Improving Variance Estimation for Covariate Adjustment with Binary Outcomes

Resumo Técnico: Melhoria da Estimativa de Variância para Ajuste de Covariáveis com Resultados Binários

Declaração do Problema
O ajuste de covariáveis é um método padrão para melhorar a precisão em ensaios randomizados, particularmente quando variáveis basais são prognósticas para o desfecho. A orientação de 2023 do FDA recomenda a "padronização" (ou g-computação) para estimar efeitos marginais do tratamento em desfechos binários. Embora a padronização forneça uma estimativa pontual semiparamétrica robusta para o efeito médio do tratamento (ATE) que é assintoticamente não tendenciosa independentemente da especificação do modelo, a estimativa de variância confiável para este estimador permanece um desafio.

Os estimadores de variância existentes, incluindo métodos de plug-in de função de influência (IF), o método delta e o bootstrap não paramétrico, frequentemente falham em cenários de amostras finitas comuns em ensaios clínicos. Especificamente, quando os tamanhos de amostra são pequenos ou as taxas de eventos são baixas (resultados raros), os estimadores de plug-in tradicionais tendem a subestimar a variância. Essa subestimação leva a inferências anti-conservadoras, caracterizadas por taxas de erro Tipo I infladas e intervalos de confiança com cobertura abaixo do nível nominal. O artigo observa que, embora debates teóricos tenham destacado essas questões, há uma falta de estudos explícitos abordando como esses estimadores se comportam sob as restrições específicas de baixas taxas de eventos e pequenas amostras encontradas na prática.

Metodologia
Os autores propõem um novo estimador de variância para o ATE padronizado de diferenças de médias, denominado estimador Função de Influência baseada em Leave-One-Out (IF-LOO).

1. Estimador Padronizado: O método utiliza um modelo de trabalho de regressão logística para prever desfechos potenciais para cada sujeito sob condições de tratamento e controle. O ATE é estimado pela média da diferença entre esses desfechos previstos em todos os sujeitos.
2. O Problema do Overfitting: O estimador de plug-in IF padrão calcula a variância com base em resíduos derivados de um modelo ajustado em todo o conjunto de dados. Em amostras pequenas ou com eventos raros, o modelo tende a ajustar-se excessivamente (overfit) aos dados específicos, fazendo com que os resíduos estimados $(Y_i - \hat{\mu}(A_i, X_i))$ sejam artificialmente pequenos. Isso resulta em uma estimativa de variância com viés para baixo.
3. A Solução IF-LOO: Para mitigar o overfitting, o estimador proposto emprega uma estratégia de validação cruzada leave-one-out. Para cada sujeito $i$, o modelo de trabalho é ajustado no conjunto de dados excluindo esse sujeito ($n-1$ observações). A função de influência $\hat{\phi}_{-i}$ é então calculada usando previsões deste modelo reduzido:
   $$\hat{\phi}_{-i} = \left( \frac{A_i}{\pi_0} - \frac{1-A_i}{1-\pi_0} \right) (Y_i - \hat{\mu}_{-i}(A_i, X_i)) + \hat{\mu}_{-i}(1, X_i) - \hat{\mu}_{-i}(0, X_i) - \hat{\theta}_{standardized}$$
   A variância é estimada como a variância amostral dessas funções de influência leave-one-out: $\hat{\sigma}^2_{IF-LOO} = \frac{1}{n^2} \sum \hat{\phi}_{-i}^2$.
4. Propriedades Teóricas: Os autores derivam uma expressão de forma fechada para este estimador e provam que ele é consistente em $\sqrt{n}$ e assintoticamente normal sob condições de regularidade padrão.

Contribuições Principais

• Novo Estimador: Introdução do estimador de variância IF-LOO, que estende a teoria existente de função de influência incorporando validação cruzada leave-one-out para corrigir o viés de overfitting em amostras finitas.
• Expressão de Forma Fechada: Diferentemente dos métodos de bootstrap, o estimador IF-LOO fornece uma solução determinística e de forma fechada, facilitando a implementação direta por estatísticos de estudo sem a necessidade de amostragem repetida.
• Justificativa Teórica: O artigo fornece uma prova formal da consistência e normalidade assintótica do estimador.

Resultados de Simulação
Os autores conduziram estudos de simulação em dois cenários: um tamanho de amostra moderado ($N=250$) com uma taxa de evento rara (2,5%) e um tamanho de amostra pequeno ($N=50$) com uma taxa de evento mais alta (25%). Eles compararam o IF-LOO com o estimador de plug-in IF, o estimador ANHECOVA (RobinCar2), o bootstrap não paramétrico e uma análise não ajustada.

• Amostra Pequena/Taxa de Evento Baixa ($N=50$, taxa de evento de 25%): Os estimadores de plug-in IF e RobinCar2 exibiram subcobertura substancial, com taxas de erro Tipo I atingindo até 18% (significativamente acima dos 5% nominais). Em contraste, o estimador IF-LOO manteve a cobertura próxima ao nível nominal de 95% (aproximadamente 93-94%), demonstrando robustez contra o viés de overfitting que afligia outros métodos.
• Amostra Moderada/Taxa de Evento Baixa ($N=250$, taxa de evento de 2,5%): Embora a subcobertura dos métodos de plug-in tenha sido atenuada em comparação com o cenário de amostra pequena, eles ainda falharam em atingir a cobertura nominal em baixos efeitos do tratamento. O IF-LOO consistentemente alcançou cobertura próxima ao nível nominal em todas as magnitudes de efeito do tratamento.
• Comparação com Bootstrap: O bootstrap não paramétrico desempenhou de forma comparável ao IF-LOO em termos de cobertura. No entanto, os autores observam que o bootstrap está sujeito a erro de Monte Carlo (não determinístico) e pode sofrer de instabilidade computacional (por exemplo, separação completa na regressão logística), levando a distribuições inválidas em algumas réplicas. O IF-LOO evita esses problemas devido à sua natureza determinística.

Significado e Alegações
O artigo posiciona o estimador IF-LOO como uma "escolha de default prudente" para padronização em ensaios clínicos, particularmente ao lidar com desfechos binários em cenários com tamanhos de amostra pequenos ou eventos raros.

Os autores argumentam que, embora a padronização seja um método recomendado e robusto para direcionar efeitos marginais do tratamento, a validade da inferência depende criticamente da estimativa precisa da variância. O método proposto aborda uma lacuna específica na literatura onde estimadores existentes falham em controlar o erro Tipo I em regimes desafiadores de amostras finitas. Ao oferecer uma solução determinística e de forma fechada que corrige o viés induzido pelo overfitting, o estimador IF-LOO garante intervalos de confiança e valores-p confiáveis, apoiando assim uma inferência estatística válida em contextos regulatórios e clínicos. O artigo conclui que essa abordagem é especialmente valiosa quando o modelo de trabalho está corretamente especificado, pois este é precisamente o cenário onde os estimadores de plug-in tradicionais sofrem mais com o viés de overfitting.