GEEPERs: Principal Stratification using Principal Scores and Stacked Estimating Equations

Resumo Técnico: GEEPERs – Estratificação Principal usando Pontuações Principais e Equações de Estimação Empilhadas

Declaração do Problema
A estratificação principal é um quadro de inferência causal projetado para estimar efeitos de tratamento em subgrupos definidos por variáveis pós-tratamento (por exemplo, comportamento de adesão) que podem ser influenciadas pelo próprio tratamento. Um desafio primário neste campo é que as estratos principais (por exemplo, "adherentes" vs. "não-adherentes") são contrafactuais não observados; os pesquisadores não podem observar qual seria o status de adesão de um sujeito sob uma atribuição de tratamento diferente.

Os estimadores existentes para efeitos principais frequentemente dependem de fortes suposições estruturais ou técnicas de modelagem complexas que limitam sua acessibilidade a pesquisadores aplicados. Especificamente:

1. Modelos de Mistura Paramétricos: Estes frequentemente exigem métodos Bayesianos de Cadeia de Markov Monte Carlo (MCMC), são difíceis de especificar e podem produzir estimativas severamente enviesadas se as suposições de distribuição (por exemplo, normalidade) forem violadas.
2. Ponderação por Pontuação Principal: Embora mais fáceis de implementar, estes métodos dependem da suposição de "ignorabilidade principal" (que a pertença ao estrato principal é independente dos resultados potenciais condicionada às covariáveis). Esta é uma suposição forte e não testável, análoga às exigidas em estudos observacionais, que ensaios randomizados são especificamente projetados para evitar.

Metodologia: GEEPERs
Os autores introduzem os GEEPERs (Equações de Estimação Geral para Efeitos Principais usando Regressões), um novo estimador para cenários de não-adesão unidirecional onde a pertença ao estrato principal é observada no grupo de tratamento, mas não no grupo de controle. O método baseia-se em M-estimação e equações de estimação empilhadas para combinar a estimação de pontuações principais com a estimação de efeitos principais.

O procedimento GEEPERs segue uma lógica de três etapas, implementada como um único modelo de regressão:

1. Estimar Pontuações Principais: Ajustar um modelo (por exemplo, regressão logística) para prever a probabilidade de pertencer ao estrato "adherente" ($S_T=1$) usando covariáveis pré-tratamento ($x$) e dados de adesão observados do grupo de tratamento. Seja esta probabilidade $e(x)$.
2. Imputar Estratos Faltantes: Construir uma variável $R_i$ que serve como um proxy para a pertença ao estrato não observado no grupo de controle:
   • Se $Z_i=1$ (tratamento), $R_i = S_i$ (adesão observada).
   • Se $Z_i=0$ (controle), $R_i = e(x_i)$ (pontuação principal estimada).
3. Estimar Efeitos via MQO: Ajustar uma regressão de Mínimos Quadrados Ordinários (MQO) do resultado $Y$ sobre o indicador de tratamento $Z$, o proxy de estrato imputado $R$ e sua interação, potencialmente incluindo covariáveis $g(x)$ para relaxar suposições de independência:
   $$Y_i = \beta_0 + \beta_1 R_i + \beta_2 Z_i + \beta_3 (Z_i R_i) + \gamma' g(x)_i + \epsilon_i$$
   Os efeitos principais são recuperados como combinações lineares dos coeficientes: $\hat{\tau}_0 = \hat{\beta}_2$ e $\hat{\tau}_1 = \hat{\beta}_2 + \hat{\beta}_3$.

Suposições Chave e Propriedades Técnicas

• Monotonicidade Forte: Assume não-adesão unidirecional (por exemplo, $S_{Ci}=0$ para todo $i$), significando que nenhum sujeito aderiria se fosse atribuído ao controle, mas não se fosse atribuído ao tratamento.
• Independência de Covariáveis Residualizadas: O método relaxa a estrita suposição de "Independência de Covariáveis" permitindo um ajuste linear de covariáveis. Assume-se que, após o ajuste por covariáveis, os resultados potenciais são independentes em média das covariáveis dentro dos estratos.
• Sem Suposições de Distribuição: Ao contrário dos modelos de mistura, os GEEPERs não assumem uma distribuição específica para os erros de regressão.
• Erros Padrão: Como o método envolve um processo de duas etapas (estimando pontuações e depois efeitos), os autores utilizam equações de estimação empilhadas. Isso permite o cálculo de erros padrão "sanduíche" que propagam corretamente a incerteza da primeira etapa (estimação de pontuações) para a segunda etapa (estimação de efeitos).

