Bayes Factor Group Sequential Designs

Technische Samenvatting: Groepsequentiële Ontwerpen met de Bayesfactor

Probleemstelling
Sequentiële ontwerpen, die vroegtijdige stopzetting mogelijk maken op basis van tussentijdse analyses, zijn zeer wenselijk in velden zoals klinische trials en dierproeven om steekproefomvang en ethische lasten te verminderen. Hoewel Bayesiaanse methoden, met name die gebruikmaken van Bayesfactoren, van nature goed geschikt zijn voor sequentiële analyse vanwege hun inherente actualiseringsmechanisme en het gebrek aan gevoeligheid voor multipliciteit, wordt hun praktische adoptie gehinderd door computationele uitdagingen. Specifiek vereist het ontwerpen van sequentiële Bayesfactorstudies het bepalen van belangrijke kenmerken zoals de waarschijnlijkheid van het verkrijgen van concludente bewijslast (vergelijkbaar met power en type-I-fout) en de verwachte steekproefomvang. Momenteel berust het berekenen van deze metrieken meestal op rekenintensieve Monte Carlo-simulaties, omdat er geen gesloten vorm of efficiënte numerieke methoden bestaan. Deze afhankelijkheid van simulatie maakt het prototypen en vergelijken van verschillende ontwerpopties tijdrovend en onderhevig aan Monte Carlo-fouten, wat de mogelijkheid voor onderzoekers om studieontwerpen te optimaliseren beperkt.

Methodologie
De auteurs stellen een nieuw kader voor dat de klassieke groepsequentiële ontwerptheorie (GSD) uitbreidt naar sequentiële Bayesfactorontwerpen, wat zorgt voor snelle, nauwkeurige en simulatievrije berekening van ontwerpkenmerken. De kern van de methodologische innovatie omvat drie stappen:

1. Het mappen van Bayesfactoren naar Z-statistieken: De auteurs drukken de Bayesfactor ($BF_{01}$) uit als een functie van de $z$-statistiek ($z = (\hat{\theta} - \theta_0)/\sigma$), waarbij $\hat{\theta}$ de parameterschatting is en $\sigma$ de standaardfout ervan. Voor diverse veelvoorkomende Bayesfactor-typen (bijv. punt-nul versus directionele alternatief, punt-nul versus punt-alternatief) leiden zij kritische $z$-waarden af die corresponderen met specifieke bewijs-drempelwaarden ($k_0$ en $k_1$). In gevallen waar een oplossing in gesloten vorm voor de kritische $z$-waarde niet beschikbaar is, wordt numerieke wortelzoekmethode toegepast.
2. Het definiëren van stopgebieden: Op basis van deze kritische waarden definiëren de auteurs stopgebieden in de ruimte van accumulerende $z$-statistieken. Voor Bayesfactoren met één kritische waarde vormen deze regio's $i$-dimensionale hyper-rechthoeken. Voor die met twee kritische waarden (bijv. tweezijdige alternatieven) bestaan de regio's uit verenigingen van hyper-rechthoeken. De waarschijnlijkheid van stoppen bij een specifieke tussentijdse analyse is gelijk aan de waarschijnlijkheid dat de vector van cumulatieve $z$-statistieken binnen deze specifieke regio's valt.
3. Multivariate Normale Integratie: Uitgaande van de aanname dat de vector van accumulerende $z$-statistieken een canonieke multivariate normale distributie volgt (of een marginale prior-predictieve distributie wanneer een design-prior is gespecificeerd), berekenen de auteurs de waarschijnlijkheden van deze stopgebieden met behulp van multivariate normale integratie. Deze aanpak maakt gebruik van recursieve eendimensionale integratie-algoritmen of moderne implementaties van multivariate normale integratie (bijv. via het mvtnorm R-pakket) om de stopwaarschijnlijkheden deterministisch te berekenen.

Het kader faciliteert zowel vaste parametervariabelen (frequentistische operationele kenmerken) als design-priors (Bayesiaanse predictieve power/assurance) door de gemiddelde waarde en de covariantiestructuur van de $z$-statistiek aan te passen.

Belangrijkste Bijdragen en Resultaten

• Simulatievrije Berekening: De primaire bijdrage is een methode die de noodzaak voor Monte Carlo-simulaties elimineert. De auteurs demonstreren dat ontwerpkenmerken in seconden kunnen worden berekend, wat een significante reductie is ten opzien van de minuten of uren die nodig zijn voor simulatiegebaseerde benaderingen.
• Open-Source Implementatie: De methode is geïmplementeerd in het open-source R-pakket bfpwr, waardoor het plannen van sequentiële Bayesfactorontwerpen even eenvoudig is als klassieke GSD's.
• Toepassing op Diverse Scenario's: Het artikel illustreert de methode aan de hand van verschillende casestudy's:
  • Low-PV Klinische Trial: Bij het heranalyseren van een trial op ropeginterferon alfa-2b laten de auteurs zien hoe de waarschijnlijkheid van concludent bewijs kan worden berekend en de vereiste steekproefomvang kan worden bepaald om een 90% waarschijnlijkheid van correct bewijs te bereiken. Zij demonstreren dat het verhogen van het aantal tussentijdse analyses de efficiëntie kan verbeteren, maar dat dit moet worden afgewogen tegen het risico op misleidend bewijs.
  • Rat Gewichtverlies Experiment: In een preklinische setting wordt de methode gebruikt om een replicatiestudie te plannen. Door een design-prior te gebruiken op basis van de oorspronkelijke data, laten de auteurs zien hoe ze de steekproefomvang over verschillende dosisgroepen kunnen optimaliseren, wat potentieel dieren bespaart terwijl een hoge waarschijnlijkheid van informatieve inferenties behouden blijft.
  • Sequentiële Bayesfactor t-Test: Het kader wordt uitgebreid naar de sequentiële $t$-test (inclusclusief de Jeffreys-Zellner-Siow Bayesfactor). De auteurs repliceren een psychologische studie-opzet met 61 tussentijdse analyses, waarbij zij aantonen dat hun methode resultaten oplevert die bijna identiek zijn aan simulatiegebaseerde schattingen (bijv. 70,3% vs. 70,6% voor stoppen voor $H_1$), maar met een drastisch verminderde rekentijd.

Betekenis en Beperkingen
Het artikel beweert dat deze aanpak het verkennen van sequentiële Bayesfactorontwerpen "even eenvoudig maakt als klassieke groepsequentiële ontwerpen", waardoor een belangrijke barrière voor de adoptie wordt weggenomen. Door een verenigd kader te bieden dat zowel Bayesiaanse predictieve kenmerken als frequentistische operationele kenmerken behandelt, vergemakkelijkt de methode het ontwerp van informatieve en efficiënte experimenten.

De auteurs blijven bescheiden over de reikwijdte van hun methode. Zij erkennen dat de aanpak rust op de aanname dat de Bayesfactor als een functie van de $z$-statistiek kan worden uitgedrukt en dat de accumulerende statistieken (ten minste benaderingsgewijs) een canonieke multivariate normale distributie volgen. Bijgevolg is de methode mogelijk niet direct toepasbaar op scenario's met kleine steekproeven en binaire data of extreme waarschijnlijkheden, waar deze aannames mogelijk niet standhouden, wat een terugkeer naar simulatie of andere numerieke methoden noodzakelijk kan maken. Toekomstige onderzoeksrichtingen omvatten het ontwikkelen van modificaties voor dergelijke niet-canonieke situaties.