📊 statistics

Simulating Complex Crossectional and Longitudinal Data using the simDAG R Package

Dit artikel introduceert het **simDAG** R-pakket, een gestandaardiseerde tool die de generatie van complexe dwarsdoorsnede- en longitudinale gegevens vereenvoudigt door gebruik te maken van structurele vergelijkingen in gerichte acyclische grafen om diverse datatypen, niet-lineaire relaties en willekeurige afhankelijkheden te ondersteunen voor Monte-Carlo simulatiestudies.

Oorspronkelijke auteurs: Robin Denz, Nina Timmesfeld

Gepubliceerd 2026-06-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Robin Denz, Nina Timmesfeld

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een chef-kok bent die een nieuw recept probeert te testen. Voordat je het gerecht aan echte klanten serveert, moet je weten of je ingrediënten goed samenwerken. In de wereld van de statistiek doen onderzoekers precies hetzelfde: ze draaien "simulaties" om te testen of hun wiskundige recepten (statistische methoden) correct werken. Om dit te doen, moeten ze nepdata creëren die er exact hetzelfde uitziet en zich precies zo gedraagt als de echte wereld.

Het probleem? Het creëren van deze nepdata is alsof je probeert een complexe Lego-kasteel te bouwen waarbij elke steen afhankelijk is van de steen die eraan voorafging, en waarbij sommige stenen in de loop van de tijd van vorm veranderen. Het is tijdrovend, foutgevoelig en vereist veel programmeervaardigheid.

Maak kennis met simDAG, een nieuwe tool (een R-package) die fungeert als een "slimme blauwdruk-bouwer" voor deze nepdata. Hier is hoe het werkt, eenvoudig uitgelegd:

1. De Blauwdruk: De DAG

In plaats van duizenden regels code te schrijven om getallen te genereren, teken je een kaart die een Directed Acyclic Graph (DAG) wordt genoemd.

Denk aan een stamboom: Je hebt een "wortel" (zoals een ouder) en "kinderen" (variabelen die afhankelijk zijn van de ouder).
De Regel: De pijlen gaan slechts één kant op (van ouder naar kind) en er zijn geen lussen (je kunt niet je eigen voorouder zijn).
Wat het doet: Deze kaart vertelt de computer precies hoe variabelen met elkaar verbonden zijn. Bijvoorbeeld: "Roken veroorzaakt longkanker," of "Leeftijd beïnvloedt zowel roken als longkanker."

2. Het Recept: Structurele Vergelijkingen

Zodra je de kaart hebt, moet je de computer vertellen hoe de data gebouwd moet worden. In simDAG koppel je een "recept" aan elke node (variabele) op je kaart.

Root Nodes (Het begin): Dit zijn variabelen zonder ouders (zoals een muntopgooi of een willekeurig getal). Je zegt simpelweg: "Maak hiervan een willekeurig getal tussen 0 en 1."
Child Nodes (De afhankelijken): Deze variabelen zijn afhankelijk van anderen. Je kunt zeggen: "Neem de waarde van 'Roken' en tel daar 20% bij op om het 'Risico op longkanker' te krijgen."
De Magie: Je hoeft geen programmeerwizard te zijn. Je kunt eenvoudige formules gebruiken (zoals y = 2x + 5) of zelfs complexe functies. De package doet het zware werk van het berekenen van de getallen op basis van jouw kaart.

3. De Tijdmachine: Longitudinale Data

De meeste nepdata zijn slechts een momentopname (zoals een foto). Maar soms hebben onderzoekers een film nodig (longitudinale data) om te zien hoe dingen in de loop van de tijd veranderen.

