A marginalized three-part interrupted time series regression model for proportional data

In dit artikel wordt een gemarginaliseerd drie-onderdeel Beta-regressiemodel voor tijdreeksen met onderbroken interventies voorgesteld dat, door gebruik te maken van copula's, zowel de tijdsafhankelijkheid als de complexe verdeling van proportionele data (met nullen en enen) effectief modelleert om covariaateffecten op het marginale gemiddelde te analyseren.

De kern

Stel je voor dat je een lange, kronkelende weg bekijkt die een ziekenhuisafdeling aflegt. Op deze weg wordt elke maand een score gemeten: hoe tevreden patiënten zijn met hun pijnbestrijding. Soms is de score perfect (100%), soms helemaal niet (0%), en vaak ergens daar tussenin.

De onderzoekers van dit artikel willen weten: Heeft een nieuwe manier van verplegen (een "interventie") de weg veranderd?

Hier is een uitleg van hun werk, vertaald naar simpele taal met een paar creatieve vergelijkingen.

1. Het Probleem: De "Knikker" die vastloopt

Normaal gesproken gebruiken wetenschappers een rechte lijn om te voorspellen of iets verbetert of verslechtert. Maar met percentages (zoals pijnbestrijdingsscores) werkt dat niet goed.

• Het probleem: Je kunt niet onder de 0% of boven de 100% komen. Het is alsof je probeert een knikker in een bak te gooien die aan de boven- en onderkant dicht is. Als je een simpele rechte lijn trekt, zou die lijn misschien door de bodem van de bak gaan of erbovenuit vliegen, wat onzin is.
• De extra moeilijkheid: Veel scores zijn extreem (heel veel 0's of heel veel 100's). En de scores van deze maand hangen samen met die van vorige maand (als het deze maand goed gaat, gaat het waarschijnlijk volgende maand ook goed).

De oude methodes waren als een hamer: ze probeerden alles plat te slaan, maar dat werkte niet voor deze specifieke, kromme data.

2. De Oplossing: Een Slimme Drie-Delig Model

De auteurs (Shangyuan Ye en collega's) hebben een nieuw gereedschap bedacht: een marginalized zero-one-inflated Beta time series model. Dat klinkt als een tongbreker, maar het is eigenlijk een slimme drie-delige strategie:

1. De "Is het nul?"-check: Eerst kijken ze of de score 0 is.
2. De "Is het 100?"-check: Dan kijken ze of de score 100 is.
3. De "Hoe zit het er tussen?"-check: Als het niet 0 of 100 is, kijken ze naar de rest met een speciale curve (de Beta-verdeling) die perfect past binnen de bak van 0 tot 100.

3. De Magie: De "Koppeling" (Copula)

Het moeilijkste deel was dat de scores van maand op maand met elkaar verbonden zijn. Als het vandaag regent, is de kans groot dat het morgen ook regent. In statistiek noemen we dat "temporele afhankelijkheid".

Om dit op te lossen, gebruiken ze iets dat ze een Copula noemen.

• De Analogie: Stel je voor dat je twee dansers hebt (de score van maand A en de score van maand B). Ze moeten op elkaar reageren. Een Copula is als de muziek die ze samen spelen. Het bepaalt hoe ze op elkaar reageren zonder dat je de dansers zelf hoeft te veranderen. Het koppelt de twee momenten aan elkaar op een slimme manier, zodat je precies kunt zien hoe de ene maand de volgende beïnvloedt.

4. Waarom is dit "Marge" (Marginalized)?

Normaal gesproken kijken statistische modellen naar de "gemiddelde" situatie, maar dat kan verwarrend zijn als je veel uitschieters hebt.

• De Analogie: Stel je voor dat je kijkt naar het gemiddelde inkomen van een stad. Als er één miljardair is, is het gemiddelde hoog, maar dat zegt niets over de gewone mensen.
• Dit nieuwe model kijkt naar de werkelijke, directe impact op de gemiddelde score die je ziet, zonder dat je eerst door een ingewikkeld wiskundig labyrint hoeft te reizen om het te begrijpen. Het geeft direct antwoord op de vraag: "Hoe heeft de interventie de gemiddelde patiënt beïnvloed?"

5. De Test: Wat leerden ze?

Ze testten hun nieuwe model eerst in een computer-simulatie (een virtuele wereld) en daarna op echte data van een ziekenhuis.

