Outcome-Calibrated Regression and Predicted Outcome-Based Inference

Resumo Técnico: Regressão Calibrada por Resultado e Inferência Baseada em Resultado Previsto

Declaração do Problema
A regressão por Mínimos Quadrados Ordinários (OLS) é a ferramenta padrão para inferência científica, valorizada por sua propriedade como o Melhor Estimador Linear Não Viesado (BLUE) sob o teorema de Gauss-Markov. Essa propriedade garante que as previsões sejam condicionalmente não viesadas dadas as covariáveis ($X$), ou seja, $E(\hat{Y} - Y | X = x) = 0$. No entanto, os autores identificam uma deficiência crítica, frequentemente negligenciada: as previsões do OLS geralmente não são condicionalmente não viesadas dado o resultado ($Y$).

Devido à minimização do erro quadrático médio, as previsões do OLS encolhem sistematicamente em direção à média populacional do resultado ($\mu_Y$). Isso resulta em um fenômeno de "regressão à média" (RTM) onde grandes valores de resultado são subestimados e pequenos valores de resultado são superestimados. Matematicamente, o viés condicional de previsão é $E(\hat{Y}_{OLS} - Y | Y = y) = (\eta_{OLS} - 1)(y - \mu_Y)$, onde $\eta_{OLS} < 1$ representa a inclinação populacional da regressão de previsões sobre resultados verdadeiros (equivalente ao $R^2$ populacional).

Esse viés cria um problema não ignorável para a inferência baseada em resultado previsto, uma prática comum em campos como análise de idade cerebral, estudos de escore de risco poligênico e inferência causal, onde o resultado verdadeiro $Y$ não é observado ou é caro para medir, e a inferência é realizada usando o valor previsto $\hat{Y}$ contra uma variável $W$. Os autores demonstram que esse encolhimento se propaga para análises subsequentes, atenuando sistematicamente a associação estimada entre $\hat{Y}$ e $W$, levando a estimativas de efeito viesadas e potencialmente conclusões científicas errôneas.

Metodologia: Regressão Calibrada por Resultado (OCR)
Para resolver isso, os autores propõem a Regressão Calibrada por Resultado (OCR), um novo quadro que impõe a não viés condicional ao resultado diretamente durante o ajuste do modelo.

1. Restrições de Calibração: O método impõe duas restrições de igualdade linear aos coeficientes de regressão $\beta$:

   • Inclinação Unitária: A inclinação da regressão de valores previstos sobre resultados observados deve ser 1 ($\hat{\eta} = 1$). Isso garante que a covariância entre previsões e observações seja igual à variância das observações.
   • Intercepto Zero: O intercepto dessa regressão de calibração deve ser 0 ($\hat{\alpha} = 0$). Isso garante que a média dos valores ajustados corresponda à média dos resultados observados.

2. Solução de Forma Fechada: A OCR é formulada como um problema de mínimos quadrados com restrições:
   $$\hat{\beta}_{OCR} = \arg\min_{\beta} \frac{1}{2n}\|y - X\beta\|_2^2 \quad \text{s.t.} \quad A\beta = c$$
   onde $A\beta = c$ codifica as restrições de inclinação e intercepto. Os autores derivam uma solução de forma fechada usando multiplicadores de Lagrange, mostrando que o estimador OCR é um ajuste linear do estimador OLS:
   $$\hat{\beta}_{OCR} = \hat{\beta}_{OLS} - K(A\hat{\beta}_{OLS} - c)$$
   Aqui, $K$ atua como uma matriz de correção de calibração que mapeia a violação de restrição do estimador OLS em um ajuste de coeficiente.

3. Propriedades Teóricas:

   • Gauss-Markov Constrained: Entre todos os estimadores lineares não viesados que satisfazem as restrições de calibração, $\hat{\beta}_{OCR}$ possui a variância mínima.
   • Não Viés Descendente: Sob a suposição de que o resíduo $(\hat{Y}_{OCR} - Y)$ é independente da variável externa $W$ condicionalmente a $Y$, o coeficiente de regressão de $\hat{Y}_{OCR}$ sobre $W$ recupera o coeficiente populacional verdadeiro $\theta$ sem atenuação.
   • Inferência: O artigo fornece fórmulas para a matriz de variância-covariância de $\hat{\beta}_{OCR}$, erros padrão e intervalos de confiança/previsão válidos, observando que a variância é geralmente não maior que a do OLS devido à restrição do espaço de parâmetros.

Resultados Principais
Os autores validam a OCR por meio de estudos de simulação comparando-a ao OLS em várias tamanhos de amostra ($n$), dimensões de preditor ($p$) e níveis de ruído ($\sigma$).

• Calibração: Enquanto o OLS consistentemente exibiu inclinações de calibração ($\hat{\eta}$) significativamente menores que 1 (variando de 0,335 a 0,837 dependendo do ruído), a OCR alcançou calibração exata ($\hat{\eta} = 1,000, \hat{\alpha} = 0$) em todos os cenários.
• Inferência Descendente: Ao regressar resultados previstos sobre uma variável externa $W$ para estimar a associação verdadeira $\theta$:
  • OLS: Produziu estimativas severamente viesadas (Viés $\approx -0,50$) com 0% de cobertura empírica do intervalo de confiança de 95%. A razão viés-desvio padrão foi extremamente alta, indicando que o viés sistemático dominou a variabilidade amostral.
  • OCR: Produziu estimativas aproximadamente não viesadas ($|\text{Viés}| < 0,25$, frequentemente muito menores) com taxas de cobertura empírica próximas ao nominal de 95% (variando de 95,2% a 98,6%).
• Compromisso: A imposição de restrições de calibração resulta em um Erro Quadrático Médio (MSE) maior para as próprias previsões em comparação ao OLS, particularmente sob condições de alto ruído. No entanto, esse aumento no erro de previsão é o custo necessário para eliminar o viés sistemático na inferência descendente.

Significado e Alegações
O artigo alega que o viés de regressão à média no OLS é uma propriedade inerente do método, não um artefato de amostra finita, e que suas consequências para a inferência descendente foram amplamente não caracterizadas até agora.

O significado da OCR reside em sua capacidade de permitir inferência estatística válida ao usar resultados previstos como substitutos para verdades fundamentais não observadas. Os autores afirmam que a OCR é particularmente relevante para:

• Estimação de efeito causal com exposições ou resultados previstos.
• Análise de lacuna de idade cerebral e relógios de envelhecimento biológico.
• Estudos de associação de escore de risco poligênico.
• Randomização Mendeliana de duas amostras.
• Configurações de aprendizado federado ou de transferência onde apenas previsões do modelo são compartilhadas.

Ao substituir previsões OLS padrão por previsões corrigidas por OCR, os pesquisadores podem eliminar a atenuação sistemática de tamanhos de efeito causada pela regressão à média, reduzindo assim o viés em conclusões científicas subsequentes. Os autores apresentam a OCR não como um substituto para o OLS em todos os contextos, mas como um quadro necessário especificamente quando o objetivo envolve inferência baseada em resultados previstos.