Causal Effect Estimation with TMLE: Handling Missing Data and Near-Violations of Positivity

Resumo Técnico: Estimativa de Efeito Causal com TMLE: Tratamento de Dados Ausentes e Violações Próximas da Positividade

Declaração do Problema
Estudos observacionais que investigam efeitos de tratamento frequentemente encontram dados ausentes em múltiplas variáveis (exposição, desfecho e confundidores). Embora a Estimativa de Máxima Verossimilhança Direcionada (TMLE) seja um método robusto para estimar Efeitos Médios de Tratamento (ATE) devido às suas propriedades de dupla robustez, seu desempenho em conjunto com diversas estratégias de tratamento de dados ausentes permanece incerto, particularmente sob mecanismos complexos de ausência e violações da suposição de positividade. Violações de positividade — onde certos subgrupos têm probabilidade próxima de zero de receber um tratamento — podem impactar severamente a identificabilidade causal. Além disso, a recuperabilidade do ATE depende fortemente do mecanismo específico de ausência, frequentemente conceptualizado por meio de grafos acíclicos direcionados de ausência (m-DAGs). Há uma necessidade de avaliar sistematicamente como diferentes métodos de dados ausentes (tanto não-imputação múltipla quanto imputação múltipla) se comportam quando acoplados ao TMLE através de variados graus de violações de positividade e complexidades de dados.

Metodologia
Os autores empregaram uma estrutura de simulação dual para avaliar oito métodos de dados ausentes combinados com TMLE:

1. Simulações Baseadas em Modelos:

   • Processos Geradores de Dados (DGPs): Cinco DGPs distintos foram construídos, aumentando progressivamente em complexidade (incorporando variáveis binárias, contínuas, categóricas e distribuídas gama, bem como cópulas Gaussianas para interdependências).
   • Violações de Positividade: Três níveis de violação de positividade foram induzidos (Nível 1: ≤1%, Nível 2: ~10%, Nível 3: ~30%) manipulando coeficientes de interação no modelo de exposição.
   • Mecanismos de Ausência: Cinco m-DAGs (A–E) foram utilizados para representar cenários Ausentes Completamente ao Acaso (MCAR), Ausentes ao Acaso (MAR) e Ausentes Não ao Acaso (MNAR). Estes incluíram mecanismos onde a ausência dependia da exposição, do desfecho ou de outras variáveis incompletas.
   • Métodos Avaliados:
     • Não-IM: Análise de Caso Completo (CC), TMLE Estendido (incorporando um modelo de ausência do desfecho) e TMLE Estendido com Indicador de Ausência de Covariável Ausente (Ext MCMI).
     • Imputação Múltipla (IM): Correspondência de Média Preditiva (PMM), PMM com termos de interação (Int), Árvores de Classificação e Regressão (CART), Floresta Aleatória (RF) e Normal Multivariada Conjunta (Amelia).
   • Análise: TMLE com SuperLearner (aprendizado de conjunto) foi utilizado para estimação, com truncamento do escore de propensão aplicado para mitigar pesos extremos.

2. Simulações Baseadas em Desenho:

   • Para preencher a lacuna entre modelos teóricos e realidade empírica, os autores utilizaram dados do estudo 'WASH Benefits Bangladesh'.
   • Um Lasso Altamente Adaptativo (HAL) sub-suavizado foi empregado para modelar flexivelmente as distribuições condicionais de exposição e desfecho, capturando dependências complexas sem suposições paramétricas estritas.
   • Conjuntos de dados sintéticos foram gerados via bootstrap a partir dos ajustes do HAL, e a ausência foi induzida de acordo com as mesmas estruturas de m-DAG utilizadas nas simulações baseadas em modelos.

Principais Contribuições e Resultados
O estudo fornece uma comparação abrangente de viés, Erro Quadrático Médio Raiz (RMSE) e cobertura de intervalo de confiança através desses cenários:

• Recuperabilidade e Viés:

  • Em cenários recuperáveis (m-DAGs A, B e C sob violações de positividade baixas a moderadas), Caso Completo (CC) e TMLE Estendido (Ext) geralmente exibiram o menor viés.
  • Ext (incorporando um modelo de ausência do desfecho) provou ser o método não-IM mais robusto em ambos os tipos de simulação.
  • Ext MCMI desempenhou mal nas simulações baseadas em modelos (maior viés), mas performou comparavelmente ao CC e Ext na simulação baseada em desenho.
  • Em cenários não recuperáveis (m-DAGs D e E), nenhum método produziu estimativas não viciadas, embora as magnitudes de viés variassem.

• Impacto das Violações de Positividade:

  • À medida que as violações de positividade aumentaram, o viés geralmente aumentou para todos os métodos.
  • Métodos não-IM (CC e Ext) tenderam a manter viés menor do que métodos IM à medida que a positividade piorava, provavelmente porque métodos IM dependem de extrapolação além do suporte de dados observados.
  • No entanto, métodos não-IM sofreram de subcobertura (intervalos de confiança falhando em capturar o parâmetro verdadeiro) sob violações severas de positividade.

• Desempenho da Imputação Múltipla:

  • IM CART (Árvores de Classificação e Regressão) emergiu como uma estratégia IM superior. Alcançou o menor RMSE e manteve taxas de cobertura mais próximas do nível nominal de 95% em todos os cenários, incluindo configurações não recuperáveis com violações severas de positividade.
  • IM Paramétrica (PMM, Int, Amelia) geralmente mostrou viés e RMSE mais altos, particularmente sob violações severas de positividade, devido a suposições de modelo restritivas e problemas de extrapolação.
  • IM RF (Floresta Aleatória) mostrou desempenho inconsistente, performando bem em alguns DGPs complexos, mas mal em outros, frequentemente exibindo viés maior do que IM CART.

• Compensações:

  • Existe uma clara compensação entre viés e cobertura. Métodos não-IM (especificamente Ext) são preferidos para redução de viés em configurações recuperáveis, mas arriscam subcobertura. IM CART é preferido quando intervalos de confiança precisos (cobertura) são a prioridade, mesmo na presença de violações de positividade.

Significado e Alegações
O artigo alega oferecer orientação prática para pesquisadores lidando com dados ausentes em inferência causal, particularmente em estudos de exposição pontual epidemiológicos. Os autores enfatizam que:

1. Recuperabilidade é condicional: Estimação não viciada é possível sob certos mecanismos MNAR (por exemplo, m-DAG C) sem exigir a suposição estrita de MAR, desde que condições específicas sejam atendidas.
2. Seleção de método depende do objetivo: Se o objetivo principal é a redução de viés em configurações recuperáveis, TMLE Estendido é recomendado. Se a prioridade é obter intervalos de confiança válidos (cobertura), IM com CART é recomendado, pois demonstra robustez contra violações de positividade e estruturas de dados complexas.
3. Positividade importa: A severidade das violações de positividade influencia significativamente a escolha do método; métodos não-IM são mais robustos ao viés nestes cenários, enquanto métodos IM (especificamente CART) preservam melhor a validade do intervalo.

Os autores concluem que, embora o TMLE forneça um forte quadro analítico, a escolha da estratégia de tratamento de dados ausentes é crítica e deve estar alinhada com o mecanismo específico de ausência (avaliado via m-DAGs) e a severidade das violações de positividade. Eles recomendam TMLE Estendido para redução de viés e IM CART para estimação precisa de intervalos.