Model-based standardization using multiple imputation

Resumo Técnico: Padronização Baseada em Modelos Usando Imputação Múltipla

Declaração do Problema
Ao estimar efeitos relativos de tratamento, os pesquisadores frequentemente enfrentam uma escolha entre estimandos condicionais e marginais. Enquanto os efeitos condicionais são derivados diretamente de modelos de regressão multivariável, os efeitos marginais são geralmente preferidos para a tomada de decisão ao nível da população, particularmente para medidas não colapsáveis como razões de chances e razões de risco. A padronização baseada em modelos padrão (frequentemente referida como G-computação) é o método convencional para converter previsões de modelos condicionais em efeitos de tratamento marginais, fazendo uma média sobre uma distribuição de covariáveis-alvo.

A abordagem padrão baseia-se na estimação de máxima verossimilhança (MLE) para o modelo de desfecho e em bootstrapping não paramétrico para a estimação da variância. No entanto, este quadro apresenta limitações: não acomoda naturalmente a inferência bayesiana, tornando difícil incorporar evidências prévias, lidar com dados ausentes de maneira probabilística fundamentada ou propagar incerteza através de um quadro unificado. Além disso, a padronização frequentemente requer extrapolar previsões de modelos para populações-alvo externas (por exemplo, dados do mundo real) onde os dados de desfecho estão ausentes, um cenário conceitualmente análogo a um problema de dados ausentes.

Metodologia: Marginalização por Imputação Múltipla (MIM)
Os autores propõem um método novo e de propósito geral denominado Marginalização por Imputação Múltipla (MIM). Esta abordagem reformula o problema de padronização como um problema de dados ausentes, onde os desfechos para a população-alvo sob os tratamentos de interesse estão sistematicamente ausentes. A MIM aproveita os princípios da imputação múltipla para sintetizar esses desfechos ausentes e estimar o efeito de tratamento marginal.

O método opera em duas etapas distintas:

1. Etapa de Síntese (Geração de Dados):

   • Regressão de Primeira Etapa: Um modelo de regressão multivariável paramétrico (por exemplo, regressão logística) é ajustado aos dados de nível individual do estudo índice (a fonte das estimativas de efeito de tratamento). Este modelo relaciona o desfecho às covariáveis basais e ao tratamento, incluindo interações tratamento-covariável para capturar a heterogeneidade do efeito. Isso é estimado usando um quadro bayesiano (por exemplo, via MCMC), permitindo a especificação de distribuições prévias.
   • Previsão de Desfecho: Um passo de "aumentação de dados" cria um conjunto de dados sintético duplicando o conjunto de dados de covariáveis-alvo. Uma cópia é atribuída ao tratamento ativo ($t=1$) e a outra ao controle ($t=0$).
   • Imputação: Usando a distribuição preditiva posterior derivada da regressão de primeira etapa, valores plausíveis para os desfechos ausentes no conjunto de dados-alvo aumentado são extraídos. Este processo é repetido $M$ vezes para gerar $M$ conjuntos de dados sintéticos, onde cada conjunto contém as covariáveis-alvo, indicadores de tratamento e desfechos imputados.

2. Etapa de Análise (Inferência):

   • Regressão de Segunda Etapa: Para cada um dos $M$ conjuntos de dados sintéticos, uma regressão marginal simples é realizada, regressando os desfechos imputados exclusivamente sobre o indicador de tratamento para estimar o efeito de tratamento marginal ($\delta^{(m)}$) e sua variância ($\hat{v}^{(m)}$).
   • Agrupamento: As $M$ estimativas pontuais e variâncias são combinadas para construir uma distribuição posterior para o efeito de tratamento marginal. Os autores utilizam regras de combinação análogas às regras de Rubin, mas adaptadas para este contexto específico. Especificamente, eles calculam a estimativa média ($\bar{\delta}$), a variância média dentro da imputação ($\bar{v}$) e a variância entre imputações ($b$).
   • Inferência: A estimativa final é a média das $M$ estimativas. A variância é estimada usando uma fórmula que leva em conta tanto a variabilidade dentro quanto entre as imputações, ajustada para o número finito de sínteses. Intervalos de confiança podem ser derivados usando uma aproximação normal ou uma distribuição $t$ com graus de liberdade ajustados.

