📊 statistics

Uncertainty intervals for multilevel models with missing not at random data

Este artigo propõe um método de análise de sensibilidade para modelos multinível lineares com dados não ausentes ao acaso (MNAR) que deriva ajustes de viés para estimar limites plausíveis para parâmetros de interesse sob suposições mais fracas do que ausência ao acaso, validados por meio de simulações e uma aplicação à solidão, atividade física e trajetórias de memória.

Autores originais: Minna Genbäck

Publicado 2026-06-24

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Minna Genbäck

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando assar o bolo perfeito (seu estudo) para entender como ingredientes como a solidão e o exercício afetam a memória ao longo do tempo. Você tem uma receita que assume que, se um confeiteiro sair da aula, ele sai aleatoriamente — talvez porque esqueceu o avental ou teve um pneu furado. Isso é chamado de suposição de "Dados Ausentes ao Acaso" (MAR - Missing At Random). A maioria das ferramentas estatísticas assa o bolo baseada nessa ideia.

No entanto, no mundo real, os confeiteiros costem sair por motivos específicos relacionados ao próprio bolo. Talvez aqueles que estão com dificuldade de lembrar os passos (memória ruim) sejam os que abandonam a aula mais cedo. Se você ignorar isso, seu bolo final terá um sabor errado porque você só provou os bolos das pessoas que ficaram. Isso é chamado de "Dados Ausentes Não Ao Acaso" (MNAR - Missing Not At Random).

Este artigo propõe uma nova maneira de assar o bolo que admite: "Não sabemos exatamente por que as pessoas saíram, mas podemos adivinhar o quanto isso pode ter mudado o sabor".

Aqui está como a autora, Minna Genbäck, detalha o processo:

1. O Problema: Os Desistentes "Fantasmas"

Em estudos de longo prazo (como acompanhar a memória das pessoas ao longo de 10 anos), as pessoas param de responder às pesquisas. A matemática padrão assume que essas desistências são aleatórias. Mas em estudos de saúde, pessoas mais doentes ou frágeis costumam desistir mais do que as saudáveis. Se você tratar isso como algo aleatório, seus resultados serão tendenciosos — como julgar uma corrida apenas pelos corredores que terminaram, ignorando aqueles que tropeçaram e caíram porque a pista era muito difícil.

2. A Solução: A Rede de Segurança do "E Se"

Em vez de fingir que sabemos exatamente por que as pessoas saíram (o que é impossível de provar), a autora sugere uma Análise de Sensibilidade. Pense nisso como construir uma "rede de segurança" ao redor da sua resposta.

O Jeito Antigo: Você calcula um único número (ex: "O exercício melhora a memória em 0,4 pontos").
O Novo Jeito: Você calcula uma faixa. Você diz: "Se as desistências estiverem ligeiramente relacionadas à má memória, a resposta está entre X e Y. Se estiverem muito relacionadas, a resposta está entre A e B".

Isso cria um Intervalo de Incerteza. Não é um ponto único; é uma zona de respostas plausíveis que cobre todos os cenários "e se" razoáveis.

3. O Mecanismo: O "Aperto de Mão Secreto"

Para fazer isso, a autora usa dois modelos que conversam entre si:

O Modelo de Memória: Prevê como a memória muda.
O Modelo de Desistência: Prevê quem abandona o estudo.

Na matemática padrão, esses dois modelos são estranhos; eles não conversam. Neste novo método, a autora introduz um "Parâmetro de Sensibilidade" (um aperto de mão secreto). Esse parâmetro representa a correlação entre por que a memória de alguém está mudando e por que essa pessoa está desistindo.

Se o aperto de mão for fraco (zero), é o cenário padrão de "desistência aleatória".
Se o aperto de mão for forte, significa que pessoas com declínio de memória têm maior probabilidade de desistir.

A autora deriva uma fórmula matemática para calcular exatamente o quanto esse "aperto de mão" distorceria os resultados. Então, ela testa uma gama de intensidades de aperto de mão (de zero até um máximo plausível) para ver o quanto a resposta final oscila.

4. O Teste no Mundo Real: Solidão e Memória

A autora testou este método em um enorme levantamento europeu (SHARE) envolvendo mais de 27.000 pessoas com mais de 65 anos. Eles observaram se a solidão e a atividade física afetavam as pontuações de memória ao longo do tempo.

