Resumo Técnico: Inferência de Randomização Seletiva para Experimentos Adaptativos

Declaração do Problema

Experimentos adaptativos, que utilizam análises preliminares de dados para informar estágios subsequentes de recrutamento e atribuição de tratamento, tornam-se cada vez mais comuns nas ciências médicas e sociais. No entanto, os métodos padrão de inferência estatística frequentemente falham nesses contextos, pois a hipótese nula e o desenho experimental tornam-se dependentes dos dados. Essa "seleção" introduz viés, tornando os testes de randomização ingênuos inválidos, uma vez que ignoram o fato de que as escolhas futuras de desenho foram condicionadas aos resultados passados. Embora soluções existentes estejam disponíveis, elas são frequentemente limitadas a desenhos adaptativos específicos (por exemplo, ensaios de múltiplos braços e múltiplos estágios) ou dependem de fortes suposições paramétricas e aproximações assintóticas que podem não se manter em populações finitas. Além disso, abordagens simples de divisão de dados, embora válidas, são ineficientes, pois descartam a informação contida no estágio inicial utilizado para a seleção.

Metodologia

Os autores propõem a Inferência de Randomização Seletiva (IRS), um framework geral e livre de modelos para análise de experimentos adaptativos. A metodologia central integra a inferência condicional pós-seleção com os princípios da inferência de randomização.

1. Framework Causal e Suposições

Os autores modelam experimentos adaptativos com $K$ estágios utilizando Grafos Acíclicos Direcionados (DAGs). Eles definem uma configuração geral envolvendo:

• Recrutamento ($R_k$): Modelado como um evento aleatório onde o conjunto de unidades recrutadas pode depender de dados anteriores.
• Atribuição de Tratamento ($Z_k$): Randomizada pelo experimentador, mas potencialmente dependente de covariáveis e resultados passados.
• Estatísticas de Seleção ($S_k$): Funções determinísticas dos dados observados que ditam o desenho dos estágios subsequentes (por exemplo, quais subgrupos recrutar).

Três suposições mínimas são necessárias para a validade:

• (A1) Atribuição Sequencial Conhecida: A distribuição das atribuições de tratamento $q(z | r, x, y)$ é conhecida.
• (A2) Independência Condicional: A atribuição de tratamento no estágio $k$ é condicionalmente independente dos potenciais resultados, dados os dados observados passados e as covariáveis atuais.
• (A3) Suficiência da Seleção: A estatística de seleção $S_{k-1}$ captura todas as informações dos estágios anteriores que influenciam o recrutamento e a atribuição de tratamento do estágio $k$.

2. O Valor-p de Randomização Seletiva

A contribuição central é a definição de um valor-p de randomização seletiva ($P_{sel}$). Diferentemente de um valor-p ingênuo, que compara a atribuição de tratamento observada $Z$ contra todas as possíveis atribuições aleatórias, $P_{sel}$ condiciona-se ao evento de seleção específico que ocorreu.

Formalmente, seja $Z^*$ uma atribuição de tratamento contrafactual extraída da distribuição de atribuição sequencial. O valor-p é definido como:
$$P_{sel} = P\left( T(Z^*, \dots) \leq T(Z, \dots) \mid R, X_R, Y_R(\cdot), Z, S(Z^*) = S(Z), G(Z^*) = G(Z) \right)$$
onde:

• $T$ é a estatística de teste.
• $S(Z^*) = S(Z)$ garante que a atribuição contrafactual leve à mesma seleção de desenho que os dados observados.
• $G(Z^*) = G(Z)$ é uma estatística de condicionamento adicional necessária para hipóteses nulas "parcialmente precisas" para garantir que os potenciais resultados não observados possam ser imputados.

Os autores provam que este valor-p domina estocasticamente a distribuição uniforme, controlando assim o erro tipo-I seletivo (a taxa de erro condicionada ao evento de seleção).

