Estimation of relative risk, odds ratio and their logarithms with guaranteed accuracy and controlled sample size ratio

O artigo propõe estimadores baseados em amostragem sequencial de dois estágios para risco relativo, razão de chances e seus logaritmos, garantindo um erro quadrático médio relativo abaixo de um valor-alvo para quaisquer parâmetros populacionais e mantendo a razão entre os tamanhos de amostra próxima de um valor prescrito.

O essencial

Imagine que você é um detetive tentando descobrir a diferença entre dois grupos de pessoas. Por exemplo: "Qual é a chance de um fumante desenvolver uma doença em comparação com um não-fumante?" ou "A vacina funciona melhor para o grupo A ou para o grupo B?"

Na estatística, isso se chama estimar o Risco Relativo (quanto um risco é maior que o outro) ou a Razão de Chances (uma medida mais complexa de probabilidade).

O problema é que você não sabe exatamente qual é a resposta (a probabilidade real) antes de começar a investigar. Se você coletar um número fixo de dados (digamos, entrevistar 100 pessoas de cada grupo), pode acabar com uma resposta muito imprecisa se a doença for muito rara. Por outro lado, se você entrevistar 1 milhão de pessoas, pode gastar recursos demais e demorar anos.

A solução proposta neste artigo é como um "GPS Inteligente" para a coleta de dados.

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: O "Alvo Móvel"

Imagine que você está tentando acertar um alvo no escuro. Se você atirar um número fixo de flechas, pode não acertar se o alvo estiver muito longe ou muito pequeno.

• O desafio: Você precisa garantir que sua estimativa tenha uma precisão específica (digamos, "errar no máximo 10%"), mas não sabe se os grupos são grandes ou pequenos, comuns ou raros.
• A limitação antiga: Métodos antigos diziam: "Colete 500 amostras de cada lado". Se as chances forem de 1 em 10.000, 500 amostras não dizem nada. Se forem 50%, você gastou esforço à toa.

2. A Solução: A "Caça ao Tesouro de Duas Etapas"

O autor propõe um método de amostragem sequencial. Em vez de decidir o número de pessoas a entrevistar antes de começar, você decide durante o processo.

Pense nisso como uma caça ao tesouro com duas fases:

• Fase 1: O Reconhecimento (A "Sonda")
  Você envia uma pequena equipe para explorar o terreno. Eles coletam algumas informações iniciais (amostras) para ter uma ideia de onde estão os "tesouros" (os eventos que você está procurando).

  • Na prática: Você coleta um número pequeno e fixo de dados de cada grupo apenas para ter uma "pista" de qual é a probabilidade real.

• Fase 2: A Ajustagem (O "GPS")
  Com base no que a equipe de reconhecimento encontrou, você calcula exatamente quanto mais precisa coletar para atingir sua meta de precisão.

  • A mágica: Se o grupo A é muito difícil de encontrar (eventos raros), o GPS diz: "Colete mais do grupo A". Se o grupo B é fácil, o GPS diz: "Colete menos do grupo B".
  • Controle de Proporção: O método também garante que você não colete 1000 pessoas de um lado e apenas 10 do outro, a menos que seja estritamente necessário. Você pode pedir para manter uma proporção (ex: 2 pessoas de um lado para cada 1 do outro).

3. As Duas Formas de Coletar Dados

O artigo oferece duas maneiras de fazer essa coleta, dependendo de como você tem acesso às pessoas:

• Amostragem Individual (Element Sampling): É como ir a uma festa e conversar com as pessoas uma por uma. Você para de conversar com o Grupo A quando precisa de mais dados, e com o Grupo B quando precisa de mais. É flexível e eficiente.
• Amostragem em Grupos (Group Sampling): Imagine que você só pode entrar na festa em "pacotes" de 10 pessoas (5 do Grupo A e 5 do Grupo B). Você não pode escolher quem entra.
  • O truque: O método funciona mesmo assim! Você pega o pacote, usa as pessoas que precisa e guarda as que sobram ("sobras") para a próxima vez que precisar. Se sobrar alguém, você descarta no final. É um pouco menos eficiente (gasta um pouco mais de tempo), mas é ótimo quando você não tem controle individual sobre quem é entrevistado.

4. Por que isso é genial? (A Eficiência)

A grande vantagem é a garantia.

