Technische Samenvatting: Naar Efficiënte Inferentie onder Niet-monotoon Ontbreken met Algemene Imputatie

1. Probleemstelling

Het artikel behandelt de uitdaging van parameterschatting en inferentie in de aanwezigheid van niet-monotoon ontbreken (ook wel bekend als bloksgewijze ontbrekende gegevens). In deze setting observeren verschillende eenheden willekeurige, niet-geneste subsets van variabelen (modaliteiten), een scenario dat veel voorkomt in moderne multi-omics studies, elektronische patiëntendossiers en grote enquêtes.

Standaard benaderingen kampen met twee primaire beperkingen:

1. Complete-case analyse verwerpt eenheden met incomplete gegevens, wat potentieel een substantiële hoeveelheid informatie verspilt en de efficiëntie vermindert.
2. Directe imputatie (het vervangen van ontbrekende waarden) faalt vaak in het behouden van een geldige onzekerheidskwantificering of efficiëntie, met name wanneer imputatiemodellen misgespecificeerd of vertekend zijn.

Het doel is om informatie over alle geobserveerde patronen te combineren om semiparametrische efficiëntie te bereiken, terwijl de validiteit behouden blijft onder algemene imputatiefuncties (die misgespecificeerd kunnen zijn) en onder het mechanisme van Missing Completely at Random (MCAR). Het artikel verkent ook uitbreidingen naar Missing at Random (MAR).

2. Methodologie

2.1 Theoretisch Kader

De auteurs kaderen het probleem binnen de semiparametrische theorie. Laat $Z$ de volledige datavector zijn en $\theta^*$ de doelparameter gedefinieerd door een volledige-data schattingsvergelijking $E_P[\psi_F(Z, \theta^*)] = 0$. Onder MCAR wordt de semiparametrische efficiënte schattingsfunctie gegeven door $\psi_{opt} = L\{M^{-1}[\psi_F]\}$, waarbij $M$ en $L$ lineaire operatoren zijn geconstrueerd uit patoonspecifieke conditionele verwachtingen. De inverse operator $M^{-1}$ omvat echter complexe composities van conditionele verwachtingen over patronen, wat de efficiënte schatter algemeen onhandelbaar maakt.

2.2 De RAY-decompositie

Om de onhandelbaarheid van $M^{-1}$ te overwinnen, introduceren de auteurs de Restricted ANOVA hierarchY (RAY).

• Functionele Decompositie: RAY decomponeert elke functie $f$ in een hiërarchie van componenten $P_s(f)$ met behulp van een inclusie-exclusie principe beperkt tot de geobserveerde patronen $\mathcal{Q}$.
• Bijna-eigenstructuur: Onder MCAR werkt de operator $M$ op deze componenten $P_s(f)$ als een "bijna-eigen-operator": $M[P_s(f)] = \lambda_s P_s(f) + \text{Rem}_s(f)$, waarbij $\lambda_s = P(R \supseteq s)$ de kans is dat een eenheid ten minste de modaliteiten in verzameling $s$ observeert. De restterm $\text{Rem}_s$ omvat composities van conditionele verwachtingen over niet-geneste patronen.
• Gesloten Vorm Benadering: Door de resttermen (die onder specifieke structurele condities verdwijnen) en de cross-patroon composities te negeren, leiden de auteurs een hanteerbare, gesloten vorm benadering af van $M^{-1}$. Dit levert de RAY-schattingsfunctie op:
  $$\psi(R, Z_R, \theta^*) = \frac{I(R=[p])}{\pi_{[p]}} \psi_F(Z, \theta^*) + \sum_{r \in \mathcal{Q}, r \neq [p]} \omega_r A_r[\psi_F(Z, \theta^*)]$$
  waarbij $\omega_r$ gesloten vorm gewichten zijn afgeleid van de patroonwaarschijnlijkheden.