De Oude Manier: Je moest voor elke dag, week of jaar een nieuwe kaart tekenen. Als je 100 dagen wilde simuleren, moest je 100 aparte kaarten tekenen. Dit was alsoals het met de hand tekenen van een stripverhaal, frame voor frame.
De simDAG Manier: Het maakt gebruik van een Discrete-Time Simulatie. Stel je een lopende band voor die door de tijd beweegt. In plaats van elk frame te tekenen, geef je de machine één regel: "Elke keer als de band beweegt, controleer of er een gebeurtenis plaatsvindt."
- Voorbeeld: Als je een vaccinatie simuleert, controleert de machine elke dag: "Is deze persoon gevaccineerd? Zo ja, neemt het risico op bijwerkingen de komende 20 dagen toe?"
- Dit stelt onderzoekers in staat om jaren aan data te simuleren (duizenden tijdspunten) voor duizenden mensen, zonder elke keer de kaart opnieuw te tekenen.

4. Waarom dit Belangrijk is

Het artikel laat zien dat simDAG het volgende aankan:

Gemengde Ingrediënten: Het kan continue getallen (zoals lengte), categorieën (zoals "ja/nee"), tellingen (zoals "aantal ziekenhuisbezoeken") en time-to-event data (zo zoals "hoe lang tot een hartaanval") genereren, allemaal in dezelfde simulatie.
Complexe Relaties: Het gaat om met niet-lineaire relaties (waarbij het verdubbelen van de input niet simpelweg de output verdubbelt) en interacties (waarbij twee variabelen samenwerken om een derde effect te creëren).
Replicatie van de Werkelijkheid: De auteurs lieten zien dat ze de complexe datageneratieprocessen van echte, gepubliceerde wetenschappelijke studies konden recreëren, wat bewijst dat de tool krachtig genoeg is voor serieus onderzoek.

Het Nadeel (Computationele Kosten)

Het artikel geeft toe dat het stap voor stap simuleren van de tijd is als het kijken naar een film frame voor frame; het kost meer rekenkracht dan alleen naar een stilstaande foto kijken. De auteurs hebben de tool echter zo gebouwd dat deze zeer snel is (met behulp van een speciale engine genaamd data.table), zodat deze op een standaard kantoorcomputer kan draaien zonder dat er een supercomputer nodig is.

Samenvattend

simDAG is een tool waarmee onderzoekers een eenvoudige kaart kunnen tekenen van hoe variabelen met elkaar verbonden zijn, waarna de tool automatisch complexe, realistische nepdata genereert op basis van die kaart. Het verandert het moeilijke, handmatige proces van het bouwen van simulatiedata in een gestroomlijnde, gestandaardiseerde workflow, waardoor het voor wetenschappers gemakkelijker wordt om hun theorieën te testen en ervoor te zorgen dat hun statistische methoden correct werken.

Technische Samenvatting: Het simuleren van complexe dwarsdoorsnede- en longitudinale data met het R-pakket `simDAG`

Probleemstelling
Monte Carlo-simulatiestudies zijn fundamenteel voor statistisch onderzoek voor het schatten van steekproefomvang, het vergelijken van methoden en het plannen van klinische trials. Een kritieke flessenhals in deze studies is het genereren van kunstmatige data uit complexe Data Generation Processes (DGP's). Onderzoekers hebben vaak behoefte aan data die meerdere variabelen bevatten van uiteenlopende typen (continu, binair, count, time-to-event) met complexe causale afhankelijkheden, niet-lineaire relaties en interacties. Hoewel bestaande R-pakketten de generatie van synthetische data vergemakkelijken, missen ze vaak flexibiliteit: structurele vergelijkingspakketten (bijv. lavaan, simsem) beperken gebruikers doorgaans tot lineaire relaties en continue data; gespecialiseerde time-to-event pakketten (bijv. simsurv, survsim) falen vaak in het ondersteunen van willekeurige mengsels van datatypen of tijdvariërende covariaten; en algemene simulatietools missen mogelijk de specifieke syntaxis die vereist is voor DAG-gebaseerde definities. Bovendien vereist het genereren van longitudinale data met veel tijdstippen via traditionele methoden vaak omslachtige, repetitieve code-definities voor elk tijdstap, wat grootschalige simulaties computationeel en praktisch onhaalbaar maakt.

