📊 statistics

What is estimated in cluster randomized crossover trials with informative sizes? -- A survey of estimands and common estimators

Este artigo define e avalia a consistência de vários estimadores para estimandos de efeitos de múltiplos tratamentos em ensaios cruzados de clusters randomizados de 2 períodos com tamanhos informativos, demonstrando que, embora equações de estimativa de independência não ponderadas e ponderadas (e modelos fixos ou permutáveis específicos) produzam resultados não viesados, modelos de efeitos mistos aninhados permutáveis não ponderados e ponderados são inconsistentes e propensos a viés.

Autores originais: Kenneth M. Lee, Andrew B. Forbes, Jessica Kasza, Andrew Copas, Brennan C. Kahan, Paul J. Young, Michael O. Harhay, Fan Li

Publicado 2026-08-12

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Kenneth M. Lee, Andrew B. Forbes, Jessica Kasza, Andrew Copas, Brennan C. Kahan, Paul J. Young, Michael O. Harhay, Fan Li

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um detetive tentando resolver um mistério sobre um novo remédio. Você não pode testá-lo em apenas uma pessoa; você tem que testá-lo em grupos inteiros, como diferentes escolas, hospitais ou bairros. Isso é chamado de um "ensaio clínico randomizado por clusters". É como testar um novo cardápio de cafeteria ao mudar toda a fila do almoço na Escola A para a nova comida, enquanto a Escola B mantém a comida antiga, e depois trocar os papéis na semana seguinte. Isso é um design de "crossover" porque os grupos trocam de funções.

Mas aqui está a parte complicada: e se as escolas não tiverem o mesmo tamanho? E se a Escola A tiver 500 alunos e a Escola B tiver apenas 50? Se a nova comida funcionar muito bem para a escola grande, mas mal para a pequena, como você conta os resultados? Você se importa com o aluno médio (a visão do "indivíduo") ou com a escola média (a visão do "cluster")? No mundo da estatística, isso é chamado de "estimandos" — o alvo específico que você está tentando atingir. Quando o tamanho dos grupos muda de uma forma que está ligada ao quão bem o tratamento funciona, os estatísticos chamam isso de "tamanhos informativos". É como se as maiores escolas fossem justamente aquelas onde a nova comida tinha um sabor melhor por puro acaso; se você não levar isso em conta, sua matemática pode mentir para você.

Este artigo é um guia para detetives (pesquisadores) que resolvem esses mistérios em ensaios de crossover de múltiplos períodos. Os autores, uma equipe de estatísticos de universidades dos EUA, Reino Unido, Austrália e Nova Zelândia, queriam descobrir quais ferramentas matemáticas (estimadores) dão a resposta certa quando os tamanhos dos grupos são "informativos". Eles analisaram quatro tipos principais de ferramentas: médias simples (Equações de Estimativa de Independência), modelos que tratam os grupos como amostras aleatórias (Efeitos Mistos) e modelos que tratam os grupos como fatos fixos (Efeitos Fixos). Eles também observaram o que acontece quando você tenta "ponderar" os dados para fazer com que grupos grandes e pequenos contem igualmente.

Os autores realizaram milhares de simulações de computador para testar essas ferramentas. Eles descobriram que algumas ferramentas populares, especificamente os modelos de "efeitos mistos aninhados permutáveis", frequentemente erram a matemática quando os tamanhos dos grupos são informativos. É como usar uma balança que adiciona peso extra automaticamente às caixas pesadas; se você não sabe que as caixas são pesadas, seu peso final estará errado. Esses modelos podem produzir resultados que parecem reais, mas que na verdade visam um número confuso e ininterpretável que não é nem a média do indivíduo, nem a média do grupo.

No entanto, a boa notícia é que as ferramentas de "Equação de Estimativa de Independência" (IEE), especialmente quando usadas com os pesos corretos, são como uma balança confiável e inabalável. Elas atingem consistentemente o alvo certo, quer você queira saber o efeito em um indivíduo ou em um grupo inteiro, mesmo quando os tamanhos são bagunçados. O artigo também descobriu que os modelos de "Efeitos Fixos" podem ser complicados; às vezes, eles acidentalmente visam a coisa errada (como o período de tempo médio em vez do grupo médio) se os tamanhos mudarem de uma forma específica.

