
• Metriche di Valutazione: Le prestazioni sono state quantificate utilizzando il bias assoluto medio (AAB), il bias della varianza, l'errore quadratico medio (MSE) dell'effetto del trattamento, la potenza statistica, il tasso di errore di Tipo I, l'E-value e l'indice di concordanza (C-index).
• Validazione Empirica: Le raccomandazioni derivate dalla simulazione sono state applicate a dati reali provenienti dal China Health and Retirement Longitudinal Study (CHARLS) per esaminare l'associazione tra consumo di alcol e depressione tra adulti di mezza età e anziani.

Risultati Chiave

• Impatto dei Meccanismi di Mancanza: Il meccanismo di mancanza dei dati (MCAR, MAR, MNAR) ha esercitato un'influenza trascurabile sulla stima dei coefficienti dell'effetto causale. Al contrario, la proporzione di dati mancanti ha avuto un effetto deleterio forte e monotono sulla precisione della stima; proporzioni di dati mancanti più elevate hanno aumentato significativamente l'MSE e ridotto la potenza statistica.
• Prestazioni dell'Imputazione dei Dati Mancanti:
  • Per l'inferenza causale, l'Imputazione Multipla (MI), l'imputazione della media e la random forest hanno prodotto costantemente le stime dell'effetto causale a valle più affidabili (MSE più basso).
  • Per le analisi descrittive che danno priorità all'accuratezza dell'imputazione (minimizzando AAB e bias della varianza), la imputazione per regressione, la random forest e il KNN sono risultati i migliori.
  • L'analisi del caso completo (CCA) ha generalmente prodotto l'MSE più elevato e la potenza più bassa.
• Prestazioni del Controllo dei Confonditori:
  • Effetti Eterogenei (Assenza di Confondimento Non Misurato): La Stima a Robustezza Doppia (DRE) è stata ottimale, producendo il più piccolo MSE. L'Aggiustamento Multivariato (MA) è stato un close secondo. L'IPW ha mostrato l'MSE più grande e tassi di errore di Tipo I gonfiati.
  • Effetti Omogenei (Assenza di Confondimento Non Misurato): Il metodo della Variabile Strumentale (IV) ha prodotto stime più vicine al vero valore nullo, ma ha sofferto di una ridotta precisione rispetto alla DRE.
  • Confondimento Non Misurato: In presenza di confondimento non misurato, il metodo IV è stato superiore se esisteva una variabile strumentale valida. In assenza di una variabile strumentale valida, l'IPW è stato la seconda migliore alternativa, sebbene la DRE e la MA siano rimaste ragionevoli se il confondimento non misurato non era severo.
• Dimensione del Campione e Ondate di Follow-up: Dimensioni del campione più ampie hanno migliorato l'accuratezza dell'imputazione e ridotto l'MSE. Aumentare il numero di ondate di follow-up non ha alterato la classifica relativa dei metodi, ma ha ridotto notevolmente la potenza statistica del metodo IV (scendendo da circa il 100% a circa il 70% quando le ondate sono aumentate da 2 a 4).
• Applicazione Empirica: Nell'analisi CHARLS, tutte le 35 combinazioni di metodi hanno rilevato un'associazione positiva statisticamente significativa tra il consumo di alcol e la depressione. La performance relativa dei metodi ha rispecchiato i risultati della simulazione, con la DRE e la MA combinate con MI, imputazione della media o random forest che fornivano le stime più stabili.

Significatività e Rivendicazioni
Gli autori affermano che questo studio fornisce una guida pratica e standardizzata per la selezione dei metodi nelle analisi causali longitudinali all'interno della ricerca epidemiologica e clinica. Valutando sistematicamente l'influenza congiunta della gestione dei dati mancanti e del controllo dei confonditori, lo studio chiarisce le caratteristiche di prestazione e l'abbinamento ottimale dei principali metodi analitici.

Il documento sottolinea che la selezione del metodo dovrebbe essere guidata dall'estimand target, dalle assunzioni di mancanza, dalla struttura del confondimento e dalla disponibilità di variabili strumentali valide. Nello specifico, gli autori raccomandano:

1. Utilizzare MI, imputazione della media o random forest per la gestione dei dati mancanti nell'inferenza causale.
2. Impiegare la DRE quando gli effetti causali sono eterogenei e il confondimento non misurato è assente.
3. Utilizzare la IV quando gli effetti sono omogenei o è presente confondimento non misurato (a condizione che esista una variabile strumentale valida).
4. Evitare la combinazione di IPW con CCA, che è stata identificata come la strategia con le prestazioni peggiori nelle simulazioni.

Lo studio riconosce i limiti, tra cui la dimensione massima del campione di 8.000 (che limita l'estrapolazione a dataset molto grandi), la dipendenza dalla generazione di dati basata su GLMM e l'assunzione di MAR nella validazione empirica. Tuttavia, gli autori sostengono che i loro risultati offrono raccomandazioni robuste, basate sulla simulazione, per i ricercatori che analizzano dati osservazionali longitudinali.