Methodologie
Het artikel introduceert simDAG, een R-pakket dat is ontworpen voor de standaardisatie van de generatie van dwarsdoorsnede- en longitudinale data op basis van Directed Acyclic Graphs (DAG's). De methodologie rust op drie kerncomponenten:

DAG-gebaseerde Definitie: Gebruikers definiëren de DGP als een causale DAG waarbij knopen (nodes) willekeurige variabelen vertegenwoordigen en randen (edges) gerichte causale relaties vertegenwoordigen. Het pakket vereist dat de gebruiker structurele vergelijkingen voor elke knoop specificeert, die de distributie van de knoop conditioneel op zijn ouder-knopen beschrijft.
Topologische Sortering en Generatie: Het pakket maakt gebruik van een stapsgewijs algoritme dat de DAG topologisch sorteert. Het genereert data voor wortelknopen (die geen ouders hebben) door te samplen uit gespecificeerde parametrische distributies of door de gebruiker gedefinieerde functies. Vervolgens genereert het data voor kind-knopen op basis van de waarden van hun ouders en de gedefinieerde structurele vergelijkingen.
Discrete-Tijd Simulatie voor Longitudinale Data: Om de uitdaging van longitudinale data met veel tijdstippen aan te pakken, implementeert simDAG een discrete-tijd simulatiebenadering. In plaats van een aparte knoop voor elk tijdstip te definiëren, definieert de gebruiker een enkele tijdvariërende knoop met behulp van de node_td() functie. Deze knoop wordt gesimuleerd over een gespecificeerd aantal tijdstappen ( $t$ $t$ ), waardoor de generatie van semi-continue tijdschaal-data mogelijk is. Deze benadering ondersteunt:
- Willekeurige Datatypen: Ondersteuning voor binaire, categorische, count en continue variabelen, evenals time-to-event data.
- Complexe Afhankelijkheden: Niet-lineaire relaties, interacties en willekeurige door de gebruiker gedefinieerde functies voor waarschijnlijkheidsgeneratie.
- Event Dynamiek: Gespecialiseerde knooptypen (time_to_event, competing_events) die recurrent events, competing risks en tijdvariërende covariaten afhandelen door Bernoulli- of multinomiale proeven uit te voeren bij elk tijdstip.
- Data Transformatie: De sim2data() functie converteert de interne simulatieoutput naar standaardformaten (wide, long, of start-stop) die geschikt zijn voor survivalanalyse (bijv. Cox-modellen met tijdvariërende covariaten).

Belangrijkste Bijdragen
De primaire bijdrage van het artikel is het simDAG-pakket, dat een verenigd framework biedt voor datageneratie dat de kloof overbrugt tussen eenvoudige structurele vergelijkingsmodellering en complexe longitudinale simulatie. Belangrijke kenmerken zijn onder meer:

Gestandaardiseerde Syntaxis: Een duidelijke formule-interface waarmee gebruikers structurele vergelijkingen kunnen definiëren die vergelijkbaar zijn met standaard regressiemodellen, met ondersteuning voor mixed model syntaxis en aangepaste functies.
Longitudinale Flexibiliteit: Het vermogen om longitudinale data met honderden tijdstippen efficiënt te simuleren door generieke tijdafhankelijke structurele vergelijkingen te definiëren in plaats van handmatig de grafiek voor elk tijdstip uit te breiden.
Omvattende Knooptypen: Implementatie van een breed scala aan knooptypen (Tabel 1 in het artikel), inclusief gespecialiseerde functies voor survivalanalyse (Cox, AFT, parametrische modellen) en tijdvariërende binaire/categorische processen.
Reproduceerbaarheid en Transparantie: Ingebouwde functies (plot.DAG, summary.DAG) maken de grafische en tekstuele representatie van de onderliggende DAG en structurele vergelijkingen mogelijk, wat de documentatie en reproduceerbaarheid van simulatiestudies vergemakkelijkt.

