Identification, Estimation, and Inference for Sequential Causally Ordered Mediation Pathways

Resumo Técnico: Identificação, Estimação e Inferência para Caminhos de Mediação Sequencialmente Ordenados Causalmente

Declaração do Problema
A análise de mediação é essencial para compreender como as exposições influenciam os desfechos por meio de caminhos intermediários. Embora métodos para configurações de mediador único sejam bem estabelecidos, ferramentas rigorosas para lidar com múltiplos mediadores sequencialmente ordenados (SCOMs) permanecem subdesenvolvidas. Essa lacuna é crítica em estudos de coorte longitudinais (por exemplo, origens do desenvolvimento da saúde e doença) onde as exposições operam através de cadeias complexas de mediadores dependentes do tempo. A literatura existente tem focado amplamente na estimação em configurações de SCOM, mas carece de estruturas robustas de teste de hipóteses. Testes padrão (ex: teste de Sobel, MaxP) para efeitos de mediação sofrem de um controle de erro do Tipo I excessivamente conservador devido à natureza composta da hipótese nula (onde o produto dos parâmetros é zero via diferentes configurações: $\alpha=0, \eta\neq0$; $\alpha\neq0, \eta=0$; ou $\alpha=0, \eta=0$). Esses testes falham ao não considerar as distribuições limites não únicas dos estatísticos sob a nulidade, levando a uma falta de poder ou inferência inválida.

Metodologia
Os autores propõem um framework abrangente para Mediadores Causalmente Ordenados Sequencialmente de ordem $K$ (SCOM(K)), englobando identificação, estimação e inferência tanto para desfechos contínuos quanto categóricos.

1. Framework de Identificação:

   • Os autores definem um Modelo Estrutural Generalizado (G-SEM) onde os mediadores $M_1, \dots, M_K$ seguem uma ordem causal estrita ($M_1 \to M_2 \to \dots \to M_K$).
   • Utilizando o paradigma de resultados potenciais, eles decompõem o efeito total em efeitos específicos de caminho. Devido às restrições de identificabilidade (especificamente a suposição de independência "cross-world" necessária para certos caminhos individuais), os autores focam em efeitos de caminhos compostos.
   • Para cada mediador $M_k$, eles definem um efeito composto $\tau^\dagger_k(S \to M_k \rightsquigarrow Y)$, que agrega todas as rotas causais da exposição $S$ para o desfecho $Y$ que passam por $M_k$ (independentemente de mediadores subsequentes).
   • Sob suposições padrão de ignorabilidade sequencial e consistência, eles derivam fórmulas de identificação para esses efeitos compostos usando integrais aninhadas sobre distribuições condicionais.

2. Estimação:

   • O artigo desenvolve procedimentos de Estimação de Máxima Verossimilhança (MLE) para modelos lineares (desfechos contínuos), modelos probit (desfechos binários) e modelos log-lineares (desfechos de contagem).
   • Para desfechos binários, expressões de forma fechada são derivadas para modelos probit; para modelos logísticos, uma aproximação de desfecho raro é utilizada para obter formas fechadas.
   • Os autores estabelecem a normalidade assintótica conjunta dos estimadores para os coeficientes de caminho ($\alpha_k$) e para os efeitos de caminho compostos ($\eta_{M_k \rightsquigarrow Y}$), provando que os estimadores para esses dois componentes são assintoticamente independentes.

3. Inferência (SOMET):

   • Para abordar a hipótese nula composta $H_0: \alpha_k \eta_{M_k \rightsquigarrow Y} = 0$, os autores introduzem o Teste de Efeito de Mediação Sequencialmente Ordenado (SOMET).
   • Mecanismo: O SOMET utiliza uma estratégia de divisão de dados $Q$-fold. Os dados são particionados em $Q$ subconjuntos disjuntos. Um estatístico do tipo Sobel é computado para cada subconjunto. Esses estatísticos são calculados pela média e transformados em um estatístico $t$ de Student.
   • Vantagem Teórica: Ao utilizar a divisão de dados, o método desconecta a dependência de variâncias assintóticas não únicas. O Teorema 3 estabelece que, sob a nulidade composta, o estatístico de teste converge para uma distribuição $t$ de Student com $Q-1$ graus de liberdade, independentemente da configuração específica da nulidade (ou seja, se $\alpha_k=0$, $\eta=0$, ou ambos). Isso garante um controle válido de erro do Tipo I sem conhecimento prévio da configuração de nulidade subjacente.
   • Melhoria de Poder: Para mitigar a perda de poder decorrente de amostras pequenas nas divisões, os autores propõem repetir o procedimento de divisão $B$ vezes e agregar os valores-$p$ usando um teste de combinação de Cauchy, que permanece válido sob dependência arbitrária.

Principais Resultados

• Estudos de Simulação: Simulações extensas através de modelos lineares, logísticos e probit demonstram que o SOMET mantém o controle válido de erro do Tipo I em todas as configurações de nulidade ($H_{01}, H_{02}, H_{03}$), enquanto os benchmarks existentes (Sobel, MaxP e suas variantes de bootstrap) são excessivamente conservadores ou falham no controle das taxas de erro sob cenários de nulidade específicos (particularmente quando ambos os parâmetros são zero).
• Poder Estatístico: O SOMET exibe consistentemente maior poder estatístico comparado aos métodos de referência para detectar efeitos de mediação compostos, particularmente em cenários onde testes tradicionais são conservadores.
• Aplicações Empíricas:
  • Risco de Diabetes (Dados do All of Us): Analisando o efeito do histórico familiar de diabetes no início do diabetes mediado pelo IMC e atividade física. O SOMET identificou efeitos de mediação significativos tanto para o IMC quanto para a atividade física com valores-$p$ menores do que os métodos concorrentes.
  • Obesidade Adolescente (Dados do ELEMENT): Avaliando o impacto da exposição pré-natal ao chumbo no IMC de adolescentes mediado pelo peso ao nascer e metabólitos lipídicos. O SOMET foi o único método a detectar um caminho de mediação estatisticamente significativo através de um metabólito lipídico específico (FA 18:0 OH) após correção de testes múltiplos, enquanto outros métodos falharam em rejeitar a nulidade.

Significância e Alegações
O artigo afirma fornecer o primeiro framework rigoroso que lida simultaneamente com identificação, estimação e inferência válida para mediadores sequencialmente ordenados em diversos contextos de desfecho. A principal contribuição é o procedimento SOMET, que resolve o desafio técnico de longo prazo de testes de hipóteses sob uma nulidade composta. Ao utilizar a divisão de dados para alcançar uma distribuição limite única, o método evita o conservadorismo dos testes existentes sem exigir parâmetros de ajuste ou conhecimento da configuração real da nulidade. Os autores afirmam que sua metodologia oferece estimação confiável, inferência válida e maior poder para descobrir novos caminhos de mediação em sistemas longitudinais complexos. Eles reconhecem que, embora o SOMET aumente o custo computacional, ele fornece uma base principista para a análise de mediação escalável em caminhos causais estruturados.