📊 statistics

Simulating Complex Crossectional and Longitudinal Data using the simDAG R Package

Este artigo apresenta o pacote de R **simDAG**, uma ferramenta padronizada que simplifica a geração de dados transversais e longitudinais complexos ao utilizar equações estruturais em grafos acíclicos direcionados para suportar diversos tipos de dados, relações não lineares e dependências arbitrárias para estudos de simulação de Monte Carlo.

Autores originais: Robin Denz, Nina Timmesfeld

Publicado 2026-06-02

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Robin Denz, Nina Timmesfeld

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 chef tentando testar uma nova receita. Antes de servir o prato a clientes reais, você precisa saber se seus ingredientes funcionarão bem juntos. No mundo da estatística, os pesquisadores fazem o mesmo: eles realizam "simulações" para testar se suas receitas matemáticas (métodos estatísticos) funcionam corretamente. Para fazer isso, eles precisam criar dados falsos que pareçam e se comportem exatamente como o mundo real.

O problema? Criar esses dados falsos é como tentar construir um castelo de Lego complexo onde cada peça depende da anterior, e algumas peças mudam de forma com o tempo. É tedioso, propenso a erros e exige muita habilidade de programação.

Apresentamos o simDAG, uma nova ferramenta (um pacote de R) que atua como um "construtor de projetos inteligentes" para esses dados falsos. Veja como funciona, explicado de forma simples:

1. O Projeto: O DAG

Em vez de escrever milhares de linhas de código para gerar números, você desenha um mapa chamado Grafo Acíclico Dirigido (DAG - Directed Acyclic Graph).

Pense como uma árvore genealógica: Você tem uma "raiz" (como um pai) e "filhos" (variáveis que dependem do pai).
A Regra: As setas só vão em uma direção (do pai para o filho) e não há loops (você não pode ser seu próprio ancestral).
O que ele faz: Este mapa diz ao computador exatamente como as variáveis estão conectadas. Por exemplo: "Fumar causa Câncer de Pulmão" ou "A idade afeta tanto o Fumo quanto o Câncer de Pulmão".

2. A Receita: Equações Estruturais

Uma vez que você tenha o mapa, você precisa dizer ao computador como construir os dados. No simDAG, você anexa uma "receita" a cada nó (variável) do seu mapa.

Nós Raiz (O Início): São variáveis que não possuem pais (como o lançamento de uma moeda ou um número aleatório). Você apenas diz: "Faça este um número aleatório entre 0 e 1".
Nós Filhos (Os Dependentes): Estas variáveis dependem de outras. Você pode dizer: "Pegue o valor de 'Fumo' e adicione 20% para obter o 'Risco de Câncer de Pulmão'".
A Magia: Você não precisa ser um mestre da programação. Você pode usar fórmulas simples (como y = 2x + 5) ou até funções complexas. O pacote cuida do trabalho pesado de calcular os números com base no seu mapa.

3. A Máquina do Tempo: Dados Longitudinais

A maioria dos dados falsos é apenas um instantâneo (como uma foto). Mas, às vezes, os pesquisadores precisam de um filme (dados longitudinais) para ver como as coisas mudam ao longo do tempo.

O Jeito Antigo: Você tinha que desenhar um novo mapa para cada dia, semana ou ano. Se quisesse simular 100 dias, teria que desenhar 100 mapas separados. Isso era como desenhar uma história em quadrinhos à mão, quadro a quadro.
O Jeito simDAG: Ele utiliza uma Simulação de Tempo Discreto. Imagine uma esteira rolante movendo-se através do tempo. Em vez de desenhar cada quadro, você dá à máquina uma regra: "Cada vez que a esteira se mover, verifique se um evento acontece".
- Exemplo: Se você estiver simulando uma vacina, a máquina verifica todos os dias: "Esta pessoa foi vacinada? Se sim, o risco de efeitos colaterais aumenta nos próximos 20 dias?"
- Isso permite que pesquisadores simulem anos de dados (milhares de pontos temporais) para milhares de pessoas sem precisar redesenhar o mapa a cada vez.

4. Por que isso é importante

O artigo demonstra que o simDAG pode lidar com:

Ingredientes Mistos: Ele pode gerar números contínuos (como altura), categorias (como "sim/não"), contagens (como "número de visitas ao hospital") e dados de tempo até o evento (como "quanto tempo até um ataque cardíaco"), tudo na mesma simulação.
Relacionamentos Complexos: Ele lida com relações não lineares (onde dobrar a entrada não apenas dobra a saída) e interações (onde duas variáveis trabalham juntas para criar um terceiro efeito).
Replicação do Mundo Real: Os autores mostraram que conseguiram recriar os processos complexos de geração de dados de estudos científicos reais e publicados, provando que a ferramenta é poderosa o suficiente para pesquisas sérias.