Resultaten
De auteurs demonstreren de capaciteiten van het pakket door de DGP's van meerdere echte Monte Carlo-simulatiestudies te repliceren:

Dwarsdoorsnede Data: Het pakket heeft succesvol een complexe DGP gerepliceerd van Denz et al. (2023a), bestaande uit zes covariaten (binair en continu), een behandelingsvariabele en een rechts-gecensureerde time-to-event uitkomst met niet-lineaire termen en interacties.
Longitudinale Data (Weinig Tijdstippen): Het pakket repliceerde een studie van Gruber et al. (2015) met tijdvariërende behandeling en confounders, waarbij het vermogen werd aangetoond om lagged effecten en meerdere tijdstippen af te handelen met standaard node() oproepen.
Longitudinale Data (Veel Tijdstippen): De auteurs simuleerden een complex scenario met betrekking tot Covid-19 vaccinatie en recurrente myocarditis-events over 730 dagen (2 jaar). Dit demonstreerde het vermogen van de discrete-tijd benadering om tijdafhankelijke waarschijnlijkheden, immuniteitsperioden en recurrente events af te handelen. De resulterende data werd succesvol getransformeerd naar een start-stop formaat en geanalyseerd met een Cox proportional hazards model, wat een hazard ratio opleverde die consistent is met de gespecificeerde relatieve risico's.
Computationele Prestaties: Benchmarks geven aan dat hoewel discrete-tijd simulatie computationeel intensief is, de afhankelijkheid van het pakket van de data.table package en geoptimaliseerd geheugenbeheer de generatie van grote datasets (bijv. 10.000 individuen over 730 tijdstippen) in redelijke tijd mogelijk maakt (ongeveer 1,11 seconden voor een specifieke configuratie op een standaard CPU). De runtime schaalt niet-lineair met het aantal tijdstippen vanwege loop-iteraties, maar lineair met het aantal individuen vanwege gevectoriseerde operaties.

Betekenis en Claims
Het artikel claimt dat simDAG een "gestandaardiseerde aanpak" biedt voor het genereren van complexe data, wat de programmeerlast en de vereiste expertise voor het implementeren van geavanceerde DGP's aanzienlijk vermindert. De auteurs benadrukken dat het pakket bijzonder geschikt is voor simulatiestudies die betrekking hebben op causale inferentie vanwege de DAG-fundering, maar niet beperkt is tot dit vakgebied.

De betekenis van het werk ligt in het vermogen om:

Complexe Workflows te Automatiseren: Het stelt onderzoekers in staat om willekeurige afhankelijkheden en datatypen te definiëren zonder aangepaste simulatiealgoritmen vanaf nul te schrijven.
Discrete-Tijd Simulaties Mogelijk te Maken: Het maakt de generatie van longitudinale data met hoge-resolutie tijdschalen haalbaar voor standaard Monte Carlo-studies, een taak die vaak wordt vermeden vanwege computationele complexiteit of moeilijkheid in codering.
Reproduceerbaarheid te Verbeteren: Door de DGP te formaliseren als een DAG met expliciete structurele vergelijkingen, helpt het pakket bij de transparante rapportage van simulatiestudies.

De auteurs erkennen bescheiden de beperkingen, waarbij zij opmerken dat discrete-tijd simulatie inherent computationeel duurder is dan discrete-event simulatiemethoden. Ze merken ook op dat hoewel het pakket ondersteuning biedt voor het genereren van data die bestaande datasets imiteert via dag_from_data(), specifieke pakketten zoals simPop de voorkeur kunnen genieten voor dat specifieke gebruiksgemak. Het artikel concludeert dat simDAG een kritiek gat vult in het R-ecosysteem voor flexibele, causale-bewuste en longitudinale datageneratie.