2.3 Constructie en Afstemming van de Schatter

• Algemene Imputatie: De term $A_r[\psi_F]$ vertegenwoordigt de conditionele verwachting van de schattingsfunctie gegeven het geobserveerde patroon $r$. In de praktijk wordt dit vervangen door een imputatiefunctie $F_r(Z_r; \theta)$, die een predictief model (bijv. neurale netwerken) of een Monte Carlo-benadering kan zijn. Cruciaal is dat onder MCAR de RAY-gewichten gemiddelde-nul zijn en onafhankelijk zijn van de imputatiefuncties, waardoor de schatter onbevooroordeeld blijft, zelfs als de imputatiemodellen misgespecificeerd zijn.
• Safeguard Tuning: Om de efficiëntie te verbeteren, introduceren de auteurs afstemparameters $\alpha_r$ voor elke imputatiefunctie. De schatter lost een steekproef-gekalibreerde vergelijking op waarbij de gewichten worden aangepast om een geschatte variantiecriterium te minimaliseren.
• Adaptive RAY (aRAY): Erken de dat noch RAY, noch bestaande Imputation-Powered Inference (IPI) methoden uniform domineren, stellen de auteurs een bredere klasse van schatters voor die beide als speciale gevallen bevat. De adaptive RAY (aRAY) schatter optimaliseert de afstemparameters binnen deze klasse om een minimale asymptotische variantie te bereiken.

2.4 Uitbreiding naar MAR

Het artikel onderzoekt de uitbreiding van RAY naar de MAR-setting.

• Directe Uitbreiding: Een directe analogon van de MCAR-gewichten bestaat, maar hangt over het algemeen af van niet-geobserveerde modaliteiten, wat het onhaalbaar maakt als een geobserveerde-data schatter.
• Projectie-uitbreiding: Door de staart-propensiteiten te projecteren op geobserveerde modaliteiten, kan een haalbare schatter worden geconstrueerd. Dit introduceeert echter een "geprojecteerde staart-propensiteit" als nuisance-parameter. De auteurs tonen aan dat het schatten van deze nuisance-parameter bijdraagt aan de doelvergelijking in de eerste orde. Regelmatige inferentie is mogelijk als de nuisance-parameter een root-$N$ consistente parametrische schatter toelaat, gebruikmakend van gestapelde (stacked) schatting.

3. Belangrijkste Bijdragen

1. Closed-Form Efficiënte Benadering: Het artikel biedt een gesloten vorm, berekenbare benadering van de semiparametrische efficiënte schatter voor willekeurige niet-monotoone ontbrekende patronen onder MCAR, waardoor de noodzaak voor iteratieve of geneste regressie die vereist is voor de exacte inverse operator wordt vermeden.
2. Imputatie-Robuuste Validiteit: De voorgestelde RAY-schatter is geldig voor willekeurige onafhankelijke imputatiefuncties, inclus\u0020bij de misgespecificeerde of vertekende modellen. Validiteit wordt gegarandeerd door de gemiddelde-nul eigenschap van de RAY-gewichten onder MCAR.
3. Adaptieve Efficiëntie: De introductie van de adaptive RAY (aRAY) schatter, die RAY en IPI inbedt in een grotere klasse, maakt het mogelijk om de minimale asymptotische variantie te bereiken binnen die klasse.
4. Exactheid Condities en Efficiëntie Grenzen:
   • De auteurs stellen een noodzakelijke en voldoende conditie vast voor RAY om de efficiëntiegrens te bereiken: de per-patroon residuen moeten verdwijnen.
   • Ze identificeren verifieerbare voldoende condities voor exactheid, waaronder: (i) intersectie-gesloten geobserveerde patronen met onafhankelijke modaliteiten, (ii) monotone patronen onder willekeurige afhankelijkheid, en (iii) verankerde (anchored) patronen met conditioneel onafhankelijke niet-kern modaliteiten.
   • Wanneer deze condities niet voldoen, wordt de efficiëntiekloof begrensd door twee interpreteerbare factoren: een correlatiefactor (gedreven door afhankelijkheid tussen private modaliteiten van overlappende patronen) en een structurele factor (gedreven door de afwezigheid van vereiste patroonintersecties).
5. MAR Uitbreidingsanalyse: Het artikel schetst de theoretische obstakels voor het uitbreiden van RAY naar algemene MAR, waarbij de specifieke rol van geprojecteerde staart-propensiteiten en de vereisten voor root-$N$ inferentie worden geïdentificeerd.