• Garantia de Precisão: Não importa se a probabilidade é de 0,001% ou 99%, o método garante que o erro final será menor que o seu limite (ex: 5%).
• Garantia de Eficiência: O método é tão inteligente que usa quase o mínimo de dados possível para atingir essa precisão. É como dirigir um carro que só gasta gasolina quando você acelera, e nunca gasta de mais.
• Custo-Benefício: Para erros pequenos (alta precisão), o método é quase perfeito, usando a quantidade teórica mínima de dados necessária.

Resumo da Ópera

Imagine que você quer medir a diferença de altura entre dois grupos de crianças, mas não sabe se são bebês ou adolescentes.

• Método antigo: "Vou medir 100 de cada". (Pode ser inútil se forem bebês, ou desperdício se forem gigantes).
• Método deste artigo: "Vou medir 5 de cada primeiro. Se forem bebês, vou medir mais 1000. Se forem adolescentes, vou medir mais 50. E vou garantir que a proporção entre os grupos seja sempre 2 para 1."

Conclusão: O autor criou uma "receita de bolo" matemática que ajusta automaticamente o tamanho da sua pesquisa para garantir que o resultado seja preciso, sem desperdiçar tempo ou dinheiro, seja você coletando dados um por um ou em lotes. É uma ferramenta poderosa para médicos, cientistas sociais e qualquer um que precise tomar decisões baseadas em comparações de risco.

Resumo técnico

Resumo Técnico: Estimativa de Risco Relativo, Razão de Chances e seus Logaritmos com Precisão Garantida e Razão de Tamanho de Amostra Controlada

1. O Problema

O artigo aborda o desafio estatístico de estimar parâmetros fundamentais em estudos de duas populações com observações binárias (sucesso/fracasso):

• Risco Relativo (RR): $\theta = p_1/p_2$
• Razão de Chances (Odds Ratio - OR): $\psi = \frac{p_1(1-p_2)}{p_2(1-p_1)}$
• Logaritmos desses parâmetros: Log Risco Relativo (LRR) e Log Razão de Chances (LOR).

O objetivo é desenvolver estimadores que garantam uma precisão alvo (definida como erro quadrático médio relativo para RR/OR ou erro quadrático médio absoluto para LRR/LOR) para qualquer valor desconhecido de $p_1$ e $p_2$ no intervalo $(0,1)$. Além disso, o método deve permitir o controle da razão entre os tamanhos de amostra das duas populações, seja através de amostragem individual (elementar) ou amostragem em grupos (batches).

A dificuldade central reside no fato de que, para garantir precisão em todos os cenários (especialmente quando $p_1$ ou $p_2$ são muito pequenos), o tamanho da amostra não pode ser fixo a priori; ele deve ser adaptativo.

2. Metodologia

O autor propõe uma abordagem baseada em amostragem sequencial de dois estágios, utilizando Amostragem Binomial Inversa (IBS - Inverse Binomial Sampling).

Estrutura do Procedimento:

• Amostragem Binomial Inversa (IBS): Em vez de observar um número fixo de amostras, observa-se até obter um número pré-definido de "sucessos" ($r$). O número de amostras necessárias segue uma distribuição binomial negativa.
• Estágio 1 (Piloto):
  • Realiza-se IBS em ambas as populações com parâmetros fixos $r_1$ e $r_2$.
  • Obtêm-se os tamanhos de amostra observados $M_1$ e $M_2$.
  • Calcula-se uma variável auxiliar $X$ (uma razão ajustada de $M_1$ e $M_2$) para obter uma estimativa preliminar do parâmetro de interesse (ou de uma função relacionada, como $\bar{p} = p(1-p)$ para OR/LOR).
• Estágio 2 (Final):
  • Com base nos resultados do Estágio 1, calculam-se os parâmetros de IBS para o segundo estágio, $s_1$ e $s_2$.
  • Esses parâmetros são escolhidos para satisfazer simultaneamente duas condições:
    1. Precisão Garantida: O erro quadrático médio (MSE) deve ser menor que um alvo $A$.
    2. Razão de Amostra Controlada: A razão esperada dos tamanhos de amostra totais deve aproximar-se de uma razão prescrita $\lambda$.
  • Realiza-se a amostragem até atingir $s_1$ e $s_2$ sucessos (ou sucessos e fracassos específicos, dependendo do parâmetro).
  • O estimador final é construído a partir dos dados do Estágio 2.

