Tilted sensitivity analysis in matched observational studies

Problema
Em estudos observacionais pareados, pesquisadores pareiam unidades tratadas e de controle com covariáveis observadas semelhantes para estimar efeitos de tratamento. No entanto, confundidores não observados ainda podem induzir viés oculto, onde unidades com respostas maiores têm maior probabilidade de receber o tratamento. A análise de sensibilidade, seguindo o modelo de Rosenbaum (1987), quantifica a robustez dos achados ao determinar a magnitude do confundimento não medido ($\Gamma$) necessário para invalidar as conclusões do estudo.

Embora a análise de sensibilidade para estudos pareados (um tratado, um controle) seja bem estabelecida com soluções de forma fechada para p-valores de pior caso e sensibilidade de delineamento, a extensão desses métodos para estudos com múltiplos controles (conjuntos pareados com $n_i > 2$) apresenta obstáculos técnicos significativos. A abordagem predominante, o "algoritmo separável" (Gastwirth et al., 2000), requer a resolução de $I$ problemas de otimização para encontrar o padrão de pior caso de confundimento não medido. Crucialmente, para $n_i > 2$, este algoritmo não fornece uma expressão de forma fechada para a expectativa de pior caso, e o padrão de pior caso muda conforme o parâmetro de sensibilidade $\Gamma$ varia. Essa falta de soluções de forma fechada dificulta o cálculo analítico da "sensibilidade de delineamento" (Rosenbaum, 2004) — uma métrica que descreve a capacidade de um estatístico de teste de distinguir efeitos de tratamento de viés — forçando a dependência de simulações de Monte Carlo para comparações teóricas.

Metodologia
O artigo introduz um procedimento de "análise de sensibilidade inclinada" (tilted sensitivity analysis). Para qualquer candidato a estatístico de teste $T = \sum Z_{ij}q_{ij}$, o método define um estatístico modificado e "inclinado" $T_{\Gamma i}$ para cada conjunto pareado $i$:
$$T_{\Gamma i} = T_i - \bar{q}_i - \left(\frac{\Gamma - 1}{1 + \Gamma}\right)|T_i - \bar{q}_i|$$
onde $T_i$ é o estatístico original para o conjunto $i$, e $\bar{q}_i$ é a média dos escores $q_{ij}$ dentro desse conjunto.

Esta modificação é construída de tal forma que o padrão de pior caso de confundimento não medido (o vetor $u$ que maximiza a expectativa sob a hipótese nula nítida) esteja tanto disponível em forma fechada quanto invariante ao valor de $\Gamma$. Especificamente, o confundidor de pior caso atribui $u_{ij}=1$ se $q_{ij} > \bar{q}_i$ e $u_{ij}=0$ caso contrário. Sob este padrão específico, a expectativa do estatístico inclinado é zero, e sua variância é dada por uma expressão de forma fechada.

O artigo demonstra que esta abordagem unifica métodos existentes:

1. Estatísticos de escore de sinal (sign-score statistics): Para estatísticos que assumem apenas dois valores (ex: em delineamentos pareados ou testes de Mantel-Haenszel), a abordagem inclinada reproduz exatamente a análise de sensibilidade convencional.
2. Ponderação pela Probabilidade Inversa (IPW): O estatístico inclinado é mostrado como equivalente a um estatístico IPW de centro minimax, diferenciando-se apenas por um peso de conjunto pareado.

Principais Contribuições

1. Distribuição de Pior Caso em Forma Fechada: Ao contrário do algoritmo separável, a abordagem inclinada fornece uma expressão de forma fechada para a expectativa e variância de pior caso para qualquer estrutura pareada, incluindo aquelas com múltiplos controles. Isso elimina a necessidade de otimização iterativa na etapa de análise de sensibilidade.
2. Sensibilidade de Delineamento em Forma Fechada: O artigo deriva uma expressão de forma fechada para a sensibilidade de delineamento do estatístico inclinado para qualquer estrutura pareada:
   $$\tilde{\Gamma}_{tilt} = \frac{\eta + \theta}{\eta - \theta}$$
   onde $\theta$ é o limite de probabilidade da contribuição do efeito médio do tratamento e $\eta$ é o limite de probabilidade da contribuição absoluta média. Isso permite comparações analíticas de estatísticos de teste concorrentes, o que era anteriormente inviável para delineamentos com múltiplos controles sem o uso de simulação.
3. Combinação Adaptativa: O artigo propõe um procedimento adaptativo que combina as abordagens inclinada e convencional. Utilizando uma estrutura de teste unilateral multivariada (Cohen et al., 2020), este método pondera adaptativamente os dois estatísticos para alcançar uma sensibilidade de delineamento não menor que o máximo das duas abordagens individuais, protegendo contra a seleção a priori de um método suboptimal.

Resultos

• Comparações Teóricas: Através de derivações analíticas e simulações de Monte Carlo, o artigo mostra que a abordagem inclinada geralmente melhora a sensibilidade de delineamento sobre a abordagem convencional para distribuições de erro simétricas e com assimetria à direita. Por outro lado, para distribuições com assimetria à esquerda, a abordagem convencional frequentemente retém uma sensibilidade de delineamento superior.
• Efeito dos Controles: Para estatísticos do tipo $m$ (uma classe que inclui diferença de médias e testes de postos/rank), a sensibilidade de delineamento da abordagem inclinada é não decrescente no número de controles pareados $J$, e estritamente crescente sob condições brandas.
• Aplicações em Dados Reais: Em cinco exemplos de dados reais (abrangendo tabagismo, consumo de peixe, educação, álcool e consumo leve de álcool), a abordagem inclinada frequentemente apresentou valores de sensibilidade mais altos (indicando maior robustez ao viés oculto) do que a abordagem convencional, particularmente em conjuntos de dados com resultados com assimetria à direita ou estatísticos de teste específicos. A abordagem adaptativa geralmente desempenhou tão bem quanto o melhor método individual e significativamente melhor que o pior.

Significância
O artigo afirma que a análise de sensibilidade inclinada oferece uma alternativa prática e teoricamente superior para estudos observacionais pareados com múltiplos controles. Ao fornecer soluções de forma fechada tanto para a distribuição de pior caso quanto para a sensibilidade de delineamento, ela remove as barreiras computacionais e teóricas que limitaram o desenvolvimento da inferência robusta em configurações de múltiplos controles. A capacidade de comparar analiticamente as sensibilidades de delineamento facilita o desenho de estudos e a seleção de estatísticos de teste mais robustos. Além disso, a combinação adaptativa garante que os pesquisadores não precisem escolher entre os métodos inclinado e convencional a priori, fornecendo uma salvaguarda contra escolhas metodológicas ruins enquanto mantém ou melhora a robustez relatada dos achados observacionais.