Efficient Targeted Maximum Likelihood Estimators for Two-Phase Design Problems

Resumo Técnico: Estimadores Eficientes de Máxima Verossimilhança Alvo para Problemas de Desenho em Duas Fases

1. O Problema e o Contexto

O artigo aborda a estimação de parâmetros causais (especificamente o Efeito Médio do Tratamento - ATE) em desenhos de amostragem em duas fases.

• Fase 1: Uma amostra aleatória é retirada da população-alvo, onde apenas um subconjunto de variáveis ($V$, incluindo covariáveis básicas $W_1$, tratamento $A$ e desfecho $Y$) é observado para todos os indivíduos.
• Fase 2: Um subconjunto da coorte da Fase 1 é selecionado para medição adicional de variáveis mais caras ou complexas ($W_2$).
• Desafio: Os dados completos ($X = (W_1, W_2, A, Y)$) só estão disponíveis para a subamostra da Fase 2. Isso cria uma estrutura de dados "alargada" (coarsened).
• Hipótese: Assume-se Alargamento Aleatório (Coarsening at Random - CAR), onde o mecanismo de seleção para a Fase 2 ($\Delta$) depende apenas das variáveis totalmente observadas na Fase 1 ($V$).
• Objetivo: Estimar o parâmetro causal $\Psi = E[Y_1 - Y_0]$ de forma eficiente e robusta, utilizando toda a informação disponível, mesmo com dados faltantes em $W_2$.

2. Metodologia e Revisão de Estimadores Existentes

Os autores revisam e analisam a estrutura de vários estimadores existentes e propõem novos métodos dentro do quadro de Máxima Verossimilhança Alvo (TMLE - Targeted Maximum Likelihood Estimation).

Estimadores Revisados:

1. IPCW-TMLE (Inverse Probability of Censoring Weighted TMLE): O método padrão que pondera os dados da Fase 2 pelo inverso da probabilidade de seleção ($\Delta/\Pi(V)$) e aplica o TMLE para o modelo de desfecho.
2. IPCW-TMLE com Alvo no Mecanismo de Seleção ($\Pi$): Uma extensão iterativa que também "mira" (targeting) o mecanismo de seleção $\Pi$ para melhorar a eficiência, resolvendo a equação de pontuação associada ao componente de $\Pi$ da Curva de Influência Eficiente (EIC).
3. Generalized Raking (GR): Um método popular que calibra pesos para satisfazer equações de calibração.
   • Crítica do Artigo: O estimador de Raking, quando combinado com regressão paramétrica, visa o estimando do censo (baseado no modelo de trabalho paramétrico), e não necessariamente o estimando causal não paramétrico. O artigo demonstra via simulação que, se o modelo de desfecho estiver mal especificado, o Raking perde consistência para o estimando causal, resultando em viés e cobertura de intervalo de confiança inadequada, mesmo que o modelo de seleção esteja correto.

Novas Proposições (Seções 4 e 5):
Os autores introduzem uma nova classe de estimadores que são assintoticamente equivalentes, mas construídos de formas distintas:

1. EEE (Efficient Estimating-Equation Estimator):

   • Baseia-se em uma reorganização da representação A-IPCW da EIC.
   • Resolve a média empírica da EIC diretamente.
   • Limitação: Não é um estimador "plug-in" (não respeita as fronteiras do espaço de parâmetros, como probabilidades entre 0 e 1).

2. Quasi-TMLE:

   • Uma versão "plug-in" do EEE.
   • Constrói um submodelo unidimensional para garantir que a estimativa final seja uma função das estimativas alvo dos componentes de nuisance, mantendo a propriedade de plug-in do TMLE.

3. TMLE Alternativo (Seção 5):

   • Utiliza uma representação alternativa do parâmetro alvo: $\Psi(P) = E_{V} E_{X|V} [Q(1, W) - Q(0, W) | \Delta=1, V]$.
   • Deriva uma nova decomposição da EIC (gradiente canônico) que sugere um procedimento de TMLE iterativo que mira sequencialmente os componentes de $Q$ (desfecho), $\Pi$ (seleção) e $\Gamma$ (distribuição condicional), resolvendo as equações de pontuação para cada um.

