Borrowing Information from an Unidentifiable Model: Guaranteed Efficiency Gain with a Dichotomized Outcome in the External Data

Titel: Lenen van informatie uit een niet-identificeerbaar model: Gegarandeerde winst in efficiëntie met een gedichotomiseerde uitkomst in externe data

Auteurs: Lu Wang, Yanyuan Ma, en Jiwei Zhao
Tijdschrift: Biometrics (December 2008)

1. Probleemstelling en Achtergrond

In het tijdperk van big data is er een groeiende interesse in het integreren van gegevens uit diverse bronnen om statistische nauwkeurigheid en efficiëntie te verhogen. Veel bestaande methoden voor datafusie veronderstellen echter "uitwisselbaarheid" (exchangeability) tussen de bronnen, wat impliceert dat ze exact dezelfde covariaten en uitkomsten meten, of dat de foutverdeling correct is gespecificeerd.

Dit artikel adresseert een specifiek en uitdagend scenario:

• Doeldata (Target Data): Bevat een continue uitkomstvariabele $Y$ (bijv. BMI) en covariaten $X$.
• Externe Data: Bevat dezelfde covariaten $X$, maar de uitkomst is een gedichotomiseerde versie van $Y$ (bijv. een indicator of $Y \geq c$, zoals "overgewicht" vs. "niet overgewicht").

Het kernprobleem:
Als men alleen de externe data gebruikt, is de parameter $\beta$ (die de associatie tussen $X$ en $Y$ beschrijft) niet identificeerbaar. De dichotome uitkomst levert onvoldoende informatie op om de schaal van de continue uitkomst te reconstrueren zonder extra aannames. Daarom is het niet mogelijk om de parameters apart te schatten en vervolgens te combineren (meta-analyse). De vraag is hoe men deze externe data toch kan gebruiken om de schatting van $\beta$ in de doeldata te verbeteren, zelfs als de foutverdeling in de doeldata onbekend of verkeerd gespecificeerd is.

2. Methodologie

De auteurs ontwikkelen een semiparametrisch raamwerk dat beide datasets combineert. Ze definiëren een indicator $R$ ($R=1$ voor doeldata, $R=0$ voor externe data).

A. Identificeerbaarheid en Efficiënte Score

Hoewel het model alleen met externe data niet-identificeerbaar is, wordt het model identificeerbaar wanneer de doeldata en externe data samen worden geanalyseerd. De auteurs leiden de efficiënte scorefunctie ($S_{eff}$) af voor het schatten van $\beta$ in het geïntegreerde model.

• De efficiënte score is een gewogen gemiddelde van de scorefunctie voor de doeldata (gebaseerd op continue $Y$) en een term die de informatie uit de externe data (gebaseerd op de dichotome $Z$) samenvat.
• Een cruciale uitdaging is dat de efficiënte score afhankelijk is van de onbekende foutverdeling $f(\epsilon, x)$.

B. Twee Nieuwe Schatters

De auteurs stellen twee schatters voor om dit probleem op te lossen:

1. De Locale Efficiënte Schatter ($\hat{\beta}^*_{eff}$):

   • Deze schatter gebruikt een mogelijk verkeerd gespecificeerde werkende foutverdeling $f^*(\epsilon, x)$ (bijv. een standaard normale of logistische verdeling) in plaats van de ware verdeling.
   • Voordeel: De resulterende schatter is nog steeds asymptotisch consistent (onbevooroordeeld) zelfs als de werkende verdeling verkeerd is.
   • Beperking: Er is geen theoretische garantie dat deze schatter altijd efficiënter is dan de standaard Weighted Least Squares (WLS) schatter die alleen de doeldata gebruikt. De winst hangt af van de specifieke werkende verdeling en de verhouding tussen de steekproefgroottes.

2. De Schatter met Gegarandeerde Efficiëntiewinst ($\tilde{\beta}^*$):

   • Om de onzekerheid van de eerste schatter op te lossen, stellen de auteurs een tweede schatter voor die een garantie biedt voor efficiëntiewinst.
   • Constructie: Deze schatter is een lineaire combinatie van de WLS-schatter (alleen doeldata, $\hat{\beta}^*_{ls}$) en de eerste voorgestelde schatter ($\hat{\beta}^*_{eff}$):
     $$\tilde{\beta}^* = \hat{\beta}^*_{ls} + W (\hat{\beta}^*_{eff} - \hat{\beta}^*_{ls})$$
   • De matrix $W$ wordt gekozen om de variantie van de resulterende schatter te minimaliseren (gebaseerd op de covariantie tussen de twee schatters).
   • Resultaat: Deze schatter is asymptotisch consistent en garandeert dat de variantie strikt lager is dan (of gelijk is aan) die van de WLS-schatter, ongeacht hoe de werkende foutverdeling is gespecificeerd.

