Powerful Multivariate Sensitivity Analysis via Sample Splitting in an Observational Study of the Effects of Poverty on Cardiovascular Disease Risk Factors

Resumo Técnico: Análise de Sensibilidade Multivariada Poderosa via Divisão de Amostra

Definição do Problema
Em estudos observacionais que avaliam os efeitos causais de uma exposição sobre múltiplos desfechos (configurações multivariadas), pesquisadores buscam frequentemente testar uma hipótese nula global (que a exposição não tem efeito sobre nenhum desfecho). Uma estratégia comum para aumentar o poder e a robustez contra confusão não medida é construir uma combinação linear de estatísticas de teste específicas para cada desfecho. No entanto, os métodos existentes para encontrar a combinação linear ideal — como os que utilizam projeções de Scheffé ou variantes restritas (ex: Cohen et al., 2020; Rosenbaum, 2016) — requerem correções para testes múltiplos. Essas correções dependem de distribuições de referência (ex: qui-quadrado de barra) cujos valores críticos escalam com o número de desfechos ($K$). À medida que $K$ aumenta, esses valores críticos tornam-se progressivamente mais rigorosos, erodindo o poder estatístico e dificultando o rejeitamento da hipótese nula global mesmo quando há evidências fortes. Além disso, o ônus computacional da avaliação dessas distribuições cresce com $K$.

Metodologia
Os autores propõem um novo framework de análise de sensibilidade que utiliza a divisão de amostra (sample splitting) para desacoplar a seleção da combinação linear da etapa de inferência. O procedimento opera da seguinte forma:

1. Partição de Dados: O conjunto de dados pareados é dividido aleatoriamente em uma amostra de planejamento (piloto) e uma amostra de análise.
2. Fase de Planejamento: Na amostra de planejamento, o pesquisador resolve um problema de otimização para identificar a combinação linear das estatísticas de teste (restrita ao simplex de probabilidade, $\Delta_+$) que maximiza a sensibilidade ao viés não medido (ou seja, minimiza o pior caso do p-valor sob o modelo de sensibilidade de Rosenbaum). Isso gera um vetor de pesos estimado, $\hat{\lambda}_{plan}$.
3. Fase de Inferência: O vetor $\hat{\lambda}_{plan}$ é tratado como pré-especificado para a amostra de análise. O pesquisador realiza a análise de sensibilidade na amostra de análise usando essa combinação linear fixa.
4. Justificativa Estatística: Como a combinação é pré-especificada em relação aos dados de análise, a estatística de teste segue uma distribuição Normal padrão sob a hipótese nula, em vez de uma distribuição complexa qui-quadrado de barra dependente de $K$. Isso permite o uso de um valor crítico (ex: 1,645 para $\alpha=0,05$) que é independente do número de desfechos.

Contribuições Teóricas
O artigo aborda uma lacuna teórica crítica: a divisão de amostra tipicamente introduz um "gap minimax" onde o pesquisador deve se comprometer com uma estratégia antes que a natureza (o confundidor não medido) atue, o que pode levar a um poder estritamente inferior aos métodos de amostra total (conforme observado por Fogarty e Small, 2016).

• Teorema Minimax: Os autores provam um novo teorema minimax (Teorema 1) mostrando que, para o caso específico onde o conjunto de combinações lineares é o simplex de probabilidade ($\Delta_+$), a ordem de otimização (pesquisador primeiro vs. natureza primeiro) não importa. A igualdade minimax ocorre:
  $$\min_{\varrho \in P_\Gamma} \sup_{\lambda \in \Delta_+} F(\lambda, \varrho) = \sup_{\lambda \in \Delta_+} \min_{\varrho \in P_\Gamma} F(\lambda, \varrho)$$
• Poder Assintótico: Como um corolário (Teorema 2), eles demonstram que a sensibilidade de design (o limite assintótico do valor de sensibilidade) da abordagem de divisão de amostra é idêntica à das alternativas de amostra total. Assim, o método não sacrifica o poder assintótico, apesar de utilizar apenas um subconjunto dos dados para a inferência.