A Ressalva (Custo Computacional)

O artigo admite que simular o tempo passo a passo é como assistir a um filme quadro a quadro; exige mais poder computacional do que apenas olhar para uma foto estática. No entanto, os autores construíram a ferramenta para ser muito rápida (usando um motor especial chamado data.table), de modo que possa ser executada em um computador de escritório padrão sem a necessidade de um supercomputador.

Em Resumo

simDAG é uma ferramenta que permite aos pesquisadores desenharem um mapa simples de como as variáveis estão conectadas e, em seguida, gera automaticamente dados falsos complexos e realistas com base nesse mapa. Ele transforma o processo difícil e manual de construir dados de simulação em um fluxo de trabalho simplificado e padronizado, tornando mais fácil para os cientistas testarem suas teorias e garantirem que seus métodos estatísticos estejam funcionando corretamente.

Resumo Técnico: Simulando Dados Complexos Transversais e Longitudinais utilizando o Pacote R `simDAG`

Declaração do Problema
Estudos de simulação de Monte Carlo são fundamentais para a pesquisa estatística para estimar tamanhos de amostra, comparar métodos e planejar ensaios clínicos. Um gargalo crítico nesses estudos é a geração de dados artificiais a partir de Processos de Geração de Dados (DGP, na sigla em inglês) complexos. Pesquisadores frequentemente necessitam de dados contendo múltiplas variáveis de diversos tipos (contínuas, binárias, contagens, tempo até o evento) com dependências causais intrincadas, relações não lineares e interações. Embora pacotes existentes em R facilitem a geração de dados sintéticos, eles frequentemente carecem de flexibilidade: pacotes de equações estruturais (ex: lavaan, simsem) tipicamente restringem os usuários a relações lineares e dados contínuos; pacotes especializados em tempo até o evento (ex: simsurv, survsim) frequentemente falham em suportar misturas arbitrárias de tipos de dados ou covariáveis variantes no tempo; e ferramentas de simulação geral podem carecer da sintaxe específica necessária para definições baseadas em DAGs causais. Além disso, gerar dados longitudinais com muitos pontos no tempo usando métodos tradicionais frequentemente exige definições de código repetitivas e trabalhosas para cada passo temporal, tornando simulações de larga escala computacional e praticamente inviáveis.

Metodologia
O artigo apresenta o simDAG, um pacote R projetado para padronizar a geração de dados transversais e longitudinais baseados em Grafos Acíclicos Dirigidos (DAGs). A metodologia baseia-se em três componentes principais:

Definição Baseada em DAG: Os usuários definem o DGP como um DAG causal onde os nós representam variáveis aleatórias e as arestas representam relações causais direcionadas. O pacote exige que o usuário especifique equações estruturais para cada nó, descrevendo sua distribuição condicional aos seus nós pais.
Ordenação Topológica e Geração: O pacote emprega um algoritmo passo a passo que realiza a ordenação topológica do DAG. Ele gera dados para os nós raiz (aqueles sem pais) amostrando de distribuições paramétricas especificadas ou funções definidas pelo usuário. Subsequentemente, gera dados para os nós filhos com base nos valores de seus pais e nas equações estruturais definidas.
Simulação de Tempo Discreto para Dados Longitudinais: Para abordar o desafio de dados longitudinais com muitos pontos no tempo, o simDAG implementa uma abordagem de simulação de tempo discreto. Em vez de definir um nó separado para cada ponto no tempo, os usuários definem um único nó variante no tempo usando a função node_td(). Este nó é simulado ao longo de um número especificado de passos de tempo ( $t$ $t$ ), permitindo a geração de dados de escala de tempo semicontínua. Esta abordagem suporta:
- Tipos de Dados Arbitrários: Suporte para variáveis binárias, categóricas, de contagem e contínuas, bem como dados de tempo até o evento.
- Dependências Complexas: Relações não lineares, interações e funções arbitrárias definidas pelo usuário para geração de probabilidade.
- Dinâmicas de Evento: Tipos de nós especializados (time_to_event, competing_events) que lidam com eventos recorrentes, riscos competitivos e covariáveis variantes no tempo através da realização de testes de Bernoulli ou multinomiais em cada passo de tempo.
- Transformação de Dados: A função sim2data() converte a saída interna da simulação em formatos padrão (largo, longo ou start-stop) adequados para análise de sobrevivência (ex: modelos de Cox com covariáveis variantes no tempo).

