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

技術要約：調整済み推定方程式によるバイアス軽減GEE、およびオッズ比への拡張

問題提起
Liang and Zeger [1986] によって導入された一般化推定方程式（GEE）は、縦断的研究のような相関データ（correlated data）を解析するための標準的な手法である。GEE推定量は、緩やかな正則条件の下で一致性と漸近正規性を有するが、独立したクラスター数が小規模から中規模の場合、相当な有限サンプル・バイアスを示すことがある。このバイアスはウォルド型の推論に影響を及ぼし、第I種の過誤の発生率を増大させる。

既存のバイアス軽減に関する文献には、いくつかの限界がある。第一に、Paul and Zhang [2014] や Lunardon and Scharfstein [2017] による手法は、ワーキング共分散行列を平均パラメータに対して固定されているものとして扱うことが多い。この簡略化は、二値およびポアソン応答における平均と分散の依存関係を考慮できておらず、これら一般的な設定において一次のバイアス軽減を妨げている。第二に、二値応答に対する既存のバイアス補正手法は、相関係数によるパラメータ化に依存している。これらのパラメータ化は、周辺平均によって課される厳格な実現可能性制約（フレシェ境界）の影響を受けやすく、特に小規模サンプルにおいては、相関推定値が許容範囲外に逸脱したり、ワーキング相関行列が正定値性を失ったりする原因となる。最後に、既存のバイアス補正推定量は、定義された通常のGEE推定量を起点とする必要があり、分離（separation）または準分離（near-separation）が発生する場合には数値的不安定性や適用不能に陥る。

手法
本論文は、Kosmidis and Lunardon [2024] のロバスト・バイアス軽減手法に基づき、GEE推定量をクラスター化データM推定の枠組みの中に組み込むことで、統一された一次バイアス軽減フレームワークを開発する。

1. バイアス軽減のための調整: 著者らは、GEE推定方程式に対する明示的な目標調整量 $\Lambda_G$ を導出する。この導出では、推定量をM推定量として扱い、ワーキング共分散行列の平均パラメータへの依存性を明示的に考慮する。理想的な調整は、未知の共分散行列に依存する主要なバイアス項 $\Lambda_G$ を標的とする。
2. 3つの実装可能な推定量: 調整を実用的にするために、3つの近似式を構築する：
   • ロバスト調整 (RBR): 未知の共分散行列を不偏な経験的類似体（$S_i S_i^\top$）で置き換える。この推定量は、ワーキング関連構造が正しく指定されているかどうかにかかわらず、一次のバイアス軽減を達成する。
   • ナイーブ調整 (NBR): ワーキング共分散が真の共分散に等しいと仮定する。これは、平均への分散依存性を無視した Paul and Zhang [2014] の推定量を特殊なケースとして包含する。これは、関連構造が正しく指定されている場合、あるいは誤指定されている場合でも特定の条件下でバイアス軽減を達成する。
   • 経験的調整 (EBR): すべての期待値をサンプルによる類似体で置き換える。理論的には妥当であるが、有限サンプルの変動性を増大させる可能性があるため、ロバストな手順が数値的に不安定な場合のフォールバックとしてのみ推奨される。
3. 一ステップ・バイアス補正類似体: 通常のGEE推定量に調整を適用することで、計算効率の高い一ステップ推定量を得る。これらは調整済み方程式の反復計算を回避できるが、通常のGEE解が存在することを前提とする。
4. オッズ比パラメータ化: 本フレームワークは、ペアワイズ・オッズ比パラメータ化（Lipsitz et al., 1991; Carey et al., 1993）を用いて、相関のある二値データへと拡張される。このアプローチは、相関係数の制限的な実現可能性制約を回避する。著者らは、このパラメータ化に必要な調整（$\Lambda_{OR}$）を導出し、オッズ比モデリング下での初のバイアス軽減およびバイアス補正済みGEE推定量を実現する。
5. 推論: 小規模サンプルにおける推論については、標準的なサンドイッチ推定量ではなく、Morel et al. [2003] による小規模サンプル調整済み共分散推定量（$\hat{\Sigma}_M$）の使用を推奨する。

主な結果
相関のある二値（プロビットモデル）およびポアソン応答を用い、様々なクラスターサイズ（$N \in \{20, 35, 50, 100, 500\}$）および欠測パターン（MCAR モノトーン・ドロップアウト）を含む10,000回のモンテカルロ・レプリケーションを用いたシミュレーション研究を実施した。

• バイアス軽減: ロバスト・バイアス軽減（RBR）推定量は、特に時変共変量が存在する場合や小規模から中規模のサンプルサイズにおいて、通常のGEEと比較して有限サンプル・バイアスを一貫して減少させた。バイアス軽減は二値応答において最も顕著であった。
• 効率性と被覆率: RBR推定量は、通常のGEEと同等の効率性を維持した。$\hat{\Sigma}_M$ に基づく公称95%ウォルド信頼区間の経験的被覆率は、RBRでは公称レベルに近かったのに対し、通常のGEEは小規模サンプルにおいて被覆不足（undercoverage）を示すことが多かった。
  。
• 誤指定に対するロバスト性: RBR推定量は、ワーキング関連構造が誤指定されている場合でも良好に機能した。ナイーブ・バイアス軽減（NBR）推定量も、特定のシナリオにおいて誤指定下でのバイアス軽減を示し、理論的知見を裏付けた。
• 数値的不安定性: 経験的バイアス軽減（EBR）推定量は、欠測データがある小規模サンプルにおいて数値的不安定性を示し、収束率の低下と標準誤差の増大が見られた。これは、RBRをデフォルトとして使用するという推奨事項を正当化するものである。
• オッズ比 vs 相関係数: 臨床試験の適用例（肩峰端痛データ）において、非構造化ワーキング相関行列を用いてモデルを適合させると、数値的な困難（非収束、不適当な推定値）が生じた。対照的に、オッズ比パラメータ化は安定した推定を提供し、小規模サンプルにおける二値の関連性の柔軟なモデリングに対する優位性を実証した。

意義および主張
本論文は、以下の特性を持つ、GEEにおけるバイアス軽減のための初の統一されたフレームワークを提供すると主張している：

1. ワーキング共分散の平均パラメータへの依存性を明示的に考慮することで、従来のメソッドが失敗していた平均依存型分散関数（二値/ポアソン）に対して、一次のバイアス軽減を保証する。
2. 相関のある二値データに対してバイアス軽減をオッズ比パラメータ化へと拡張し、小規模サンプルにおいて実現可能性の制約に苦しむ相関係数ベースの手法に代わる安定した選択肢を提供する。
3. 既存の手法（Paul and Zhang [2014]; Lunardon and Scharfstein [2017]）を、提案するロバストおよびナイーブの枠組みの特殊なケースとして示し、それらの関係を整理・包含する。
4. 通常のGEEが失敗する設定（例：分離）に対し、Firthのバイアス軽減GLMを初期値として用いることで、完全に反復されたバイアス軽減済み推定量を提供する実用的な解決策を提示する。

著者らは、Rパッケージ geer に実装されたロバスト・バイアス軽減（RBR）推定量が、通常のGEEの漸近的性質と効率性を維持しつつバイアスを軽減するため、小規模から中規模のサンプルサイズにおける実用的なデフォルトとして使用されるべきであると結論付けている。