Investigating Targeting Strategies and Truncation in TMLE for the Average Treatment Effect under Practical Positivity Violations

Titel: Onderzoek naar Targeting-strategieën en Truncatie in TMLE voor het Gemiddelde Behandelings-effect onder Praktische Positiviteitsviolaties

1. Probleemstelling

Het schatten van het gemiddelde behandelings-effect (Average Treatment Effect, ATE) uit observationele data is complex wanneer de positiviteitsaanname (positivity assumption) praktisch wordt geschonden. Hoewel de theoretische aanname vereist dat de kans op behandeling ($0 < PS < 1$) nooit nul of één is, treedt een praktische schending op wanneer bepaalde subgroepen zelden of nooit een behandeling ontvangen in de waargenomen data.

• Gevolg: Dit leidt tot extreme inverse-kans-gewichten ($1/PS$), wat resulteert in een hoge variantie, instabiliteit en vertekening (bias) in schatters zoals Inverse Probability Weighting (IPTW) en Targeted Maximum Likelihood Estimators (TMLE).
• Huidige uitdaging: Hoewel truncatie (het afsnijden van extreme gewichten) vaak wordt gebruikt, is de interactie tussen de keuze van de truncatie-niveau, de targeting-strategie binnen TMLE, en de variantieschatting niet volledig onderzocht. Er is onzekerheid over welke strategie (loss-weighted vs. clever-covariate-scaled) robuuster is en hoe adaptieve truncatie optimaal kan worden ingesteld.

2. Methodologie

De auteurs voeren uitgebreide simulatiestudies uit met continue uitkomsten om de prestaties van TMLE te evalueren onder verschillende scenario's:

• Variabele factoren:
  • Graad van misspecificatie van de uitkomstregressie (van sterk tot bijna correct).
  • Ernst van praktische positiviteitsviolaties (gecontroleerd via een schalingsparameter $\kappa_{pos}$).
  • Steekproefomvang ($n = 500, 1000, 2000$).
• Vergelijking van Targeting-strategieën:
  1. Loss-weighted targeting ($g_{Wt}$): Inverse-probability-factoren worden direct toegepast op de verliesfunctie (loss function).
  2. Clever-covariate-scaled targeting ($g_{H}$): De verliesfunctie blijft ongewogen; de inverse-probability-factoren worden geïntegreerd via de "clever covariate" in het fluctuatiemodel.
• Truncatie:
  • Vaste truncatie: Gebruik van een ondergrens $b = c / (\sqrt{n} \ln n)$ met verschillende waarden voor $c$ (vaak $c=5$ of $6$).
  • Adaptieve truncatie: Een nieuw voorgestelde Lepski-type procedure met een "brake" (rem) mechanisme. Deze procedure beweegt langs een reeks truncatieniveaus en stopt alleen als de verandering in de schatter niet significant is ten opzichte van de toegenomen onzekerheid (breedte van het betrouwbaarheidsinterval). De "brake" voorkomt dat de procedure kiest voor een te lage truncatie (te weinig truncatie) wanneer de variantieschatting onbetrouwbaar wordt.
• Variantieschatting:
  • Vergelijking van drie methoden: Efficient Influence Function (EIF)-gebaseerde schatter, Plug-in schatter, en Targeted Bootstrap (TB).

3. Belangrijkste Bijdragen en Resultaten

A. Superioriteit van Clever-Covariate-Scaled Targeting ($g_H$)

• Resultaat: Onder praktische positiviteitsviolaties presteert $g_H$ aanzienlijk beter dan loss-weighted targeting ($g_{Wt}$).
• Analyse: $g_{Wt}$ vertoont een systematische, grote bias die niet wordt opgelost door truncatie; de variantie neemt wel af, maar de Mean Squared Error (MSE) blijft hoog en de dekking van betrouwbaarheidsintervallen crasht.
• Voordeel $g_H$: Deze strategie past correcties lokaal toe in strata met hoge gewichten. Bij voldoende truncatie neemt zowel bias als variantie af, wat leidt tot een lage MSE en goede dekking (nabij 95%).

B. De Rol van Truncatie en de "Optimale" $c$

• Gevonden patroon: Er is een trade-off. Te weinig truncatie leidt tot extreme variantie; te veel truncatie introduceert bias door de doelpopulatie te verstoren.
• Steekproefgrootte: De optimale truncatieparameter $c$ hangt af van de steekproefgrootte.
  • Kleinere steekproeven ($n=500$) profiteren van sterkere truncatie (hogere $c$, rond 5).
  • Grotere steekproeven ($n=2000$) tolereren minder agressieve truncatie (lagere $c$, of juist hogere $c$ afhankelijk van de context, maar de trend wijst op een verschuiving).
• Conclusie: Vaste regels zoals $c=5$ of $c=6$ zijn robuuste defaults, maar niet optimaal voor elke specifieke dataset.

C. Adaptieve Truncatie met "Brake" Mechanisme

• De standaard Lepski-methode faalt soms bij instabiliteit door onbetrouwbare variantieschattingen.
• De voorgestelde Lepski-with-brake procedure selecteert adaptief het truncatieniveau binnen een stabiel gebied.
• Resultaat: Deze methode presteert consistent goed over verschillende steekproefgroottes en vermijdt zowel het regime van hoge variantie (te weinig truncatie) als het regime van hoge bias (te veel truncatie). Het levert een robuust alternatief op voor vaste regels.

D. Variantieschatting

• EIF-schatter: Neemt de variantie systematisch en ernstig onderschat (downward bias), vooral bij extreme gewichten. Dit leidt tot te smalle betrouwbaarheidsintervallen en onderdekking.
• Plug-in schatter: Verbeterd door de conditionele variantie te incorporeren, maar nog steeds niet ideaal.
• Targeted Bootstrap (TB): Biedt de meest stabiele schattingen die het dichtst bij de Monte Carlo-benchmark liggen. Hoewel TB soms de variantie lichtjes overschat (conservatief), is dit preferabel boven de ernstige onderschatting van de EIF-schatter, omdat het geldige inferentie garandeert.

4. Significatie en Conclusie

Dit onderzoek biedt cruciale inzichten voor de toepassing van TMLE in real-world observationele studies waar positiviteit vaak een probleem is:

1. Aanbeveling voor Targeting: Gebruik clever-covariate-scaled targeting ($g_H$) in plaats van loss-weighted targeting wanneer er sprake is van beperkte overlap in de data.
2. Aanbeveling voor Truncatie: Hoewel vaste regels ($c=5,6$) werken, is een adaptieve Lepski-type procedure met een remmechanisme superieur voor het vinden van het juiste evenwicht tussen bias en variantie zonder voorafgaande kennis van de steekproefgrootte of de mate van schending.
3. Aanbeveling voor Inferentie: Gebruik Targeted Bootstrap voor variantieschatting om de onderdekking van betrouwbaarheidsintervallen te voorkomen die optreedt bij standaard EIF-schattingen onder positiviteitsviolaties.

De studie onderstreept dat de keuze van de targeting-strategie en de manier waarop truncatie en variantie worden gehanteerd, fundamenteel zijn voor de geldigheid van causale conclusies in observationele studies met beperkte overlap.