O Resultado Padrão: Sob a suposição de "desistência aleatória", sentir-se sozinho estava ligado a uma queda na memória, e o exercício estava ligado a um aumento.
O Novo Resultado: Mesmo quando permitimos a possibilidade de que pessoas com pior memória tivessem maior probabilidade de desistir (o cenário MNAR), os resultados não mudaram muito. A "rede de segurança" (intervalo de incerteza) ainda incluía as descobertas originais.

Isso sugere que as conclusões originais eram robustas; elas se sustentaram mesmo quando a suposição de "desistência aleatória" foi relaxada.

5. A Simulação: O "Teste de Estresse"

Para provar que este método funciona, a autora realizou uma simulação computacional. Ela criou dados falsos onde ela sabia a verdade e onde as pessoas desistiam especificamente porque sua memória era ruim.

Ela tentou corrigir o viés usando sua nova fórmula.
O Resultado: O método funcionou bem. Ele conseguiu corrigir as estimativas "oscilantes" e forneceu uma faixa que capturou a resposta verdadeira na maioria das vezes.

A Ressalva (Limitações)

A autora admite que este método é computacionalmente pesado. É como tentar resolver um quebra-cabeça 3D gigante onde as peças continuam se movendo. Se os grupos de pessoas (clusters) forem muito grandes, a matemática fica lenta demais para rodar em um computador padrão. Além disso, o método assume que a força do "aperto de mão" está dentro de uma faixa específica e plausível — se você errar a estimativa dessa faixa, a rede de segurança pode ser ampla ou estreita demais.

Resumo

Este artigo não lhe dá uma varinha mágica para consertar dados ausentes. Em vez disso, ele lhe dá uma régua com uma margem de erro mais larga. Ele permite que os pesquisadores digam: "Não temos certeza exata do por que as pessoas deixaram o estudo, mas mesmo que assumamos o pior cenário razoável, nossas principais conclusões sobre solidão e memória permanecem válidas". Ele substitui um palpite frágil de ponto único por uma faixa de possibilidades sólida e flexível.

Resumo Técnico: Intervalos de Incerteza para Modelos Multinível com Dados Ausentes Não Aleatórios (MNAR)

Definição do Problema
Pesquisas longitudinais frequentemente sofrem com a não resposta, incluindo tanto indivíduos que nunca participam quanto aqueles que abandonam o estudo após um subconjunto de ocasiões de medição. Modelos multiníveis (de efeitos mistos) padrão tipicamente assumem que os dados são Ausentes ao Acaso (MAR - Missing At Random), o que significa que a probabilidade de ausência depende apenas dos dados observados. No entanto, em estudos envolvendo populações mais velhas e desfechos de saúde, os respondentes costumam diferir sistematicamente dos não respondentes (por exemplo, sendo mais saudáveis), sugerindo um mecanismo de Dados Ausentes Não Aleatórios (MNAR - Missing Not At Random). Se a suposição MAR for violada, as estimativas de parâmetros podem ser viesadas, levando a conclusões enganosas. Embora modelos de seleção e de mistura de padrões existam para lidar com dados MNAR, eles frequentemente exigem restrições distributivas fortes e não testáveis para alcançar a identificação total.

Metodologia
O artigo propõe um método de análise de sensibilidade que renuncia à identificação total em favor da identificação parcial sob suposições mais fracas. A abordagem envolve as seguintes etapas:

Modelagem Dual: O desfecho e o mecanismo de abandono (dropout) são modelados simultaneamente usando modelos multiníveis.
- O desfecho $y_{ij}$ é modelado via um modelo de efeitos mistos lineares: $y_{ij} = X_{ij}\beta + \eta_{ij}$ .
- O processo de abandono é modelado via um modelo linear generalizado com ligação probit, utilizando uma variável latente $z^*_{ij}$ : $z^*_{ij} = X_{ij}\delta + u_{ij}$ , onde a observação ocorre se $z^*_{ij} > 0$ .
Parâmetro de Sensibilidade: Sob a suposição MAR, os efeitos aleatórios do modelo de desfecho ( $\eta$ ) e do modelo de abandono ( $u$ ) são independentes. Para considerar o MNAR, os autores introduzem uma matriz de parâmetros de sensibilidade $\Delta_i$ , representando a covariância entre esses componentes aleatórios.
Derivação do Viés: Os autores derivam uma expressão analítica geral para o viés do estimador de Mínimos Quadrados Generalizados (GLS) quando $\Delta_i \neq 0$ . O viés é uma função dos parâmetros de sensibilidade e do valor esperado de uma distribuição normal multivariada duplamente truncada.
Intervalos de Incerteza: Em vez de assumir um único valor para os parâmetros de sensibilidade, o método especifica um intervalo plausível (por exemplo, correlações entre 0 e 0,5). Ao calcular o viés para valores dentro desse intervalo, os autores constroem "intervalos de incerteza". Esses intervalos representam a união de intervalos de confiança derivados sob a faixa especificada de suposições MNAR, fornecendo limites para estimação e inferência.