Resultados de Simulação
Os autores conduziram um estudo de simulação comparando os GEEPERs com a Modelagem de Mistura Paramétrica (PMM) e a Ponderação por Pontuação Principal (PSW) sob várias condições:

• Robustez a Violações de Distribuição: Os GEEPERs performaram consistentemente bem independentemente de os erros de regressão serem normais, lognormais ou uniformes. Em contraste, a PMM sofreu de viés severo, distribuições de amostragem bimodais e cobertura pobre de intervalos de confiança quando os erros foram não-normais (especificamente uniformes).
• Robustez a Confundimento Não Medido: Quando a suposição de "ignorabilidade principal" foi violada (devido a uma covariável não medida predizendo tanto a adesão quanto o resultado), a PSW exibiu viés significativo. Os GEEPERs permaneceram menos enviesados que a PMM e a PSW, embora tenham mostrado alguma sensibilidade a interações entre covariáveis e atribuição de tratamento.
• Tamanho Amostral e Previsibilidade: Os GEEPERs foram aproximadamente não enviesados através dos tamanhos amostrais. Embora tivessem variância ligeiramente maior que a PMM em amostras pequenas ou quando as covariáveis previssem mal a adesão, essa lacuna de eficiência diminuiu conforme o tamanho amostral e o poder preditivo das covariáveis aumentaram.
• Análise de Sensibilidade: Os autores demonstraram que, se interações entre covariáveis e atribuição de tratamento (moderadores de efeito) forem suspeitas, excluir essas covariáveis específicas da análise pode restaurar a validade das estimativas dos GEEPERs, oferecendo uma verificação prática de sensibilidade.

Aplicação em Dados Reais
O método foi aplicado a uma reanálise de três ensaios controlados randomizados (ECRs) da plataforma online de matemática ASSISTments, avaliando o efeito do "andaime de vídeo" na velocidade de domínio dos alunos.

• Descobertas: Os GEEPERs estimaram um efeito positivo para "adherentes" (alunos que usaram o andaime) em todas as especificações do modelo, com estimativas variando de 0,30 a 0,50 desvios padrão. As estimativas para "não-adherentes" foram próximas de zero com grandes erros padrão, consistentes com nenhum efeito.
• Comparação: A PMM produziu estimativas pontuais similares para adherentes, mas sugeriu um efeito positivo surpreendentemente grande para não-adherentes, o que os autores sinalizaram como suspeito devido a verificações de má especificação do modelo. A PSW produziu um grande efeito positivo para não-adherentes e um efeito menor para adherentes, provavelmente devido à violação da ignorabilidade principal (alunos que precisavam de ajuda eram inerentemente mais struggling).

Significado e Alegações
O artigo alega que os GEEPERs abordam três lacunas críticas na literatura existente:

1. Acessibilidade: Ao reduzir a estratificação principal a regressões logística e linear padrão, o método é acessível a pesquisadores aplicados sem treinamento avançado em MCMC Bayesiano ou otimização de verossimilhança.
2. Robustez: O método evita a fragilidade dos modelos de mistura paramétricos em relação a suposições de distribuição e as suposições fortes e não testáveis de ignorabilidade principal exigidas por métodos de ponderação.
3. Flexibilidade: Fornece um quadro unificado que utiliza ferramentas de regressão amplamente disponíveis, enquanto oferece uma maneira rigorosa de lidar com a incerteza da estimação de duas etapas através de estimadores de variância sanduíche.

Os autores concluem que, embora os GEEPERs não sejam imunes a todas as violações (particularmente aquelas envolvendo moderadores de efeito não modelados), eles oferecem uma alternativa robusta, interpretável e computacionalmente direta para estimar efeitos principais em ensaios educacionais e outros randomizados com não-adesão unidirecional.