Inverse Probability Weighting of Count Exposures in the Presence of Missing Data: A Simulation Study

Resumo Técnico: Inversão de Probabilidade de Tratamento (IPTW) para Exposições de Contagem com Dados Faltantes

1. O Problema

Estudos observacionais são fundamentais para inferência causal na saúde, mas sofrem de viés de confusão. O Inverso da Probabilidade de Tratamento (IPTW) é um método amplamente utilizado para reduzir esse viés, criando uma pseudo-população onde a exposição é independente dos confundidores medidos.
No entanto, existem duas lacunas críticas na literatura atual:

1. Exposições de Contagem: A maioria das diretrizes e estudos de IPTW foca em exposições binárias. Exposições de contagem (números inteiros não negativos, como número de sintomas, visitas hospitalares ou doses de medicação) apresentam desafios distribucionais específicos (sobre-dispersão, excesso de zeros, truncamento) que tornam a especificação do modelo de propensão difícil e a estimação de pesos instável.
2. Dados Faltantes: Em dados reais, dados faltantes são comuns. Embora a Imputação Múltipla (MI) seja o padrão-ouro para lidar com dados faltantes sob o mecanismo "Missing at Random" (MAR), é pouco claro como a combinação de IPTW com MI (usando a abordagem "dentro da imputação") se comporta especificamente para exposições de contagem.

2. Metodologia

Os autores realizaram um estudo de simulação abrangente, informado por um exemplo real usando a British Cohort Study de 1970 (BCS70). O objetivo era estimar o efeito do sofrimento psicológico (contagem de sintomas aos 34 anos) na presença de doenças crônicas aos 42 anos.

Desenho da Simulação:

• Geração de Dados: Foram gerados 2.000 conjuntos de dados com 5.000 observações cada.
• Distribuições de Exposição: Duas Mecanismos de Geração de Dados (DGM) foram testados:
  1. Distribuição Binomial Negativa Truncada (com sobre-dispersão, simulando dados reais de contagem).
  2. Distribuição de Poisson Truncada (sem sobre-dispersão).
• Mecanismos de Dados Faltantes:
  • MCAR (Missing Completely at Random): A falta de dados é independente de qualquer variável.
  • MAR (Missing at Random): A probabilidade de falta depende de variáveis observadas.
  • Níveis de falta: 20%, 40% e 60% de linhas incompletas.
• Métodos de IPTW Comparados: Cinco abordagens para estimação de pesos foram avaliadas:
  1. Binning Multinomial: Agrupamento da contagem em categorias e uso de regressão multinomial.
  2. CBPS (Covariate Balancing Propensity Score): Versão paramétrica que otimiza o equilíbrio de covariáveis.
  3. npCBPS: Versão não paramétrica do CBPS.
  4. GBM (Generalised Boosted Models): Uso de boosting para modelar flexivelmente a relação exposição-covariável.
  5. Energy Balancing: Minimização da distância de energia entre distribuições ponderadas e originais.
• Análise de Dados Faltantes: Utilizou-se Imputação Múltipla por Equações em Cadeia (MICE) combinada com a abordagem "dentro da imputação" (estimar pesos e efeitos em cada conjunto imputado e depois agrupar as estimativas usando as regras de Rubin).
• Métricas de Desempenho: Viés, cobertura de intervalos de confiança, Tamanho de Amostra Efetivo (ESS), equilíbrio de covariáveis e tempo computacional.

3. Contribuições Chave

• Avaliação Específica para Contagens: Preenche a lacuna de conhecimento sobre como métodos modernos de IPTW (como CBPS, GBM e Energy Balancing) se comportam com distribuições de contagem complexas e truncadas.
• Integração com Imputação Múltipla: Fornece evidências empíricas sobre a viabilidade de combinar IPTW com MI para exposições de contagem, um cenário comum em coortes longitudinais.
• Análise de Trade-offs: Compara detalhadamente o desempenho estatístico (viés/variância) versus o custo computacional de cada método.

4. Resultados Principais

A. Dados Completos (Sem Falta):

• Métodos de Alto Desempenho: Multinomial, CBPS, GBM e Energy Balancing produziram estimativas com viés baixo (<3%) e cobertura próxima do nominal (95%).
• Desempenho Pobre do npCBPS: O método npCBPS falhou consistentemente, apresentando viés significativo (-15% a -26%) e cobertura inadequada. Isso foi causado pela geração de pesos extremos, resultando em um Tamanho de Amostra Efetivo (ESS) muito baixo e alta variabilidade.
• Winsorização: A aplicação de winsorization (corte) nos pesos no percentil 99 teve impacto modesto nos métodos de bom desempenho, mas melhorou significativamente o desempenho do npCBPS (embora ainda inferior aos outros).

B. Dados Faltantes (MCAR e MAR):

• MCAR: Os métodos Multinomial, CBPS, GBM e Energy mantiveram baixo viés mesmo com 60% de dados faltantes. O npCBPS manteve seu viés negativo.
• MAR: Observou-se um aumento no viés à medida que a falta de dados aumentava, tanto para os métodos IPTW quanto para a regressão ajustada.
  • Descoberta Crucial: O aumento do viés sob MAR não foi causado pelo método de ponderação em si, mas sim pela imputação da exposição de contagem. O modelo de imputação padrão (Predictive Mean Matching) teve dificuldade em lidar com a cauda direita truncada e sobre-dispersa das contagens, gerando erros de imputação que afetaram todas as abordagens subsequentes.
  • Quando a exposição foi mantida totalmente observada (e apenas confundidores/outcomes tinham falta), o viés foi baixo para todos os métodos, confirmando que o problema estava no modelo de imputação, não no IPTW.

C. Eficiência e Custo Computacional:

• CBPS foi o método mais rápido.
• Multinomial foi rápido e eficiente.
• GBM foi mais lento, mas viável.
• Energy Balancing foi extremamente lento (mais de 1000 vezes mais lento que o CBPS em alguns casos) e resultou em maior perda de precisão (menor ESS).
• npCBPS foi computacionalmente pesado e estatisticamente instável.

5. Significado e Conclusões

O estudo conclui que:

1. Recomendação de Métodos: Para exposições de contagem, os métodos Multinomial (com binning), CBPS paramétrico e GBM são as abordagens mais robustas, oferecendo bom equilíbrio entre viés, precisão e custo computacional.
2. Aviso sobre npCBPS: O uso de npCBPS não é recomendado para dados de contagem neste contexto, devido à sua tendência de gerar pesos extremos e instáveis, a menos que haja uma estratégia rigorosa de contenção de pesos (como winsorization), mesmo assim com desempenho inferior.
3. Desafio de Imputação: A principal limitação ao combinar IPTW com MI para contagens não é o método de ponderação, mas a especificação do modelo de imputação. Modelos padrão podem falhar em capturar a estrutura de sobre-dispersão e truncamento de dados de contagem, introduzindo viés sob mecanismos MAR.
4. Aplicação Prática: O estudo valida a aplicação dessas técnicas em coortes reais (como a BCS70), mostrando que, com os métodos adequados (excluindo npCBPS), é possível obter estimativas causais confiáveis de exposições de contagem, desde que se verifique o equilíbrio das covariáveis e se considere cuidadosamente a estratégia de imputação para dados faltantes.

Em suma, o trabalho fornece um guia prático e evidências robustas para pesquisadores que desejam utilizar IPTW em cenários complexos de dados de contagem com incompletude, destacando a importância de escolher o algoritmo de ponderação correto e de aprimorar os modelos de imputação para contagens.