Resumo Técnico: Examinando a Eficácia do Emparelhamento Exato Coarsened (CEM) como uma Alternativa ao Emparelhamento por Escore de Propensão (PSM)

1. Definição do Problema

O Emparelhamento Exato Coarsened (CEM) é frequentemente promovido na pesquisa de eficácia comparativa como uma alternativa superior ao Emparelhamento por Escore de Propensão (PSM) para abordar o desequilíbrio de covariáveis, a dependência de modelo e o viés estatístico. Proponentes argumentam que o CEM melhora o PSM ao reduzir o "paradoxo do PSM", onde se afirma que o PSM aumenta o desequilíbrio e a dependência de modelo à medida que se aproxima do emparelhamento exato através da poda de pares mal emparelhados.

No entanto, este artigo argumenta que a recomendação de substituir o PSM pelo CEM é incerta e potencialmente falha devido a três questões principais:

1. Caracterização Incorreta de Exatidão: O CEM é frequentemente rotulado incorretamente como "emparelhamento exato". Na realidade, ele depende de variáveis coarsened (variáveis contínuas agrupadas ou dados categóricos agrupados), não das variáveis originais. Essa inexatidão inerente introduz um confundimento residual sistemático que não desaparece com o aumento do tamanho da amostra.
2. Interpretação Equivocada de Métricas de Desequilíbrio: Estudos anteriores que afirmam que o CEM supera o PSM na redução do desequilíbrio utilizam métricas como a distância de Mahalanobis. Essas métricas falham em distinguir entre desequilíbrio sistemático e variação aleatória (desequilíbrio por acaso). No PSM, as diferenças de covariáveis entre pares emparelhados com escores de propensão idênticos surgem por acaso e tendem a se cancelar à medida que o tamanho da amostra aumenta; contudo, o desequilíbrio do CEM é estrutural e persistente.
3. Dependência de Modelo e Dimensionalidade: Devido ao fato de o CEM deixar confundimento residual, a estimativa não enviesada exige uma modelagem de regressão pós-emparelhamento precisa da relação entre o desfecho e o confundidor. Isso aumenta a vulnerabilidade à especificação incorreta do modelo. Além disso, o CEM sofre com a "maldição da dimensionalidade" ao realizar o emparelhamento em muitas covariáveis, levando a uma perda substancial de dados, a menos que se utilize um coarsening agressivo, o que, por sua vez, exacerba o confundimento residual.

2. Metodologia

Estrutura Teórica e Pressupostos

O estudo opera sob os pressupostos padrão de inferência causal: Pressuposto de Valor de Unidade Estável do Tratamento (SUTVA), Ignorabilidade Condicional (Não-confundimento), Positividade e um modelo de desfecho linear (ou de interação).

• PSM: Utiliza o escore de propensão $e(X) = P(W=1|X)$, que possui a propriedade de escore de balanceamento ($W \perp\!\!\perp X | e(X)$) e ignorabilidade forte. O artigo postula que, em um design de PSM de emparelhamento exato, desequilíbrios de chance nas covariáveis não introduzem viés, e a estimativa não enviesada pode ser alcançada via simples diferença de médias sem modelagem do desfecho.
• CEM: Envolve uma etapa de "coarsening" onde variáveis contínuas são agrupadas em classes (bins) e variáveis categóricas são agrupadas para criar um vetor de menor dimensão $C$. O emparelhamento ocorre em valores exatos de $C$. Crucialmente, $C$ não é um estatístico suficiente para $X$ em relação à atribuição do tratamento, o que significa que $W \not\perp\!\!\perp X | C$. Isso resulta em um desequilíbrio sistemático dentro do estrato ($\delta_c \neq 0$) que persiste independentemente do tamanho da amostra.

Métricas Propostas

O artigo critica as métricas de desequilíbrio existentes (ex: distância de Mahalanobis, métricas $L_1$) por ignorarem a direção dos desequilíbrios de acaso, o que impede que elas tendam a zero em estudos de simulação.

• Nova Métrica: Os autores propõem uma métrica de desequilíbrio multivariada baseada na Diferença de Médias Padronizada (SMD). Esta métrica soma os valores absolutos das SMDs médias através de amostras simuladas, especificamente desenhada para capturar o desequilíbrio sistemático (que desvia de zero) versus o desequilíbrio por acaso (que média zero).

Design de Simulação

O estudo emprega um estudo de simulação abrangente comparando o CEM (usando coarsening "Auto" via regra de Sturges e coarsening "G3" em três grupos) contra o PSM (emparelhamento de vizinho mais próximo com um caliper de 0.2).