3. Abordagens Computacionais

Como o suporte da distribuição condicional (atribuições que satisfazem $S(Z^*)=S(Z)$) é frequentemente intratável para enumeração, os autores propõem aproximações de Monte Carlo:

• Amostragem por Rejeição: Simples, mas potencialmente ineficiente se a probabilidade de satisfazer a restrição de seleção for baixa.
• Caminhada Aleatória Metropolis-Hastings (RWM): Um algoritmo de Cadeia de Markov Monte Carlo (MCMC) que constrói uma cadeia no espaço de atribuições viáveis. Os autores fornecem garantias teóricas de que a cadeia converge para a distribuição estacionária correta e de que o valor-p resultante controla o erro tipo-I seletivo, mesmo que a cadeia esteja restrita a uma classe de comunicação específica.

4. Estimativa e Intervalos de Confiança

O framework estende-se à construção de intervalos de confiança para efeitos homogêneos de tratamento, invertendo os testes de hipóteses seletivos. Os autores observam que condicionar-se à seleção pode levar a curvas de valor-p não monotônicas, complicando a construção de intervalos. Para mitigar isso, eles sugerem o uso de unidades de retenção (dados não utilizados para seleção) para suavizar a curva de valor-p e garantir conjuntos de confiança bem comportados.

Resultados Principais

O artigo valida o método por meio de estudos de simulação e uma análise hipotética de dados do mundo real (ensaio SPRINT):

1. Validade: Em simulações onde a hipótese nula é verdadeira, o teste de randomização ingênuo (RT) exibe taxas de erro tipo-I infladas (subcobertura dos intervalos de confiança), enquanto a IRS proposta e a abordagem de divisão de dados (RT 2º estágio) controlam corretamente o erro tipo-I seletivo.
2. Poder: A IRS geralmente demonstra maior poder estatístico do que a abordagem de divisão de dados (RT 2º estágio). Ao condicionar-se ao evento de seleção em vez de descartar o primeiro estágio, a IRS utiliza informações "deixadas de fora" do estágio inicial, resultando em intervalos de confiança mais estreitos e maiores probabilidades de rejeição para nulas falsas.
3. Computação: Embora a amostragem por rejeição seja direta, ela pode ser computacionalmente cara quando a restrição de seleção é rara. O amostrador RWM oferece uma alternativa mais eficiente, com desempenho largamente insensível às escolhas de tamanho de janela nos cenários testados.
4. Aplicação em Dados Reais: Em um ensaio de enriquecimento hipotético de dois estágios derivado do ensaio SPRINT, a IRS produziu um valor-p menor (0,048) em comparação com a abordagem de divisão de dados (0,314) para o subgrupo selecionado, demonstrando sua capacidade de detectar efeitos que a divisão de dados poderia perder devido à redução do tamanho da amostra.

Significado e Alegações

O artigo alega fornecer um framework geral e livre de modelos para inferência em experimentos adaptativos. Seu significado reside em vários aspectos-chave:

• Generalidade: Diferentemente de métodos anteriores restritos a desenhos específicos (por exemplo, randomização adaptativa à resposta ou ensaios de múltiplos braços), esta abordagem aplica-se a uma ampla classe de desenhos adaptativos, incluindo desenhos de enriquecimento e regras complexas de recrutamento.
• Natureza Livre de Modelos: O método baseia-se exclusivamente na aleatoriedade da atribuição de tratamento, não exigindo suposições sobre a distribuição dos resultados, independência dos pontos de dados ou modelos paramétricos. Isso torna-o um teste "padrão" robusto para experimentos randomizados.
• Eficiência: Supera a ineficiência da divisão de dados ao utilizar todos os dados disponíveis, corrigindo rigorosamente o viés de seleção.
• Relevância Regulatória: Os autores argumentam que controlar o erro tipo-I condicional é crucial para perspectivas regulatórias, pois trata a hipótese selecionada como dada, permitindo uma avaliação objetiva das evidências em um experimento randomizado.

Os autores posicionam este trabalho como um complemento aos frameworks existentes de superpopulação, oferecendo uma alternativa de população finita que minimiza as suposições de modelagem. Eles reconhecem que, embora o framework teórico esteja estabelecido, extensões práticas relacionadas à seleção ótima de estatísticas de teste e ao tratamento de desistências permanecem áreas para pesquisa futura.