• De Simulatie: Ze lieten zien dat hun nieuwe methode (vooral met een techniek genaamd "bootstrapping", wat neerkomt op duizenden keren opnieuw rekenen met variaties) veel betrouwbaarder is dan de oude methodes, vooral als je niet heel veel data hebt.
• De Echte Data: Ze keken naar de pijnbestrijdingsscores in een ziekenhuis na de invoering van een nieuwe verpleegkundige leiding.
  • Resultaat: De gemiddelde score ging niet dramatisch omhoog of omlaag (geen grote sprong).
  • Maar! De variatie (de onrust) werd veel kleiner.
  • De Les: Het was alsof de scores voorheen wild heen en weer sprongen (soms heel goed, soms heel slecht), maar na de interventie werden ze stabieler. De verpleging werd consistenter. Dat is ook een groot succes, zelfs als het gemiddelde niet veranderde.

Samenvatting in één zin

De auteurs hebben een slimme, nieuwe wiskundige "bril" ontworpen om te kijken naar percentages die vastlopen bij 0 en 100 en die met elkaar verbonden zijn; deze bril helpt hen om precies te zien of een nieuwe beleidsmaatregel echt iets verandert, zelfs als de verandering niet direct in een rechte lijn te zien is.

Kortom: Ze hebben een beter meetlatje gemaakt voor een wereld die niet altijd rechtlijnig is, en hebben zo ontdekt dat stabiliteit soms net zo belangrijk is als een grote verbetering.

Technische samenvatting

Probleemstelling

Interrupted Time Series (ITS) analyses worden veel gebruikt om de effectiviteit van gezondheidsbeleid te evalueren. Vaak zijn de uitkomsten percentages of fracties (proportionele data) die binnen het interval $[0, 1]$ liggen. Deze data vertonen vaak specifieke kenmerken die de toepassing van standaard lineaire regressiemodellen onmogelijk maken:

1. Beperkingen: Waarden zijn begrensd tussen 0 en 1, wat kan leiden tot schattingen die buiten dit bereik vallen bij lineaire modellen.
2. Scheefheid en Nullen/Enen: De data zijn vaak sterk scheef verdeeld met een overvloed aan nullen (0%) en enen (100%).
3. Temporele afhankelijkheid: ITS-gegevens vertonen autocorrelatie (afhankelijkheid tussen opeenvolgende tijdspunten).

Bestaande methoden, zoals logit-getransformeerde lineaire modellen of standaard Beta-regressie, hebben beperkingen:

• Logit-transformaties maken interpretatie van de oorspronkelijke schaal moeilijk door Jensen's ongelijkheid.
• Driedelige modellen (Zero-One-Inflated Beta) kunnen wel nullen en enen modelleren, maar het integreren van temporele afhankelijkheid in deze modellen is methodologisch uitdagend.
• Er bestond tot nu toe geen model dat specifiek is ontworpen voor seriële afhankelijke, zero-one-inflated proportionele data met interpreteerbare marginaal gemiddelde parameters.

Methodologie

De auteurs stellen een nieuw model voor: het Gemarginaliseerde Zero-One-Inflated Beta Time Series (MZOIBTS) model, gebaseerd op copula's.

1. Het MZOIB-deel (Marginalized Zero-One-Inflated Beta):
Het model deelt de uitkomst $Y_t$ op in drie componenten:

• $d_{1t}$: Een binaire indicator of de uitkomst niet-nul is ($Y_t > 0$).
• $d_{2t}$: Een binaire indicator of de uitkomst gelijk is aan één ($Y_t = 1$), gegeven dat deze niet nul is.
• De continue component: Als $0 < Y_t < 1$, volgt$Y_t$ een Beta-verdeling.

In plaats van de parameters direct te koppelen aan de covariaten (wat interpretatie bemoeilijkt), gebruiken de auteurs een gemarginaliseerde aanpak. Ze modelleren het marginaal gemiddelde ($v_t = E[Y_t]$) direct via een logit-functie:
$$\text{logit}(v_t) = x_{3t}^\top \beta_3$$
Dit zorgt ervoor dat de regressiecoëfficiënten $\beta_3$ direct interpreteerbaar zijn als effecten op het gemiddelde percentage, ongeacht de inflatie van nullen en enen.

2. De Copula-aanpak voor Temporele Afhankelijkheid:
Om de autocorrelatie in de tijdreeks te modelleren zonder de complexiteit van latent processen (zoals bij parameter-gedreven modellen), gebruiken de auteurs copula's (volgens Sklar's theorema).

• De gezamenlijke verdeling van opeenvolgende observaties $(Y_t, Y_{t-1})$ wordt geconstrueerd door de marginale verdelingen te koppelen via een copula-functie $C$.
• Dit maakt het mogelijk om de afhankelijkheidsstructuur (parameter $\rho$) te scheiden van de marginale verdeling.
• Voor waarden in $(0, 1)$ wordt de dichtheid direct berekend; voor waarden 0 of 1 worden specifieke formules gebruikt die rekening houden met de massapunten in de verdeling.