3. Belangrijkste Bijdragen

1. Omgaan met niet-identificeerbaarheid: Het artikel toont aan dat externe data met een gedichotomiseerde uitkomst, hoewel op zichzelf niet voldoende voor parameteridentificatie, wel waardevolle informatie bevat die kan worden "geleend" om de schatting in de doeldata te verbeteren.
2. Robuustheid tegen modelmisspecificatie: De voorgestelde methoden vereisen geen correcte specificatie van de foutverdeling. Ze blijven geldig zelfs als de werkende verdeling verkeerd is gekozen.
3. Gegarandeerde Efficiëntie: De tweede schatter ($\tilde{\beta}^*$) lost het risico op efficiëntieverlies op. Zelfs als de externe data "slecht" lijkt of de modelaannames suboptimaal zijn, zal de gecombineerde schatter nooit slechter presteren dan het gebruik van alleen de doeldata.
4. Praktische toepasbaarheid: De methoden zijn relatief eenvoudig te implementeren en vereisen geen complexe niet-parametrische schattingen van de foutverdeling.

4. Resultaten

De auteurs evalueren de methoden via uitgebreide simulatiestudies en een toepassing op reële data.

• Simulatiestudies:

  • Er werden scenario's getest met correct gespecificeerde foutverdelingen, maar ook met zware staarten (t-verdeling) en verkeerde specificaties (normaal of logistisch).
  • De schatter met gegarandeerde winst ($\tilde{\beta}^*$) toonde consistent lagere standaardfouten (SSD) dan de benchmark WLS-schatter en de eerste voorgestelde schatter, vooral wanneer de werkende verdeling verkeerd was gespecificeerd.
  • De dekking van 95% betrouwbaarheidsintervallen bleef dicht bij het nominale niveau, wat aangeeft dat de standaardfouten correct worden geschat.
  • Vergelijkbare methoden die de data naïef behandelden (bijv. alleen logistieke regressie op de gecombineerde data of meta-analyse van gescheiden schattingen) leverden aanzienlijke bias en slechte dekking op.

• Reële Data Applicatie (NHANES):

  • Doel: Onderzoeken welke factoren (leeftijd, geslacht, fysieke activiteit, glucose, insuline) de BMI beïnvloeden.
  • Data: De doeldata bevatte precieze BMI-waarden voor een subset van individuen. De externe data (de rest van de dataset) bevatte alleen een indicator voor overgewicht (BMI $\geq$ 25).
  • Vindingen: De voorgestelde methoden leverden nauwkeurigere schattingen op dan de benchmark methoden.
    • Fysieke activiteit (PAQ605) werd significant negatief geassocieerd met BMI in de gecombineerde analyse, terwijl dit in de analyse met alleen doeldata niet significant was.
    • Insulinegehalte (LBXIN) toonde een positieve associatie met BMI.
    • De benchmark methoden leverden resultaten op die in strijd waren met medische kennis (bijv. verkeerde tekens of onrealistische effectgroottes), wat de superioriteit van de voorgestelde aanpak bevestigt.

5. Betekenis en Conclusie

Dit artikel biedt een theoretisch onderbouwde en praktische oplossing voor een veelvoorkomend probleem in de moderne dataanalyse: het benutten van grote, maar minder gedetailleerde datasets (zoals gedichotomiseerde uitkomsten) om de analyse van kleinere, hoogwaardige datasets te versterken.

De belangrijkste doorbraak is het bewijs dat men informatie kan "lenen" uit een model dat op zichzelf niet-identificeerbaar is, zonder het risico te lopen de statistische efficiëntie te verliezen. De gegarandeerde efficiëntiewinst maakt deze methode zeer aantrekkelijk voor onderzoekers die werken met heterogene databronnen, waarbij de kwaliteit van de uitkomstvariabele varieert tussen de datasets. De methode is robuust, vereist geen perfecte modelspecificatie, en kan direct worden toegepast in diverse medische en epidemiologische studies.