Tilted sensitivity analysis in matched observational studies

Probleem
In gematchte observationele studies koppelen onderzoekers behandelde en controleenheden met vergelijkbare geobserveerde covariaten om effecten van de behandeling te schatten. Ongeobserveerde confounders kunnen echter nog steeds verborgen bias induceren, waarbij eenheden met grotere responsen eerder een behandeling ontvangen. Gevoeligheidsanalyse, volgens het model van Rosenbaum (1987), kwantificeert de robuustheid van bevindingen tegen dergelijke bias door de omvang van de ongeobserveerde confounding ($\Gamma$) te bepalen die nodig is om de conclusies van de studie ongeldig te maken.

Hoewel gevoeligheidsanalyse voor gepaard onderzoek (één behandelde, één controle) goed gevestigd is met gesloten vorm-oplossingen voor de slechtst denkbare p-waarden en design-gevoeligheid, brengt het uitbreiden van deze methoden naar studies met meerdere controles (gematchte sets met $n_i > 2$) aanzienlijke technische hindernissen met zich mee. De gangbare benadering, het "separable algoritme" (Gastwirth et al., 2000), vereist het oplossen van $I$ optimalisatieproblemen om het slechtst denkbare patroon van ongeobserveerde confounding te vinden. Cruciaal is dat dit algoritme voor $n_i > 2$ geen gesloten vorm-expressie oplevert voor de slechtst denkbare verwachting, en dat het slechtst denkbare patroon verandert naarmate de gevoeligheidsparameter $\Gamma$ varieert. Dit gebrek aan gesloten vorm-oplossingen belemmert de analytische berekening van "design sensitivity" (Rosenbaum, 2004) — een metriek die de bekwaamheid van een teststatistiek beschrijft om behandel-effecten te onderscheiden van bias — waardoor men moet vertrouwen op Monte Carlo-simulaties voor theoretische vergelijkingen.

Methodologie
Het artikel introduceert een "tilted sensitivity analysis" procedure. Voor elke kandidaat teststatistiek $T = \sum Z_{ij}q_{ij}$, definieert de methode een aangepaste, "getilted" statistiek $T_{\Gamma i}$ voor elke gematchte set $i$:
$$T_{\Gamma i} = T_i - \bar{q}_i - \left(\frac{\Gamma - 1}{1 + \Gamma}\right)|T_i - \bar{q}_i|$$
waarbij $T_i$ de oorspronkelijke statistiek voor set $i$ is, en $\bar{q}_i$ het gemiddelde is van de scores $q_{ij}$ binnen die set.

Deze modificatie is geconstrueerd zodanig dat het slechtst denkbare patroon van ongeobserveerde confounding (de vector $u$ die de verwachting maximaliseert onder de scherpe nulhypothese) zowel in gesloten vorm beschikbaar is als invariant is voor de waarde van $\Gamma$. Specifiek wijst de slechtst denkbare confounder $u_{ij}=1$ toe als $q_{ij} > \bar{q}_i$ en $u_{ij}=0$ anders. Onder dit specifieke patroon is de verwachting van de getilted statistiek nul, en wordt de variantie gegeven door een gesloten vorm-expressie.

Het artikel demonstreert dat deze benadering bestaande methoden verenigt:

1. Sign-score statistieken: Voor statistieken die slechts twee waarden aannemen (bijv. in gepaard designs of Mantel-Haenszel testen), reproduceert de getilted benadering de conventionele gevoeligheidsanalyse exact.
2. Inverse Probability Weighting (IPW): De getilted statistiek wordt getoond gelijk te zijn aan een minimax-gecentreerde IPW-statistiek, waarbij het enkel verschilt door een gematchte-set gewicht.

Belangrijkste Bijdragen

1. Gesloten vorm-verdeling van het slechtst denkbare geval: In tegen tegenstelling tot het separable algoritme, biedt de getilted benadering een gesloten vorm-expressie voor de slechtst denkbare verwachting en variantie voor elke gematchte structuur, inclus\nuit die met meerdere controles. Dit elimineert de noodzaak van iteratieve optimalisatie in de stap van de gevoeligheidsanalyse.
2. Gesloten vorm-design sensitivity: Het artikel leidt een gesloten vorm-expressie af voor de design sensitivity van de getilted statistiek voor elke gematchte structuur:
   $$\tilde{\Gamma}_{tilt} = \frac{\eta + \theta}{\eta - \theta}$$
   waarbij $\theta$ de waarschijnlijkheidslimiet is van de gemiddelde behandel-effect bijdrage en $\eta$ de waarschijnlijkheidslimiet is van de gemiddelde absolute bijdrage. Dit maakt analytische vergelijkingen van concurrerende teststatistieken mogelijk, wat voorheen voor multi-control designs zonder simulatie onmogelijk was.
3. Adaptieve Combinatie: Het artikel stelt een adaptieve procedure voor die de getilted en de conventionele benaderingen combineert. Gebruikmakend van een multivariate eenzijdige toetsingskader (Cohen et al., 2020), weegt deze methode de twee statistieken adaptief om een design sensitivity te bereiken die niet kleiner is dan het maximum van de twee individuele benaderingen, wat beschermt tegen a priori selectie van een suboptimale methode.

Resultaten

• Theoretische Vergelijkingen: Door middel van analytische afleidingen en Monte Carlo-simulaties laat het artikel zien dat de getilted benadering over het algemeen de design sensitivity verbetert ten opzichte van de conventionele benadering voor symmetrische en rechts-scheve foutenverdelingen. Omgekeerd, voor links-scheve verdelingen behoudt de conventionele benadering vaak een superieure design sensitivity.
• Effect van Controles: Voor $m$-statistieken (een klasse die verschil-in-gemiddelden en rangtesten omvat), is de design sensitivity van de getilted benadering niet-dalend in het aantal gematchte controles $J$, en strikt stijgend onder milde condities.
• Toepassingen op Echte Data: In vijf voorbeelden met echte data (variërend van roken, visconsumptie, onderwijs, alcohol tot licht alcoholgebruik) leverde de getilted benadering vaker hogere sensitiviteitswaarden op (wat duidt op een grotere robuustheid tegen verborgen bias) dan de conventionele benadering, met name in datasets met rechts-scheve uitkomsten of specifieke teststatistieken. De adaptieve benadering presteerde over het algemeen even goed als de beste individuele methode en significant beter dan de slechtste.

Betekenis
Het artikel beweert dat de getilted gevoeligheidsanalyse een praktische en theoretisch superieure alternatief biedt voor gematchte observationele studies met meerdere controles. Door gesloten vorm-oplossingen te bieden voor zowel de slechtst denkbare verdeling als de design sensitivity, neemt het de computationele en theoretische barrières weg die de ontwikkeling van robuuste inferentie in multi-control settings hebben beperkt. Het vermogen om design sensitivities analytisch te vergelijken faciliteert beter studieontwerp en de selectie van meer robuuste teststatistieken. Bovendien zorgt de adaptieve combinatie ervoor dat onderzoekers niet a priori hoeven te kiezen tussen de getilted en de conventionele methode, wat een waarborg biedt tegen slechte methodologische keuzes terwijl de gerapporteerde robuustheid van observationele bevindingen wordt behouden of verbeterd.