Principais Contribuições

Expressão Analítica Geral: O artigo fornece uma expressão analítica geral para o viés do estimador GLS em modelos multiníveis sob condições MNAR. Derivações anteriores limitavam-se a casos especiais não representativos de estudos longitudinais (por exemplo, assumindo que todos os desfechos em um cluster estão totalmente observados ou totalmente ausentes).
Estrutura de Identificação Parcial: O método permite que pesquisadores quantifiquem a estabilidade das conclusões ao relaxar a suposição MAR sem exigir restrições distributivas não testáveis para identificar totalmente os parâmetros.
Estratégia de Implementação: Os autores demonstram como estimar os componentes necessários (matrizes de covariância e expectativas truncadas) usando softwares padrão (como lme4 no R) e pacotes especializados (MomTrunc), tornando a abordagem computacionalmente viável para pesquisadores aplicados.

Resultos

Aplicação Empírica: O método foi aplicado aos dados do SHARE (Survey of Health, Ageing and Retirement in Europe) para investigar a associação entre solidão, atividade física e trajetórias de memória em indivíduos com 65 anos ou mais.
- Sob MAR, sentimentos frequentes de solidão foram associados a uma diminuição de 0,59 palavras na pontuação de memória, enquanto a atividade física vigorosa foi associada a um aumento de 0,41 palavras.
- Análises de sensibilidade assumindo MNAR (especificamente que o declínio da memória aumenta o risco de abandono) sugeriram que as estimativas poderiam estar ligeiramente viesadas (subestimadas), mas as conclusões gerais permaneceram robustas. Os intervalos de incerteza foram ligeiramente mais largos, mas centrados de forma semelhante às estimativas MAR.
Estudo de Simulação: Um estudo de simulação avaliou o desempenho da correção de viés em amostras finitas.
- O estudo comparou modelos aninhados (agrupamento por domicílio) e não aninhados. Embora os modelos aninhados frequentemente sofressem problemas de convergência, os modelos não aninhados forneceram estimativas estáveis.
- As estimativas corrigidas pelo viés alcançaram taxas de cobertura empírica de pelo menos 87% (frequentemente 90–95%), mesmo quando o processo real de geração de dados violava o MAR.
- O estudo observou que os erros padrão para a variável tempo em desenhos aninhados foram subestimados, levando a uma menor cobertura para estimativas não corrigidas, mas a correção do viés melhorou significamente a cobertura.

Significância e Limitações
O artigo afirma que o método proposto oferece uma ferramenta prática para análise de sensibilidade em modelos multiníveis, particularmente para a pesquisa de saúde e envelhecimento, onde as suposições MAR são frequentemente questionáveis. Ele permite uma avaliação mais transparente de como as conclusões dependem das suposições sobre dados ausentes.

Os autores reconhecem limitações específicas:

Carga Computacional: Calcular o valor esperado de uma distribuição normal multivariada duplamente truncada torna-se computacionalmente intensivo para grandes clusters, limitando a viabilidade de desenhos altamente aninhados (por exemplo, agrupamento por nível de país) na implementação atual.
População-Alvo: Na aplicação empírica, a população-alvo é um tanto mal definida devido a mortes não registradas e seleção para o estudo, o que o método não aborda explicitamente.
Software: O método é atualmente implementado via scripts customizados usando pacotes existentes do R, com o objetivo futuro de integrá-lo ao pacote ui para maior acessibilidade.

O artigo conclui que, embora o método não resolva inteiramente o problema da identificação, ele fornece uma estrutura rigorosa para delimitar estimativas e avaliar a robustez dos achados sob cenários MNAR plausíveis.