Técnicas Específicas por Parâmetro:

• RR e LRR: Utilizam IBS direto nas populações. O estimador baseia-se em propriedades de esperança de variáveis binomiais inversas.
• OR e LOR: Requerem uma abordagem mais complexa. Para estimar a razão de chances, o método estima as chances $p/(1-p)$ e $(1-p)/p$ separadamente. Isso exige a geração de amostras com parâmetro $\bar{p} = p(1-p)$ a partir das amostras originais $p$. O autor utiliza uma "Fábrica de Bernoulli" (Bernoulli Factory) para realizar essa transformação, onde duas amostras de $p$ são usadas para gerar uma amostra de $\bar{p}$ com um custo médio de $1.5$ amostras por saída.

Amostragem em Grupos (Group Sampling):
O método é adaptado para cenários onde as amostras devem ser coletadas em lotes simultâneos (ex: $l_1$ da população 1 e $l_2$ da população 2). O processo continua a operar logicamente como amostragem individual, mas "envelopado" em grupos. Se um grupo fornece mais amostras do que o necessário para uma população, o excedente é armazenado para uso futuro, garantindo que a razão exata de amostragem seja mantida, embora com um pequeno aumento no tamanho médio da amostra devido a descartes no final.

3. Contribuições Principais

1. Garantia de Precisão Universal: Os estimadores propostos garantem que o erro (relativo ou absoluto) permaneça abaixo de um limite $A$ para qualquer $p_1, p_2 \in (0,1)$, superando limitações de métodos de tamanho fixo.
2. Controle de Razão de Amostragem: O método permite especificar uma razão alvo $\lambda$ para os tamanhos de amostra médios, algo que métodos sequenciais tradicionais muitas vezes não controlam com precisão.
3. Unificação de Abordagens: Apresenta uma estrutura unificada para RR, OR e suas versões logarítmicas, adaptando a lógica de IBS e Fábricas de Bernoulli conforme necessário.
4. Análise de Eficiência: Deriva limites teóricos para a eficiência dos estimadores em relação ao Limite de Cramér-Rao, demonstrando que a eficiência se aproxima de 1 (ótima) quando o erro alvo $A$ é pequeno.
5. Fórmulas Analíticas: Fornece expressões aproximadas e limites superiores rigorosos para os tamanhos médios de amostra e o número de grupos necessários, facilitando o planejamento experimental.

4. Resultados

• Simulações de Monte Carlo: O autor realizou $10^6$ realizações para validar a teoria.
  • Precisão: O erro quadrático médio observado foi consistentemente menor que o alvo $A$ em todos os cenários testados.
  • Razão de Amostra: A razão entre os tamanhos de amostra médios das duas populações manteve-se muito próxima da razão prescrita $\lambda$, com desvios mínimos (geralmente < 11%, e muito menores para $A$ pequeno).
  • Eficiência: A eficiência dos estimadores foi alta, aproximando-se de 1 para valores pequenos de $A$ (ex: para um erro relativo de 20%, a eficiência foi de cerca de 80%).
  • Comparação Elementar vs. Grupos: A amostragem em grupos mostrou-se ligeiramente menos eficiente que a amostragem elementar (perda de eficiência de ~0.15 para $A$ entre 0.01 e 0.1), devido à necessidade de descartar amostras excedentes para manter a razão exata dos lotes.
• Comportamento Assintótico: Conclui-se que, para $A \to 0$, o tamanho da amostra escala inversamente com $A$, e a eficiência tende a 1.

5. Significância

Este trabalho é significativo para a estatística aplicada, medicina e ciências sociais por oferecer uma ferramenta robusta para o desenho de estudos clínicos e observacionais.

• Planejamento de Estudos: Permite que pesquisadores definam o nível de precisão desejado e a proporção de amostragem entre grupos (ex: tratados vs. controle) antes de iniciar o estudo, sem depender de suposições sobre as taxas de incidência ($p_1, p_2$).
• Robustez: Ao garantir precisão mesmo para eventos raros (valores baixos de $p$), evita o subdimensionamento de amostras que ocorre em métodos baseados em tamanhos fixos.
• Aplicabilidade em Machine Learning: A menção à relevância do Log Odds Ratio para regressão logística e aprendizado de máquina destaca a utilidade do método em contextos modernos de análise de dados.
• Generalização: A estrutura proposta pode ser estendida para outras funções de $p_1$ e $p_2$, desde que se possa definir uma função de erro adequada e uma fábrica de Bernoulli para a geração de amostras necessárias.

Em suma, o artigo apresenta uma solução teoricamente sólida e praticamente viável para um problema clássico de estimação sequencial, equilibrando rigor estatístico (garantia de erro) com flexibilidade operacional (controle de razão de amostras).