Optimal two-phase sampling designs for generalized raking estimators with multiple parameters of interest

Título: Projetos de Amostragem de Duas Fases Ótimos para Estimadores de Raking Generalizado com Múltiplos Parâmetros de Interesse

1. Problema e Contexto

Grandes conjuntos de dados observacionais, como os derivados de Prontuários Eletrônicos de Saúde (EHR), são recursos valiosos para a pesquisa médica, mas frequentemente sofrem de problemas de dados ausentes, erros de medição e má classificação.

• Abordagem Comum: A amostragem de duas fases é uma estratégia eficiente onde dados baratos (Fase 1) são coletados para toda a coorte, e uma subamostra (Fase 2) recebe medições de alta qualidade (validação).
• Desafio Atual: A literatura anterior focou principalmente em otimizar o desenho da Fase 2 para um único parâmetro de interesse ou para estimadores de ponderação por probabilidade inversa (IPW).
• Lacuna: Existe uma necessidade crescente de estimar múltiplos parâmetros simultaneamente em um único estudo. Além disso, os métodos ótimos para estimadores IPW podem não ser ótimos para estimadores de Raking Generalizado (GR), especialmente quando há múltiplos parâmetros com diferentes níveis de correlação entre as variáveis da Fase 1 e os dados de validação.

2. Metodologia

Os autores propõem e avaliam estratégias de amostragem estratificada adaptativa (multionda) para estimadores baseados em desenho (IPW e GR) quando há um vetor de parâmetros de interesse $\beta = (\beta_1, ..., \beta_P)^T$.

Conceitos Fundamentais:

• Estimadores: Utilizam-se estimadores IPW (Horvitz-Thompson) e GR (que calibra os pesos para coincidir com totais populacionais conhecidos de variáveis auxiliares). O GR é assintoticamente equivalente a estimadores aumentados (AIPW) e geralmente mais eficiente.
• Funções de Influência: A otimização baseia-se na minimização da variância das funções de influência ($h_i$) dos estimadores.
• Abordagem Multionda: A Fase 2 é dividida em ondas (waves). Dados coletados em ondas anteriores informam a alocação das ondas subsequentes, permitindo a reestimativa de parâmetros de nuisance (como variâncias dentro das estratos).

Estratégias de Alocação Propostas:

1. Alocação Independente Simultânea: Calcula-se a alocação ótima (Neyman ou Neyman-Wright) para cada parâmetro individualmente em cada onda e soma-se as alocações.
2. Alocação Sequencial: Em cada onda, otimiza-se a alocação para apenas um parâmetro, alternando entre os parâmetros de interesse nas ondas subsequentes.
3. A-Optimalidade Priorizada (Contribuição Central):
   • Objetivo: Minimizar a soma ponderada das variâncias dos estimadores ($\text{trace}(\text{Var}(\hat{\beta}))$).
   • Derivação: Os autores estendem o algoritmo exato de inteiros de Wright (originalmente para um parâmetro) para o caso multivariado.
   • Fórmula: A alocação ótima contínua segue a alocação de Neyman, mas substituindo o desvio padrão único por $\sqrt{\sum a_p \sigma^2_{p,k}}$, onde $a_p$ são pesos de prioridade e $\sigma^2_{p,k}$ são as variâncias dentro das estratos para cada parâmetro.
   • Extensão para GR: Para estimadores GR, a estratégia utiliza os resíduos da regressão das funções de influência sobre as variáveis de raking ($h^*$) para calcular a alocação, reconhecendo que a eficiência do GR depende da correlação entre $h$ e $h^*$.

3. Resultados Principais

Os autores realizaram extensas simulações (cenários com diferentes níveis de erro de medição e correlação entre parâmetros) e validaram os métodos com dados reais do Estudo de HIV da Vanderbilt Comprehensive Care Clinic (VCCC).

• Eficiência do GR vs. IPW: Os estimadores GR superaram consistentemente os IPW em todas as estratégias de amostragem. O ganho de eficiência foi maior em desenhos não ótimos (caso-controle) e em cenários de baixo erro de medição.
• Desempenho das Estratégias de Alocação:
  • A A-Optimalidade (Estratégia 5) geralmente produziu a menor soma de variâncias, superando ou empatando com as outras estratégias.
  • A alocação Simultânea (Estratégia 2) teve desempenho muito próximo da A-Optimalidade.
  • Estratégias Sequenciais (Estratégias 3 e 4) mostraram-se menos eficientes globalmente, pois tendem a sacrificar a eficiência de um parâmetro (otimizado nas primeiras ondas) para beneficiar o parâmetro otimizado nas ondas finais.
• Divergência entre IPW e GR: Um achado crucial é que, no cenário de múltiplos parâmetros, o desenho ótimo para IPW pode diferir substancialmente do desenho ótimo para GR.
  • Exemplo: Se um parâmetro tem variáveis da Fase 1 altamente correlacionadas com a verdade (alto ganho com raking) e outro tem baixa correlação, o desenho ótimo para GR priorizará o parâmetro com baixa correlação (onde o desenho importa mais), enquanto o desenho para IPW poderia ignorar essa nuance.
• Estudo de Caso (VCCC):
  • Dados: 1.595 pacientes com HIV, avaliando dois desfechos: Morte e Eventos Definidores de AIDS (ADE).
  • Cenário: O erro de medição no EHR era alto para ADE (34,5% de erro de tempo, 10,8% de status) e baixo para Morte.
  • Resultado: O raking foi extremamente eficaz para o modelo de Morte (redução de 88-95% na variância) mas pouco eficaz para ADE.
  • Conclusão do Exemplo: O desenho A-ótico baseado em GR reconheceu que o raking já resolveria a variância de "Morte" e, portanto, alocou a amostragem para minimizar a variância de "ADE" (onde o desenho era crítico). Desenhos otimizados apenas para IPW falharam em capturar esse trade-off, resultando em maior variância total.

4. Contribuições Chave

1. Extensão Teórica: Derivação de projetos de amostragem adaptativos e multionda ótimos para estimadores GR com múltiplos parâmetros.
2. Algoritmo Inteiro-A-Ótimo: Desenvolvimento de um algoritmo de alocação exata (baseado em Wright) para múltiplos parâmetros que respeita restrições de tamanho de estrato e número inteiro de amostras.
3. Reconhecimento da Divergência: Demonstração de que otimizar para IPW não é suficiente quando se usa GR em estudos multivariados, especialmente com erros de medição heterogêneos.
4. Implementação Prática: Integração das novas estratégias de alocação A-ótica no pacote R optimall.

5. Significado e Implicações

Este trabalho fornece diretrizes práticas para pesquisadores que utilizam grandes bancos de dados observacionais com dados imperfeitos.

• Eficiência de Recursos: Permite maximizar a precisão estatística com orçamentos de validação limitados (Fase 2).
• Tomada de Decisão: Recomenda o uso de estratégias de A-Optimalidade adaptativa em vez de simples divisões de amostra ou otimizações sequenciais arbitrárias.
• Futuro: Abre caminho para o uso de critérios de otimalidade mais complexos (como D-otimalidade ou E-otimalidade) e estratificação ótima dinâmica em estudos de duas fases.

Em resumo, o artigo demonstra que a combinação de amostragem adaptativa multionda, estimadores de Raking Generalizado e alocação A-ótica oferece o melhor desempenho para estudos que visam estimar múltiplos parâmetros a partir de dados com erros de medição.