Overcoming Selection Bias in Statistical Studies With Amortized Bayesian Inference

Título: Superando o Viés de Seleção em Estudos Estatísticos com Inferência Bayesiana Amortizada

1. O Problema: Viés de Seleção e Limitações dos Métodos Atuais

O viés de seleção ocorre quando a probabilidade de uma observação entrar em um conjunto de dados depende de variáveis relacionadas às quantidades de interesse (como covariáveis não observadas, resultados ou estados latentes). Isso leva a distorções sistemáticas na estimação e na quantificação da incerteza.

• Contexto: Em estudos epidemiológicos, de farmacologia ou econômicos, a falta de representatividade da amostra (ex.: indivíduos infectados serem mais propensos a participar de um estudo) pode resultar em estimativas de prevalência ou incidência enviesadas.
• Limitações das Abordagens Clássicas: Métodos tradicionais, como ponderação por probabilidade inversa (IPW), correção de Heckman ou modelos baseados em verossimilhança explícita, dependem de verossimilhanças tratáveis (analiticamente solúveis). Isso os torna inviáveis em modelos estocásticos complexos com dinâmicas latentes, interações não lineares ou estados ocultos de alta dimensão.
• Limitações da Inferência Baseada em Simulação (SBI) Atual: Embora a SBI permita a inferência bayesiana sem verossimilhanças tratáveis, a maioria dos métodos assume que os dados observados são realizações não enviesadas do processo gerador. Quando o mecanismo de seleção não é explicitamente modelado no simulador, a aplicação de SBI a dados selecionados resulta em estimativas posteriores enviesadas e incertezas mal calibradas.

2. Metodologia: Inferência Bayesiana Amortizada Consciente do Viés

Os autores propõem um novo framework que integra explicitamente o mecanismo de seleção dentro do processo de simulação generativa.

• Conceito Central: Em vez de tentar corrigir o viés a posteriori, o mecanismo de seleção (censura, missingness, inclusão) é tratado como um operador estrutural no modelo generativo forward.
• Fluxo de Trabalho:
  1. Simulação Generativa: Parâmetros ($\theta$) e covariáveis ($C$) são amostrados de distribuições a priori. Os resultados ($Y$) são gerados por um modelo populacional mecanístico. Em seguida, um operador de seleção ($S$) é aplicado para filtrar quais indivíduos são observados, gerando o conjunto de dados observado ($Y, S=1$).
  2. Treinamento do NPE (Neural Posterior Estimator): Uma rede neural é treinada para aprender o mapeamento global dos dados observados para a distribuição posterior dos parâmetros, $p(\theta | Y, S=1; C)$.
  3. Amortização: Uma vez treinado, o estimador pode ser aplicado a múltiplos conjuntos de dados reais ou simulados sem necessidade de retreinamento, permitindo inferência rápida.
  4. Diagnostics (SBC e C2ST): O framework integra duas ferramentas de diagnóstico para validar a calibração e detectar viés:
     • Calibração Baseada em Simulação (SBC): Verifica se os ranks dos parâmetros verdadeiros são uniformemente distribuídos nas simulações, garantindo que a incerteza seja quantificada corretamente.
     • Teste de Duas Amostras com Classificador (C2ST): Um classificador binário é treinado para distinguir entre pares (parâmetro-dado) gerados pelo simulador e pares amostrados da posterior aprendida. Se o classificador não consegue distinguir (desempenho ao acaso), a inferência é considerada calibrada e livre de viés.

3. Contribuições Chave

• Modelagem Generativa do Viés: Recastear a correção do viés de seleção como um problema de simulação, onde o mecanismo de seleção é parte intrínseca do modelo, eliminando a necessidade de verossimilhanças tratáveis.
• Inferência Amortizada Robusta: Capacidade de realizar inferência em regimes complexos (modelos estocásticos, dinâmicas latentes) onde métodos baseados em verossimilhança falham ou são computacionalmente proibitivos.
• Validação e Detecção de Viés: Introdução de um protocolo de diagnóstico (C2ST) que permite testar se a inferência em dados reais está consistente com o modelo generativo assumido, mesmo quando os parâmetros verdadeiros são desconhecidos.
• Flexibilidade: O método lida com seleção dependente de covariáveis, resultados e estados latentes (Missing Not At Random - MNAR).

4. Resultados Principais

O framework foi avaliado em três cenários epidemiológicos distintos:

1. Estimativa de Prevalência (Estudo KoCo19 - SARS-CoV-2):

   • Cenário: Amostragem enviesada com dados de resultados faltantes (missingness).
   • Resultado: O NPE consciente do viés superou estimadores não ajustados e a ponderação por probabilidade inversa (IPW), especialmente em rodadas com alta taxa de dados faltantes. O IPW mostrou viés e variância aumentada, enquanto o NPE recuperou estimativas precisas e calibradas. O C2ST confirmou que as posteriores eram consistentes com o simulador.

2. Análise de Tempo até Evento (Estudo Framingham - Demência e Morte):

   • Cenário: Análise de risco competitivo onde a morte impede a observação do início da demência (censura informativa).
   • Resultado: O NPE treinado com o mecanismo de seleção recuperou com precisão as taxas de transição (hazard rates) entre estados (saudável, demência, morte), comparável a um NPE treinado em dados completos (que não estão disponíveis na prática). O NPE padrão (sem seleção) falhou em recuperar os parâmetros. O C2ST detectou claramente a falha do NPE padrão em dados reais, enquanto o NPE consciente do viés manteve a calibração.

3. Modelagem de Transmissão (Estudo PedCovid - Transmissão Doméstica):

   • Cenário: Modelos estocásticos complexos de transmissão onde a inclusão no estudo depende do resultado (criança testando positivo). A verossimilhança explícita é intratável.
   • Resultado: O NPE amortizado recuperou os parâmetros de transmissão corretamente sob diferentes esquemas de seleção, enquanto o método MCMC baseado em verossimilhança (que assumia seleção aleatória) produziu estimativas sistematicamente enviesadas. O tempo de inferência do NPE foi de segundos (GPU), contra mais de 12 horas do MCMC (CPU).

5. Significado e Impacto

• Mudança de Paradigma: O trabalho transforma a correção de viés de um problema de "correção estatística a posteriori" para um problema de "modelagem generativa explícita".
• Aplicabilidade em Modelos Complexos: Permite a aplicação de inferência bayesiana rigorosa em modelos de dinâmica de sistemas, epidemiológicos e de saúde pública que anteriormente eram considerados intratáveis devido à complexidade da seleção de dados.
• Eficiência Computacional: A natureza amortizada permite a exploração rápida de cenários de sensibilidade e o desenho de estudos, algo proibitivo com métodos iterativos como MCMC.
• Transparência e Confiabilidade: Ao fornecer ferramentas para testar a calibração da inferência em dados reais (via C2ST), o método oferece um nível de confiança e verificabilidade superior para estudos observacionais complexos.

Em suma, o artigo estabelece um framework prático e testável para estimar parâmetros em cenários de viés de seleção estruturado, superando as limitações de tratabilidade de verossimilhança e oferecendo uma solução escalável para a inferência estatística moderna.