Analysis of Linked Files: A Missing Data Perspective

1. O Problema

Em diversas aplicações de saúde e ciências sociais, informações sobre entidades estão dispersas em múltiplos arquivos de dados. Para investigar associações de interesse, pesquisadores precisam vincular registros que representam a mesma entidade. Quando identificadores únicos (como números de segurança social) não estão disponíveis devido a regulamentações de privacidade, utiliza-se o registro de dados (record linkage) baseado em variáveis semi-identificadoras (nomes, endereços, datas).

O problema central abordado é que os algoritmos de registro de dados são imperfeitos:

• Falsos Positivos (False Links): Vincular registros de entidades diferentes.
• Falsos Negativos (False Non-links): Falhar em vincular registros da mesma entidade.

A análise tradicional de arquivos vinculados frequentemente ignora esses erros, tratando o conjunto vinculado como "completo" e "correto". Isso resulta em estimativas enviesadas (por exemplo, viés de atenuação em regressões lineares) e intervalos de confiança com coberturas incorretas (geralmente muito estreitas). O artigo propõe tratar o registro de dados não como um pré-processamento definitivo, mas como um problema de dados faltantes, onde o status de vinculação ($\Delta$) é uma variável latente não observada.

2. Metodologia e Formulação

Os autores enquadram o problema dentro da literatura de dados faltantes (Rubin, 1976), definindo o status de vinculação como dados faltantes ($D_{mis} = \{\Delta_{ij}\}$) e os dados observados como as variáveis dos arquivos ($D_{obs} = \{L_A, L_B, Y_A, X_B\}$).

Mecanismos de Vinculação

Analogamente aos mecanismos de dados faltantes (MCAR, MAR, MNAR), o artigo define quatro mecanismos de vinculação que descrevem a relação entre a estrutura de vinculação e as variáveis dos arquivos:

1. Vinculação Fortemente Não-Informativa (SNL): O status de vinculação depende apenas das variáveis de ligação ($L_A, L_B$), não das variáveis de resultado ($Y_A, X_B$). Equivalente a MAR.
2. Vinculação Não-Informativa (NL): O status depende de $L_A, L_B$ e covariáveis ($X_B$), mas não do resultado ($Y_A$).
3. Vinculação Fracamente Não-Informativa (WNL): O status depende de todas as variáveis observadas ($L_A, L_B, Y_A, X_B$).
4. Vinculação Informativa (IL): O status depende de variáveis não observadas. Equivalente a MNAR (Missing Not At Random), o que pode induzir viés severo.

Classificação dos Métodos de Inferência

O artigo categoriza os métodos de análise pós-vinculação em três grandes grupos:

1. Métodos de Verossimilhança e Bayesianos:

   • Utilizam a verossimilhança completa dos dados, tratando $\Delta$ como um parâmetro ou variável latente.
   • Incluem abordagens como a média de vinculação (linkage averaging) e amostragem conjunta de $\Delta$ e parâmetros de interesse ($\beta$) via algoritmos de Aumento de Dados (DA) ou MCMC.
   • Permitem incorporar o "efeito de feedback", onde o modelo de análise informa o processo de vinculação (útil sob mecanismos WNL).

2. Métodos de Imputação (Múltipla Imputação - MI):

   • Geram $M$ imputações do status de vinculação a partir de sua distribuição posterior.
   • Cada arquivo imputado é analisado separadamente e os resultados são combinados usando as regras de Rubin.
   • Oferecem uma alternativa computacionalmente mais viável à inferência Bayesiana completa, mas exigem que o modelo de imputação seja "congenial" ao modelo de análise.

3. Métodos de Ponderação (Weighting):

   • Ajustam as equações de estimação para corrigir o viés introduzido por erros de vinculação.
   • Baseiam-se na suposição de que a vinculação é completa e utilizam matrizes de probabilidade de correspondência ($Q$) para corrigir as estimativas (ex: estimadores de Lahiri-Larsen).
   • São restritos principalmente a modelos de regressão generalizada.

3. Contribuições Principais

• Unificação Teórica: Estabelece uma estrutura unificada para análise de dados vinculados sob a ótica de dados faltantes, definindo formalmente os mecanismos de vinculação e suas implicações para a inferência.
• Taxonomia de Métodos: Organiza e compara criticamente as abordagens existentes (Bayesianas, de Imputação e de Ponderação), destacando seus pressupostos e limitações.
• Avaliação Empírica Rigorosa: Realiza extensos estudos de simulação cobrindo cenários de Análise Primária (o analista tem acesso aos arquivos originais e variáveis de ligação) e Análise Secundária (o analista recebe apenas o arquivo já vinculado, sem acesso às variáveis de ligação).
• Análise de Sensibilidade: Demonstra como a performance dos métodos varia drasticamente dependendo do mecanismo de vinculação (SNL vs. IL) e do nível de sobreposição entre os arquivos.

4. Resultados dos Estudos de Simulação

Os autores avaliaram sete métodos em diversos cenários variando sobreposição, poder discriminatório das variáveis, nível de erro e mecanismo de erro.

• Cenário de Análise Primária:

  • Sob mecanismos SNL, NL e LCAR (aleatório), todos os métodos (Bayesianos, Ponderação, Verossimilhança) tendem a produzir inferências válidas, embora os métodos Bayesianos (como o de Steorts, 2015) mostrem menor viés e maior eficiência.
  • O método de ponderação (Han e Lahiri) tende a ter viés maior, mas coberturas próximas do nominal.
  • Sob mecanismos WNL e IL, a performance degrada-se. Métodos que incorporam o modelo de análise no processo de vinculação (como o de Kamat et al., 2023) mostram vantagens em reduzir o viés.
  • A redução da sobreposição entre arquivos aumenta o viés e reduz a cobertura para a maioria dos métodos, exceto para abordagens Bayesianas robustas.

• Cenário de Análise Secundária:

  • O estimador ingênuo (que ignora erros) apresenta viés negativo severo e cobertura nula ou muito baixa.
  • Métodos de ponderação (Chambers) funcionam bem sob o modelo de erro trocável (ELE), mas sofrem quando o erro depende de variáveis não observadas (IL).
  • Métodos baseados em mistura (Gutman et al., Slawski et al.) geralmente apresentam menor viés e erro padrão, mas podem ter coberturas abaixo do nominal sob mecanismos complexos (WNL/IL).

• Exemplo de Agrupamento (Clustering):

  • O artigo demonstra a aplicação de Múltipla Imputação para análise de agrupamento (clustering) em dados vinculados, mostrando que é possível recuperar parâmetros de mistura com precisão razoável, algo difícil com métodos de ponderação tradicionais.

5. Significado e Conclusão

O artigo é fundamental para a estatística aplicada porque:

1. Alerta para o Viés: Evidencia que ignorar a incerteza da vinculação leva a conclusões científicas errôneas, especialmente em estudos observacionais.
2. Guia Prático: Oferece diretrizes sobre qual método escolher baseado no cenário (acesso aos dados, tipo de mecanismo de erro, tamanho da sobreposição).
3. Futuro da Pesquisa: Identifica lacunas, como a necessidade de desenvolver métodos para modelos multivariados complexos além de modelos lineares generalizados e a importância de realizar análises de sensibilidade aos mecanismos de vinculação, já que estes são frequentemente não testáveis na prática.

Em suma, o trabalho transforma a análise de dados vinculados de uma tarefa de "limpeza de dados" para um problema estatístico rigoroso de inferência com dados faltantes, propondo soluções que propagam corretamente a incerteza da vinculação para as estimativas finais.