• Cenários:
  • Efeitos de Tratamento Homogêneos vs. Heterogêneos: Avaliando o desempenho sob efeitos de tratamento constantes e variáveis.
  • Especificação de Modelo: Testando o desempenho sob modelos de desfecho corretamente especificados e mal especificados (incluindo não linearidades e interações).
  • Dimensionalidade: Variando o número de confundidores ($p=2, 5, 7$) para avaliar a maldição da dimensionalidade.
  • Prevalência do Tratamento: Examinando taxas de tratamento baixas (10%) vs. altas (30%) para avaliar o viés na estimativa do Efeito Médio do Tratamento sobre os Tratados (PATT).
• Análise: O estudo avalia viés, variância e Erro Quadrático Médio (MSE) utilizando tanto análises não ajustadas (diferença de médias) quanto análises ajustadas (regressão com termos lineares).

3. Principais Contribuições e Resultados

1. Desequilíbrio Sistemático vs. Aleatório

• Achado: No PSM, o desequilíbrio de covariáveis entre pares emparelhados é aleatório e converge para zero conforme o número de pares aumenta. No CEM, o desequilíbrio é sistemático e impulsionado pelo processo de coarsening; ele não diminui com maiores tamanhos de amostra.
• Resultado: Análises não ajustadas (simples diferenças de médias) são substancialmente menos enviesadas sob PSM do que sob CEM. O CEM requer ajuste de regressão pós-emparelhamento para mitigar o confundimento residual, enquanto o PSM não exige estritamente tal ajuste para uma estimativa não enviesada sob a propriedade do escore de balanceamento.

2. Dependência de Modelo e Especificação Incorreta

• Achado: A dependência do CEM em relação às variáveis coarsened significa que a estimativa não enviesada está contingente à modelagem correta da relação entre o desfecho e os confundidores originais.
• Resultado: Quando o modelo de desfecho é mal especificado, o CEM apresenta um viés significativamente maior que o PSM. O artigo fornece uma proposição teórica (Proposição 1) demonstrando que, em um design de PSM de emparelhamento exato, uma classe de modelos lineares mal especificados (omitindo termos não lineares ou de interação) ainda pode produzir estimativas de ATT assintoticamente não enviesadas. Em contraste, o CEM permanece altamente sensível à especificação incorreta do modelo devido ao seu confundimento residual estrutural.

3. A Maldição da Dimensionalidade e Trocas de Coarsening

• Achado: À medida que o número de covariáveis aumenta, o CEM com coarsening fino (ex: "Auto") sofre de perda severa de dados (viés de esparsidade), levando a estimativas instáveis.
• Resultado: Aumentar o nível de coarsening (ex: "G3") mitiga a perda de dados, mas introduz maior confundimento residual e dependência de modelo. Consequentemente, em cenários de alta dimensionalidade, o CEM apresenta desempenho inferior ao PSM em termos de viés, variância e MSE, particularmente quando o modelo de desfornte é mal especificado.

4. Efeitos de Tratamento Heterogêneos

• Achado: Os padrões observados para efeitos homogêneos persistem sob efeitos de tratamento heterogêneos.
• Resultado: O PSM demonstra consistentemente menor viés e variância em comparação ao CEM, especialmente quando a prevalência do tratamento é alta e o modelo de desfecho é mal especificado. Estimadores analíticos no PSM superam os estimadores baseados em modelo no CEM sob especificação incorreta.

4. Significância e Alegações

O artigo conclui que o CEM não é uma alternativa viável ao PSM quando o emparelhamento é realizado em um grande número de covariáveis.

• Correção de Equívocos: O estudo desafia a visão predominante na literatura clínica de que o CEM mimetiza um experimento randomizado totalmente bloqueado ou é superior ao PSM na redução do desequilíbrio e da dependência de modelo. Ele esclarece que o CEM é um método de emparelhamento inexato que introduz viés estrutural.
• Orientação Metodológica: Os autores argumentam que as alegações de superioridade do CEM derivam frequentemente do uso de métricas de desequilíbrio inapropriadas (como a distância de Mahalanobis) que não consideram a variação de acaso. Quando avaliado com métricas apropriadas baseadas em SMD, o PSM demonstra um equilíbrio de covariáveis superior.
• Robustez: O PSM mostra-se mais robusto à especificação incorreta do modelo. Embora o CEM reduza a dependência de modelo em relação aos dados não emparelhados, ele permanece mais dependente da modelagem correta do desfecho do que o PSM.
• Limitações: O artigo reconhece que o PSM não é uma panaceia; ele não pode abordar o confundimento não medido e depende da especificação correta do modelo de escore de propensão. No entanto, dentro do escopo dos confundidores observados, o PSM oferece um framework mais robusto para reduzir o viés e a dependência de modelo do que o CEM, particularmente em cenários de alta dimensionalidade.

O estudo defende uma reavaliação do papel do CEM na pesquisa observacional, sugerindo que suas vantagens teóricas são frequentemente anuladas por limitações práticas relacionadas ao confundimento residual e à maldição da dimensionalidade.