3. Contribuições Principais

• Novos Estimadores: Proposta do Quasi-TMLE e do TMLE Alternativo, que oferecem propriedades de "plug-in" e robustez, sendo assintoticamente equivalentes aos métodos existentes, mas com vantagens teóricas e práticas.
• Análise de Robustez do Raking: Demonstração teórica e empírica de que o estimador de Raking padrão falha em estimar consistentemente o estimando causal não paramétrico se o modelo de desfecho estiver mal especificado, ao contrário dos estimadores TMLE que possuem dupla robustez.
• Estrutura do Termo de Resto Exato: Análise detalhada do termo de resto exato ($R(P, P_0)$) para os novos estimadores, mostrando que a eficiência assintótica depende de produtos de erros de convergência de segunda ordem (ex: erro de $\Pi$ vezes erro de $Q$), permitindo que um componente seja estimado mais lentamente se o outro for muito preciso.
• Eficiência Computacional: Discussão sobre como linearizar submodelos para reduzir o custo computacional de iterações no TMLE com alvo duplo ($Q$ e $\Pi$).

4. Resultados das Simulações

Os autores realizaram simulações extensas comparando os estimadores (Raking, A-IPCW, IPCW-TMLE, Quasi-TMLE, TMLE Alternativo, etc.) em dois cenários:

1. Cenário de Dupla Robustez (Modelos Mal Especificados):

   • Quando o mecanismo de seleção ($\Pi$) é conhecido (ou corretamente especificado) mas o modelo de desfecho ($Q$) é mal especificado:
     • O Raking apresentou viés alto e cobertura de IC decrescente à medida que o tamanho da amostra aumentava (falha em estimar o parâmetro causal).
     • Todos os estimadores baseados em TMLE (incluindo EEE e Quasi-TMLE) mantiveram viés próximo de zero e cobertura nominal (~95%), demonstrando a propriedade de dupla robustez.
   • Propriedade Plug-in: Estimadores "plug-in" (Quasi-TMLE, TMLE) geralmente apresentaram menor Erro Quadrático Médio (MSE) em amostras finitas comparados aos não-plug-in (A-IPCW, EEE).

2. Cenário Realista (Todas as Nuisance Functions Estimadas):

   • Usando Super Learner para estimar todas as funções de nuisance sem conhecimento prévio.
   • O Raking continuou a ter problemas de controle de viés/erro padrão e cobertura reduzida, mesmo quando a diferença entre o estimando causal e o do censo era pequena.
   • Os estimadores IPCW-TMLE com alvo em $\Pi$ e o TMLE Alternativo mostraram ganhos de eficiência (menor variância) em comparação com o IPCW-TMLE padrão.
   • O Quasi-TMLE e o TMLE Alternativo mantiveram desempenho robusto e cobertura correta.

5. Significado e Conclusão

O artigo estabelece que, para desenhos em duas fases, a abordagem TMLE é superior ao Raking tradicional quando o objetivo é a inferência causal não paramétrica, devido à sua garantia de consistência sob mal especificação de modelos (dupla robustez) e respeito às fronteiras do espaço de parâmetros (propriedade plug-in).

• Recomendação Prática: Os autores sugerem o uso de estimadores que combinam a propriedade de plug-in com a eficiência de mirar tanto o modelo de desfecho quanto o mecanismo de seleção. O Quasi-TMLE e o TMLE Alternativo são apresentados como soluções robustas que equilibram eficiência assintótica e desempenho em amostras finitas.
• Futuro: O trabalho aponta para a necessidade de desenvolver estratégias de ensemble (combinação de estimadores) para selecionar automaticamente o melhor estimador entre variantes assintoticamente equivalentes em contextos específicos, e a exploração de métodos de imputação para aproveitar melhor os dados da Fase 1.

Em suma, o artigo fornece um arcabouço teórico sólido e ferramentas práticas para melhorar a eficiência e a robustez na análise de dados complexos de estudos em duas fases, superando as limitações de métodos de ponderação tradicionais como o Raking.