Bias-Reduced GEE via Adjusted Estimating Equations, with Odds-Ratio Extensions

Resumo Técnico: GEE com Redução de Viés via Equações de Estimação Ajustadas, com Extensões para Razão de Chances (Odds-Ratio)

Problema
As Equações de Estimação Generalizadas (GEE), introduzidas por Liang e Zeger [1986], são uma abordagem padrão para analisar dados correlacionados, como em estudos longitudinais. Embora os estimadores GEE sejam consistentes e assintoticamente normais sob condições de regularidade brandas, eles podem exibir um viés substancial em amostras finitas quando o número de clusters independentes é pequeno ou moderado. Esse viés afeta a inferência do tipo Wald, levando a taxas de erro do Tipo I infladas.

A literatura existente sobre redução de viés para GEE enfrenta diversas limitações. Primeiro, métodos de Paul e Zhang [2014] e Lunardon e Scharfstein [2017] frequentemente tratam as matrizes de covariância de trabalho como fixas em relação aos parâmetros da média. Essa simplificação falha em considerar a dependência da variância em relação à média em respostas binárias e de Poisson, impedindo a redução de viés de primeira ordem nesses cenários comuns. Segundo, métodos de correção de viés existentes para respostas binárias baseiam-se em parametrizações de coeficientes de correlação. Essas parametrizações estão sujeitas a restrições de viabilidade restritivas (limites de Fréchet) impostas pelas médias marginais, o que pode fazer com que as estimativas de correlação caiam fora de intervalos admissíveis ou tornem a matriz de correlação de trabalho não positiva definida, particularmente em amostras pequenas. Finalmente, os estimadores corrigidos de viés existentes requerem um estimador GEE ordinário bem definido como ponto de partida, o que os torna numericamente instáveis ou inaplicáveis em casos de separação ou quase-separação.

Metodologia
O artigo desenvolve um framework unificado de redução de viés de primeira ordem ao incorporar o estimador GEE dentro do framework de estimativa M para dados agrupados (clustered-data M-estimation), baseando-se na metodologia de redução de viés robusta de Kosmidis e Lunardon [2024].

1. Ajuste de Redução de Viés: Os autores derivam um ajuste alvo explícito, $\Lambda_G$, para as equações de estimação GEE. Esta derivação trata o estimador como um estimador M e considera explicitamente a dependência das matrizes de covariância de trabalho em relação aos parâmetros da média. O ajuste ideal visa o termo de viés de primeira ordem, $\Lambda_G$, que depende de matrizes de covariância desconhecidas.
2. Três Estimadores Implementáveis: Para tornar o ajuste prático, três aproximações são construídas:
   • Ajuste Robusto (RBR): Substitui as matrizes de covariância desconhecidas por análogos empíricos não viesados ($S_i S_i^\top$). Este estimador alcança redução de viés de primeira ordem, independentemente de a estrutura de associação de trabalho estar corretamente especificada.
   • Ajuste Ingênuo (NBR): Assume que a covariância de trabalho é igual à covariância verdadeira. Este método incorpora os estimadores de Paul e Zhang [2014] como um caso especial (onde a dependência da variância em relação à média é ignorada). Ele alcança redução de viés se a associação estiver corretamente especificada ou sob condições específicas, mesmo se estiver mal especificada.
   • Ajuste Empírico (EBR): Substitui todas as expectativas por análogos amostrais. Embora teoricamente válido, pode inflar a variabilidade de amostra finita e é recomendado apenas como um recurso de contingência quando o procedimento robusto é numericamente instável.
3. Análogos de Passo Único Corrigidos de Viés: Estimadores de passo único computacionalmente convenientes são derivados aplicando o ajuste ao estimador GEE ordinário. Eles evitam iterar as equações ajustadas, mas requerem a existência da solução GEE ordinária.
4. Parametrização de Razão de Chances (Odds-Ratio): O framework é estendido para dados binários correlacionados usando parametrizações de razão de chances pareadas (Lipsitz et al., 1991; Carey et al., 1993). Esta abordagem evita as restrições de viabilidade restritivas dos coeficientes de correlação. Os autores derivam os ajustes necessários ($\Lambda_{OR}$) para esta parametrização, resultando nos primeiros estimadores GEE reduzidos de viés e corrigidos de viés sob modelagem de razão de chances.
5. Inferência: Para inferência de amostra pequena, o artigo recomenda o uso do estimador de covariância ajustado de amostra pequena de Morel et al. [2003] ($\hat{\Sigma}_M$) em vez do estimador sanduíche padrão.