Principais Contribuições
A principal contribuição do artigo é o pacote simDAG, que oferece um framework unificado para geração de dados que preenche a lacuna entre modelagem de equações estruturais simples e simulação longitudinal complexa. As principais características incluem:

Sintaxe Padronizada: Uma interface de fórmula clara que permite aos usuários definir equações estruturais semelhantes a modelos de regressão padrão, suportando sintaxe de modelos mistos e funções customizadas.
Flexibilidade Longitudinal: A capacidade de simular dados longitudinais com centenas de pontos no tempo de forma eficiente, definindo equações estruturais temporais genéricas em vez de expandir manualmente o grafo para cada passo de tempo.
Tipos de Nós Abrangentes: Implementação de uma ampla gama de tipos de nós (Tabela 1 no artigo), incluindo funções especializadas para análise de sobrevivência (Cox, AFT, modelos paramétricos) e processos binários/categóricos variantes no tempo.
Reprodutibilidade e Transparência: Funções integradas (plot.DAG, summary.DAG) permitem a representação gráfica e textual do DAG subjacente e das equações estruturais, facilitando a documentação e a reprodutibilidade de estudos de simulação.

Resultos
Os autores demonstram as capacidades do pacote replicando os DGPs de múltiplos estudos de simulação de Monte Carlo reais:

Dados Transversais: O pacote replicou com sucesso um DGP complexo de Denz et al. (2023a) envolvendo seis covariáveis (binárias e contínuas), uma variável de tratamento e um desfecho de tempo até o evento com censura à direita, contendo termos não lineares e interações.
Dados Longitudinais (Poucos Pontos no Tempo): O pacote replicou um estudo de Gruber et al. (2015) envolvendo tratamento e confundidores variantes no tempo, demonstrando a capacidade de lidar com efeitos defasados (lagged effects) e múltiplos pontos no tempo usando chamadas node() padrão.
Dados Longitudinais (Muitos Pontos no Tempo): Os autores simularam um cenário complexo envolvendo vacinação contra Covid-19 e eventos recorrentes de miocardite ao longo de 730 dias (2 anos). Isto demonstrou a capacidade da abordagem de tempo discreto em lidar com probabilidades dependentes do tempo, períodos de imunidade e eventos recorrentes. Os dados resultantes foram transformados com sucesso para o formato start-stop e analisados usando um modelo de riscos proporcionais de Cox, produzindo uma razão de risco consistente com o risco relativo especificado.
Desempenho Computacional: Benchmarks indicam que, embora a simulação de tempo discreto seja computacionalmente intensiva, a dependência do pacote do pacote data.table e da gestão otimizada de memória permite a geração de grandes conjuntos de dados (ex: 10.000 indivíduos sobre 730 pontos no tempo) em tempos razoáveis (aprox. 1,11 segundos para uma configuração específica em uma CPU padrão). O tempo de execução escala não linearmente com o número de pontos no tempo devido às iterações de loop, mas linearmente com o número de indivíduos devido às operações vetorizadas.

Significância e Alegações
O artigo afirma que o simDAG fornece uma "abordagem padronizada" para gerar dados complexos, reduzindo significativamente a carga de programação e a expertise necessária para implementar DGPs sofisticados. Os autores enfatizam que o pacote é particularmente adequado para estudos de simulação envolvendo inferência causal devido à sua fundação em DAG, mas não se limita a este campo.

A significância do trabalho reside em sua capacidade de:

Automatizar Fluxos de Trabalho Complexos: Permite que pesquisadores definam dependências arbitrárias e tipos de dados sem escrever algoritmos de simulação customizados do zero.
Viabilizar Simulações de Tempo Discreto: Torna a geração de dados longitudinais com escalas de tempo de alta resolução viável para estudos de Monte Carlo padrão, uma tarefa muitas vezes evitada devido à complexidade computacional ou dificuldade de codificação.
Aumentar a Reprodutibilidade: Ao formalizar o DGP como um DAG com equações estruturais explícitas, o pacote auxilia na transparência do relato de estudos de simulação.

Os autores reconhecem modestamente as limitações, observando que a simulação de tempo discreto é inerentemente mais custosa computacionalmente do que métodos de simulação de evento discreto. Eles também notam que, embora o pacote suporte a geração de dados que mimetizam conjuntos de dados existentes via dag_from_data(), pacotes dedicados como o simPop podem ser preferíveis para esse caso de uso específico. O artigo conclui que o simDAG preenche uma lacuna crítica no ecossistema R para geração de dados flexível, causalmente consciente e longitudinal.