Resultados de Simulação
Estudos extensivos de simulação foram conduzidos com $I=300$ pares pareados e variando o número de desfechos ($K \in \{5, 15, 25\}$) e correlações ($\rho \in \{0, 0,2\}$).

• Poder em Amostras Finitas: O método de divisão de amostra demonstrou consistentemente um poder superior ao da implementação de amostra total de Cohen et al. (2020), particularmente conforme $K$ aumentava. Isso é atribuído à evasão dos valores críticos dependentes de $K$.
• Comparação com o Oráculo: Embora um "oráculo" (que conhece a combinação ótima a priori) tenha tido o melhor desempenho, a abordagem de divisão de amostra superou significativamente o competidor de amostra total e aproximou-se do desempenho do oráculo em muitos regimes.
• Efeitos de Correlação: A vantagem de poder do método proposto foi mais pronunciada quando os desfechos eram não correlacionados ou fracamente correlacionados, embora tenha permanecido superior mesmo com dependência positiva moderada.

Aplicação: Pobreza e Risco de Doença Cardiovascular (DCV)
O método foi aplicado a um estudo sobre os efeitos da pobreza (definida como Razão de Renda de Pobreza Familiar < 1) sobre os fatores de risco de DCV em crianças e adolescentes utilizando dados do NHANES (1999–2016).

• Desenho do Estudo: 4.027 pares pareados foram divididos em uma amostra piloto (25%) e uma amostra de análise (75%).
• Desfechos: O estudo examinou 9 desfechos, incluindo composição corporal, atividade física, lipídios e exposição ao tabaco (níveis de cotinina).
• Achados:
  • A abordagem de divisão de amostra rejeitou a hipótese nula global para todos os estratos de idade/gênero para $\Gamma=1$, enquanto o comparador de amostra total rejeitou a hipótese nula global apenas para meninos de 8 a 11 anos.
  • O método identificou efeitos adversos significativos da pobreza na exposição ao tabaco (níveis de cotinina) em todos os estratos e na atividade física de lazer vigorosa (LTPA) para adolescentes.
  • Robustez: Os achados relativos à exposição ao tabaco mostraram-se robustos ao confundimento não medido até $\Gamma \approx 2,25$ (valor de sensibilidade $\approx 3,05$). Em contraste, os achados relativos à atividade física e composição corporal foram sensíveis a pequenas quantidades de viés (falhando em rejeitar em $\Gamma \approx 1,05$–$1,15$).
  • Comparação: Uma análise de sensibilidade de amostra total nos mesmos dados yielded um valor de sensibilidade muito menor ($\approx 1,67$) para a hipótese geral, ilustrando a perda de poder inerente aos métodos multivariados existentes para este conjunto de dados.

Significância
O artigo afirma que sua principal contribuição é um framework prático e teoricamente fundamentado para realizar análises de sensibilidade multivariadas poderosas em estudos observacionais com muitos desfechos. Ao alavancar a divisão de amostra e um novo teorema minimax, o método:

1. Recupera o Poder: Evita a severa perda de poder associada aos valores críticos dependentes de $K$ em cenários de alta dimensão.
2. Mantém a Validade: Fornece inferência de nível-$\alpha$ válida sem exigir correções assintóticas que dependem da dimensão do espaço de desfechos.
3. Permite o Design Baseado em Dados: Permite que os pesquisadores utilizem a amostra piloto para refinar a seleção de desfechos e as escolhas de estatísticas de teste (ex: identificando componentes dietéticos específicos ou efeitos específicos por idade) sem comprometer a validade da inferência final.

Os autores concluem que, embora a robustez de seus achados específicos sobre pobreza e DCV seja amplamente impulsionada pelo efeito no tabagismo, o framework metodológico permite com sucesso a detecção desses efeitos onde as análises multivariadas tradicionais provavelmente falhariam devido à falta de poder.