4. Resultaten

4.1 Simulatiestudies

De auteurs voerden vier simulatie-experimenten uit:

• Variërend Steekproefomvang: RAY en aRAY verminderden consequent de Root Mean Square Error (RMSE) en de breedte van betrouwbaarheidsintervallen vergeleken met Complete-Case (CC) en Prediction-Powered Inference (PPI++) schatters, terwijl ze een nominale 95% dekking behielden.
• Variërende Imputatiekwaliteit: De schatters vertoonden robuustheid; naarmate de kwaliteit van de imputatie verslechterde tot pure ruis, keerden de getunede schatters automatisch terug naar de prestaties van de CC-schatter, wat de effectiviteit van de safeguard tuning illustreert.
• Lineaire Regressie: In laag-dimensionale regressie-instellingen bereikten RAY, IPI en aRAY een RMSE-reductie van 6–10% en een variantiereductie van 12–18% ten opzichte van CC.
• Gevoeligheidsanalyse: Onder gecontroleerde afwijkingen naar MAR en MNAR, vertoonden de op MCAR gebaseerde schatters een verhoogde bias en onderdekking, waarbij de mate van verslechtering schaalde met de sterkte van de schending van het ontbrekende mechanisme.

4.2 Toepassing op Single-Cell Multi-Omics

De methode werd toegepast om de gemiddelde abundantie van oppervlakte-eiwitten (ADT) te schatten in single-cell data waarbij verschillende assays (DOGMA-seq, CITE-seq, ASAP-seq) verschillende combinaties van RNA, ATAC en ADT-metingen leveren.

• Setup: Neurale netwerken werden vooraf getraind om ADT te voorspellen vanuit RNA en/of ATAC. Deze werden gebruikt als imputatiefuncties in het RAY-framework op een benchmark dataset met gerandomiseerde ontbrekende patronen.
• Prestaties: De uitgebreide schatters (RAY, IPI, aRAY) bereikten een lagere absolute fout dan de complete-case schatter. De aRAY schatter was uniform de meest efficiënte, waarbij de lengte van de betrouwbaarheidsintervallen voor zeer abundante eiwitten met wel 35% werd gereduceerd vergeleken met de complete-case aanpak.

5. Betekenis en Claims

Het artikel claimt een praktische en theoretisch gefundeerde oplossing te bieden voor efficiënte inferentie in de steeds gebruikelijker wordende setting van bloksgewijs ontbrekende data. De betekenis ligt in:

• Brug tussen Theorie en Praktijk: Het vertaalt de abstracte semiparametrische efficiëntiegrens naar een gesloten vorm, implementeerbare schatter die geen complexe iteratieve algoritmen vereist.
• Robuustheid: Het ontkoppelt de validiteit van de inferentie van de nauwkeurigheid van het imputatiemodel, een cruciaal kenmerk bij het gebruik van flexibele machine learning modellen die misgespecificeerd kunnen zijn.
• Efficiëntiewinst: Het demonstreert dat het combineren van informatie over willekeurige ontbrekende patronen aanzienlijke efficiëntiewinsten kan opleveren ten opzien van complete-case analyse, zelfs met imperfecte imputatie.
• Verduidelijking van Beperkingen: Het artikel erkent bescheiden dat het voordeel van de gesloten vorm fundamenteel een MCAR-resultaat is. Onder algemene MAR vereist de methode specifieke parametrische aannames of orthogonalisatietechnieken om regelmatige inferentie te bereiken, een richting die voor toekomstig werk wordt opengelaten.

De auteurs benadrukken dat hun structurele resultaten (exactheid condities) en efficiëntiegrenzen een duidelijk begrip bieden van wanneer en waarom de methode werkt, wat een diagnostisch kader biedt voor praktijkgebruikers die te maken hebben met complexe ontbrekende datastructuren.