Principais Resultados
Estudos de simulação envolvendo 10.000 replicações de Monte Carlo para respostas binárias correlacionadas (modelo probit) e de Poisson foram conduzidos através de vários tamanhos de cluster ($N \in \{20, 35, 50, 100, 500\}$) e padrões de dados ausentes (perda de acompanhamento monotônica MCAR).

• Redução de Viés: O estimador de Redução de Viés Robusta (RBR) reduziu consistentemente o viés de amostra finita em comparação ao GEE ordinário, particularmente para covariáveis variantes no tempo e em tamanhos de amostra pequenos a moderados. A redução de viés foi mais pronunciada para respostas binárias.
• Eficiência e Cobertura: O estimador RBR manteve eficiência comparável ao GEE ordinário. A cobertura empírica dos intervalos de confiança de Wald nominais de 95% baseados em $\hat{\Sigma}_M$ foi próxima do nível nominal para o RBR, enquanto o GEE ordinário frequentemente exibiu subcobertura em amostras pequenas.
• Robustez à Especificação Incorreta: O estimador RBR desempenhou bem mesmo quando a estrutura de associação de trabalho estava mal especificada. O estimador de Redução de Viés Ingênua (NBR) também mostrou redução de viés sob especificação incorreta em certos cenários, confirmando os achados teóricos.
• Estabilidade Numérica: O estimador de Redução de Viés Empírica (EBR) mostrou instabilidade numérica em amostras pequenas com dados ausentes, exibindo menores taxas de convergência e erros padrão inflados, validando a recomendação de usar o RBR como padrão.
• Razão de Chances vs. Correlação: Em uma aplicação de ensaio clínico (dados de dor na ponta do ombro), o ajuste de um modelo com uma matriz de correlação de trabalho não estruturada levou a dificuldades numéricas (não convergência, estimativas inadmissíveis). Em contraste, a parametrização de razão de chances forneceu estimativas estáveis, demonstrando sua superioridade para a modelagem flexível de associações binárias em amostras pequenas.

Significância e Alegações
O artigo alega fornecer o primeiro framework unificado para redução de viés em GEE que:

1. Considera explicitamente a dependência da covariância de trabalho em relação aos parâmetros da média, garantindo assim a redução de viés de primeira ordem para funções de variância dependentes da média (binária/Poisson) onde métodos anteriores falharam.
2. Estende a redução de viés para parametrizações de razão de chances para dados binários correlacionados, oferecendo uma alternativa estável para métodos baseados em correlação que sofrem de restrições de admissibilidade em amostras pequenas.
3. Subsume e esclarece a relação entre os métodos existentes (Paul e Zhang [2014]; Lunardon e Scharfstein [2017]), mostrando-os como casos especiais dos frameworks robusto e ingênuo propostos.
4. Oferece uma solução prática para cenários onde o GEE ordinário falha (ex: separação) ao fornecer estimadores de redução de viés totalmente iterados que podem ser inicializados via o GLM de redução de viés de Firth.

Os autores concluem que o estimador de Redução de Viés Robusta (RBR), implementado no pacote R geer, deve servir como o padrão prático para tamanhos de amostra pequenos a moderados, particularmente para dados binários correlacionados, pois reduz o viés enquanto mantém as propriedades assintóticas e a eficiência do GEE ordinário.