Em um teste do mundo real, os autores reanalisaram um estudo sobre medicamentos para úlcera estomacal em pacientes em ventilação mecânica. Eles descobriram que as diferentes ferramentas deram respostas ligeiramente diferentes, sugerindo que os tamanhos dos hospitais poderiam ser "informativos". O estudo conclui que, ao lidar com esses ensaios complexos de múltiplos períodos, os pesquisadores devem ser muito cuidadosos com qual ferramenta escolhem. Se eles quiserem ter certeza de que não estão sendo enganados pelo tamanho dos grupos, as ferramentas IEE simples e ponderadas são a aposta mais segura, enquanto os modelos aninhados mais complexos devem ser usados com cautela ou evitados se os tamanhos dos grupos variarem de uma maneira que importe.

Resumo Técnico: Estimandos e Estimadores em Ensaios Cruzados Aleatorizados por Agrupamento com Tamanhos Informativos

Definição do Problema
Ensaios cruzados aleatorizados por agrupamento (CRXO) são desenhos multiperíodo eficientes onde os agrupamentos (ex: hospitais) são aleatorizados para sequências de tratamento. Embora a literatura anterior tenha estabelecido métodos para analisar ensaios paralelos por agrupamento (P-CRTs) e desenhos paralelos com um período basal (PB-CRTs), as propriedades específicas dos estimadores em desenhos CRXO multiperíodo sob "tamanhos informativos" permanecem subexploradas.

Tamanhos informativos ocorrem quando os efeitos do tratamento variam de acordo com o tamanho do agrupamento, o tamanho do período ou o tamanho do agrupamento-período. Em tais cenários, diferentes definições do efeito médio do tratamento (estimandos) divergem em magnitude. Especificamente, o artigo aborda a falta de clareza sobre quais estimadores estatísticos comuns (Equações de Estimativa de Independência, Modelos de Efeitos Mistos, Modelos de Efeitos Fixos) estimam consistentemente estimandos alvo específicos e interpretáveis quando essas condições de tamanhos informativos existem. Sem esse entendimento, as análises padrão podem gerar resultados enviesados ou visar estimandos com interpretações obscuras.

Metodologia
Os autores empregam um framework de resultados potenciais para definir formalmente quatro estimandos distintos para ensaios CRXO transversais de 2 períodos:

Efeito Médio de Tratamento Individual (iATE): O efeito médio entre todos os indivíduos.
Efeito Médio de Agrupamento-Período (cpATE): O efeito médio entre todas as células de agrupamento-período.
Efeito Médio de Agrupamento (cATE): O efeito médio entre todos os agrupamentos.
Efeito Médio de Período (pATE): O efeito médio entre todos os períodos.

O estudo define três tipos de tamanhos informativos:

Tamanhos de Agrupamento Informativos (ICS): Os efeitos do tratamento variam por tamanho de agrupamento.
Tamanhos de Período Informativos (IPS): Os efeitos do tratamento variam por tamanho de período.
Tamanhos de Agrupamento-Período Informativos (ICPS): Os efeitos do tratamento variam por tamanho de célula de agrupamento-período.

Os autores derivam as propriedades de limite de probabilidade (propriedades de convergência) de quatro estimadores baseados em modelos comuns, não ponderados e ponderados (por inverso de agrupamento-período, inverso de agrupamento ou inverso de período):

Equação de Estimativa de Independência (IEE): Equivalente aos Mínimos Quadrados Ordinários (OLS) com indicadores de tratamento e período.
Efeitos Mistos de Troca (EME): Inclui um intercepto de agrupamento aleatório.
Efeitos Mistos de Troca Aninhados (NEME): Inclui termos de intercepto de agrupamento e interação agrupamento-período aleatórios.
Efeitos Fixos (FE): Inclui interceptos de agrupamento e período fixos.

As derivações teóricas são complementadas por um estudo de simulação (1000 réplicas) em cenários de tamanhos não informativos, ICS e IPS. Finalmente, os métodos são aplicados a uma reanálise de um ensaio CRXO do mundo real investigando a profilaxia de úlcera de estresse em pacientes mecanicamente ventilados.