Principais Contribuições

• Quadro Novo: O artigo introduz a MIM como uma ponte entre a imputação múltipla e a padronização baseada em modelos, permitindo que a padronização seja realizada dentro de um quadro estatístico bayesiano.
• Propagação de Incerteza: Diferentemente da abordagem de bootstrap padrão, a MIM propaga naturalmente a incerteza dos parâmetros do modelo de desfecho até a estimativa final do efeito marginal através da distribuição preditiva posterior.
• Flexibilidade: O método facilita a incorporação de evidências prévias (por exemplo, de meta-análises ou opinião de especialistas) no modelo de desfecho e oferece uma maneira fundamentada de lidar com dados ausentes no estudo índice.
• Eficiência Computacional: Ao separar as etapas de síntese e análise, a MIM evita o ônus computacional de simulações aninhadas (por exemplo, bootstrapping dentro de um loop MCMC bayesiano).

Resultados
Os autores conduziram um estudo de simulação para comparar a MIM com a abordagem padrão de G-computação paramétrica (MLE com bootstrapping não paramétrico). O estudo utilizou desfechos binários, covariáveis contínuas e um modelo de desfecho logístico, visando a razão de chances logarítmica marginal. Os cenários variaram quanto ao tamanho da amostra do ensaio índice ($N=500, 1000, 2000$) e ao grau de sobreposição entre as distribuições de covariáveis do índice e do alvo (sobreposição limitada vs. sobreposição completa).

• Não Viesamento: Quando as suposições de modelagem paramétrica se mantiveram, a MIM produziu estimativas não viesadas do efeito de tratamento marginal na distribuição de covariáveis-alvo, comparáveis à abordagem padrão.
• Precisão e Eficiência: Os erros padrão empíricos (ESE) e os erros quadráticos médios (MSE) para a MIM foram virtualmente idênticos aos da abordagem padrão em todos os cenários.
• Cobertura: As taxas de cobertura empíricas das estimativas de intervalo de 95% foram próximas ao nível nominal de 95% para ambos os métodos. Pequenos desvios ocorreram apenas em tamanhos de amostra pequenos ($N=500$), provavelmente devido ao viesamento inerente de amostras pequenas na regressão logística e não à própria metodologia MIM.
• Robustez: O estudo demonstrou que a MIM desempenha tão bem quanto a abordagem padrão em amostras finitas sob especificação correta do modelo.

Significado e Alegações
O artigo alega que a MIM fornece uma alternativa estatisticamente válida à padronização baseada em modelos padrão, oferecendo desempenho comparável ao método de G-computação estabelecido quando as suposições paramétricas são atendidas. O significado principal reside na expansão metodológica: a MIM integra a padronização em um quadro probabilístico (bayesiano), permitindo assim a propagação fundamentada da incerteza e a incorporação de evidências prévias.

Os autores afirmam explicitamente que o estudo de simulação serve como uma "prova de conceito". Eles reconhecem que o estudo focou em um "cenário de melhor caso" com especificação correta do modelo e não investigou a robustez frente à má especificação do modelo. Eles observam que, embora a MIM seja atraente por sua capacidade de lidar com dados ausentes e incorporar prévias, sua aplicação depende da especificação correta do modelo de desfecho e da disponibilidade de covariáveis consistentemente definidas entre as fontes de dados. O artigo conclui que a MIM é um método viável para marginalizar sobre uma distribuição de covariáveis-alvo, oferecendo inferência adequada e desempenho estatístico semelhante à abordagem padrão, enquanto fornece a flexibilidade adicional de um quadro bayesiano.