3. Schattingsprocedure:
Omdat de exacte maximum likelihood schatting computationeel zeer zwaar is vanwege de copula-transformaties, gebruiken de auteurs een tweestaps procedure:

• Stap 1: Schatting van de marginale parameters ($\theta$) via Composiet Log-Likelihood (onder de aanname van onafhankelijkheid). Dit levert consistente schattingen op voor de regressiecoëfficiënten.
• Stap 2: Schatting van de standaardfouten en betrouwbaarheidsintervallen. De auteurs vergelijken twee methoden:
  1. HAC (Heteroskedasticity and Autocorrelation Consistent): Correctie voor autocorrelatie in de covariantiematrix.
  2. Parametrische Bootstrap: Een methode waarbij de copula-parameter wordt geschat en vervolgens data wordt gesimuleerd om de variabiliteit van de schatters te bepalen.

4. ITS-analyse:
Het model past een gegeneraliseerd segmenteel lineair regressiemodel toe op het logit-getransformeerde gemiddelde, inclusief termen voor het niveau (level change) en de trend (slope change) rond het interventiepunt. Het model staat ook toe dat het "change point" ($\tau$) verschilt van het tijdstip van de beleidsinterventie ($t_0$) en schat dit via modelselectiecriteria (cBIC).

Belangrijkste Resultaten

1. Simulatiestudies:

• Kleine Steekproeven: De parametrische bootstrap-methode presteert aanzienlijk beter dan de HAC-methode bij kleine steekproefgroottes ($n < 300$). De HAC-methode vertoonde een te hoge Type I-fout (inflatie) bij kleine steekproeven, terwijl de bootstrap-methode de nominale foutniveaus (0.05) beter behield.
• Robuustheid: Het model is robuust tegen modelmisspecificatie. Zelfs als de data gegenereerd werden met een Frank-copula maar gefit werden met een Gaussische copula, bleven de schattingen van de marginale parameters (de belangrijkste parameters voor ITS) onbevooroordeeld en nauwkeurig.
• Power: De power van de tests voor trend- en niveauveranderingen neemt toe met de steekproefgrootte en neemt af bij sterkere afhankelijkheid (hoger $\rho$).

2. Toepassing op Real Data (Pijnmanagement):
Het model werd toegepast op maandelijkse data van een ziekenhuis over 'pain management' scores (0-100%) tussen 2008 en 2012, na de invoering van een nieuw verpleegkundig zorgmodel (CNL).

• Veranderingspunt: Het geschatte effect van de interventie trad op in oktober 2010, ongeveer 4 maanden na de formele implementatie.
• Niveau en Trend: Er was geen statistisch significant effect op het niveau of de trend van de scores na de interventie (p-waarden > 0.05).
• Variantie: Er was wel een significante afname in de spreiding (dispersieparameter $\phi$) van de scores na de interventie. De standaardafwijking daalde van 0,143 naar 0,110.
• Interpretatie: Hoewel het gemiddelde niet veranderde, werd de variabiliteit in de scores kleiner, wat wijst op een meer stabiele kwaliteit van zorg na de interventie.

Bijdragen en Significantie

1. Methodologische Innovatie: Dit is het eerste model dat een gemarginaliseerde Zero-One-Inflated Beta-regressie combineert met copula's voor tijdreeksdata. Dit lost het probleem op van het modelleren van proportionele data met veel nullen/enen én autocorrelatie, terwijl de parameters direct interpreteerbaar blijven op de oorspronkelijke schaal.
2. Praktische Toepasbaarheid: De studie biedt een oplossing voor ITS-analyses in de gezondheidszorg waar uitkomsten vaak percentage-achtig zijn en niet normaal verdeeld. Het model kan ook rekening houden met vertraagde effecten van interventies (verschil tussen $t_0$ en $\tau$).
3. Advies voor Inferentie: De studie onderstreept het belang van het gebruik van parametrische bootstrap voor standaardfouten bij ITS-studies met beperkte steekproefgroottes, aangezien de gangbare HAC-methode hier onbetrouwbaar kan zijn.
4. Robuustheid: Het gebruik van de Gaussische copula als standaardkeuze wordt aanbevolen vanwege de robuustheid tegen modelmisspecificatie en de rekenkundige efficiëntie, zonder in te leveren op de kwaliteit van de inferentie.

Conclusie:
De auteurs hebben een krachtig statistisch raamwerk ontwikkeld dat de complexiteit van proportionele tijdreeksdata in de gezondheidszorg beter adresseert dan bestaande methoden. De toepassing op pijnmanagementdata toont aan dat het model niet alleen gemiddelde veranderingen kan detecteren, maar ook veranderingen in de stabiliteit (variantie) van uitkomsten, wat een waardevol alternatief perspectief biedt voor beleidsevaluatie.