Principais Contribuições e Resultados

Definição Formal de Estimandos: O artigo é o primeiro a introduzir e definir formalmente todos os quatro estimandos (iATE, cATE, pATE, cpATE) especificamente no contexto do desenho CRXO, esclarecendo como eles diferem sob condições de tamanhos informativos.
Consistência dos Estimadores IEE:
- O estimador IEE não ponderado é sempre consistente para o iATE, independentemente dos tamanhos informativos.
- Estimadores IEE ponderados (inverso de agrupamento-período, inverso de agrupamento, inverso de período) são sempre consistentes para o cpATE, cATE e pATE, respectivamente, mesmo na presença de tamanhos informativos.
Desempenho de Modelos de Efeitos Mistos (EME e NEME):
- NEME: Os estimadores NEME não ponderados e ponderados geralmente convergem para médias ponderadas complexas e dependentes dos dados que não são consistentes para nenhum dos quatro estimandos naturais (iATE, cATE, pATE, cpATE) na presença de tamanhos informativos. Esses estimadores podem gerar resultados enviesados.
- EME: O estimador EME é consistente para o iATE (e pATE) e seus equivalentes ponderados para o cpATE e cATE apenas se os tamanhos de agrupamento-período forem fixos entre os períodos dentro dos agrupamentos ( $K_{i1} = K_{i2}$ ). Se os tamanhos de agrupamento-período variarem (tamanhos de período informativos), os estimadores EME podem ser inconsistentes e enviesados.
Desempenho de Modelos de Efeitos Fixos:
- O estimador FE não ponderado é consistente para o pATE (não para o iATE) se a razão dos tamanhos de período for constante entre os agrupamentos. É consistente para o iATE apenas se não houver tamanhos de período informativos.
- O estimador FE ponderado (inverso do tamanho do agrupamento) é consistente para o cpATE sob condições específicas (razões de tamanho de período fixas), não para o cATE.
Achados da Simulação:
- Em cenários com Tamanhos de Agrupamento Informativos (ICS), os estimadores IEE, FE e EME, tanto não ponderados quanto ponderados, geralmente produziram resultados empiricamente não enviesados para seus estimandos alvo. Em contraste, os estimadores NEME produziram resultados enviesados.
- Em cenários com Tamanhos de Período Informativos (IPS), apenas os estimadores IEE e IEEcw foram não enviesados para o iATE e cATE. Os modelos EME e NEME (ponderados ou não ponderados) produziram resultados enviesados para todos os estimandos.
Reanálise de Caso de Estudo:
- Uma reanálise de um ensaio CRXO sobre profilaxia de úlcera de estresse mostrou que os estimadores não ponderados e o ponderado pelo inverso do período produziram estimativas de ponto semelhantes, enquanto os estimadores ponderados pelo inverso do agrupamento e pelo inverso do agrupamento-período produziram estimativas maiores.
- O estimador NEME produziu estimativas infladas em comparação aos outros, sugerindo possíveis Tamanhos de Agrupamento Informativos (ICS) nos dados, embora os intervalos de confiança tenham se sobreposto.

Significância e Alegações
O artigo afirma que a escolha de um estimador em ensaios CRXO é crítica quando tamanhos informativos estão presentes. Os autores enfatizam que:

Estimadores IEE (com ponderação apropriada e erros padrão robustos, como o jackknife de um agrupamento de cada vez) são a abordagem mais robusta e confiável, pois são consistentemente válidos para seus estimandos alvo, independentemente das condições de tamanho informativo.
Estimadores NEME, frequentemente recomendados por sua capacidade de modelar estruturas de correlação complexas, devem ser usados com cautela ou evitados quando o objetivo é estimar estimandos marginais (iATE, cATE, etc.) na presença de tamanhos informativos, pois visam quantidades dependentes de dados e sem interpretação clara.
Estimadores EME e FE podem ser confiáveis, mas requerem suposições específicas (ex: tamanhos de agrupamento-período fixos dentro dos agrupamentos) para manter a consistência para os estimandos naturais.

Os autores concluem que os pesquisadores devem considerar simultaneamente o desenho do ensaio e o método de análise pretendido durante a fase de planejamento do estudo. Eles defendem a pré-especificação do estimando alvo e o uso de abordagens baseadas em IEE com estimativa de variância robusta para garantir inferência válida na presença de tamanhos informativos. O artigo não propõe novos testes estatísticos para detectar tamanhos informativos, mas sugere um framework qualitativo para avaliar o risco através de análises de sensibilidade comparando diferentes estimadores ponderados.

Mais como este