Focused median bias reduction

Resumo Técnico: Redução de Viés de Mediana Focada

Enunciado do Problema
Os estimadores de máxima verossimilhança (MLEs) são padrão na prática estatística devido à sua consistência e eficiência assintótica. No entanto, em amostras finitas — particularmente com tamanhos de amostra pequenos a moderados, alta dimensionalidade de parâmetros ou espaços de parâmetros restritos — os MLEs frequentemente exibem um viés significativo. Embora os métodos de redução de viés de média (ex: Firth, 1993) sejam bem estabelecidos, o viés de mediana é frequentemente preferível para distribuições assimétricas ou parâmetros com intervalos restritos, pois garante probabilidades iguais de superestimação e subestimação e é invariante sob transformações monotônicas.

Métodos existentes para a redução do viés de mediana de "parâmetros de foco" (transformações escalares suaves de uma parametrização de referência) enfrentam limitações substanciais. Métodos implícitos, como os baseados na raiz da verossimilhança assinada modificada ou escores de perfil ajustados (Kenne Pagui et al., 2017), exigem a resolução de sistemas não lineares de equações de estimativa, parametrizações de parâmetros de incerteza totalmente especificadas e otimização restrita repetida. Essas abordagens são computacionalmente exigentes, algebricamente complexas e podem ser numericamente frágeis, especialmente quando os parâmetros de foco não são componentes da parametrização canônica.

Metodologia
Os autores propõem um estimador de correção de viés de mediana explícito para parâmetros de foco definidos como transformações escalares suaves de uma parametrização de referência escolhida. A metodologia baseia-se na expansão de Cornish-Fisher do MLE centrado e escalonado do parâmetro de foco.

1. Estimador Oráculo: Teoricamente, um estimador de mediana não enviesado de terceira ordem $\tilde{\psi}^{(o)}$ pode ser construído se o viés $B(\psi)$, a variância $K_2$ e o terceiro cumulante $K_3$ do parâmetro de foco forem conhecidos. A expansão resulta em:
   $$\tilde{\psi}^{(o)} = \hat{\psi} - B(\psi) + \frac{1}{6}\frac{K_3}{K_2}$$
   onde $\hat{\psi}$ é o MLE padrão do parâmetro de foco.

2. Estimador Não-Oráculo: Como $B(\psi)$, $K_2$ e $K_3$ raramente estão disponíveis em forma fechada, os autores derivam versões não-oráculo substituindo essas quantidades por suas aproximações assintóticas avaliadas em um estimador inicial (tipicamente o MLE ou um estimador de viés de média reduzido). O termo de viés $B(\psi)$ é aproximado pelo termo principal da expansão de viés do vetor de parâmetro de referência, envolvendo o gradiente e o Hessiano da transformação e as expectativas de produtos de derivadas de log-verossimilhança (matrizes $P_t$ e $Q_t$).

3. Computação: As expectativas necessárias ($P_t, Q_t$) estão disponíveis em forma fechada para muitos modelos padrão (ex: GLMs, famílias exponenciais). Para modelos gerais, o artigo demonstra que essas quantidades podem ser estimadas eficientemente via simulação de Monte Carlo a partir do modelo ajustado, exigindo apenas a função de log-verossimilhança e um mecanismo de simulação.

4. Inferência: O estimador corrigido é de mediana não enviesado de terceira ordem. O artigo integra isso com procedimentos de Confiança Baseada em Hull (HulC) (Kuchibhotla et al., 2024). Ao aplicar a correção dentro de partições de dados, o método alcança cobertura de amostra finita quase nominal sem exigir estimativa explícita de variância ou suposições de distribuição limite, desde que o viés de mediana seja controlado.

Principais Contribuições

• Formulação Explícita: O artigo fornece uma fórmula direta e explícita para a correção do viés de mediana que evita a resolução iterativa de equações de escore ajustadas exigidas por métodos implícitos.
• Flexibilidade: O método acomoda quaisquer parâmetros de foco escalares suaves (ex: distâncias de Mahalanobis, quantis, efeitos marginais, medidas de superioridade ordinal) sem exigir uma parametrização de incerteza específica para cada foco.
• Eficiência Computacional: Reduz significativamente a carga computacional em comparação com métodos implícitos. Quando os parâmetros de foco são componentes da parametrização de referência, a correção explícita mostra-se equivalente a um passo de scoring de quasi-Fisher em direção ao estimador de redução de viés de mediana implícito de Kenne Pagui et al. (2017).
• Implementação Baseada em Simulação: O framework inclui uma abordagem prática para modelos onde as derivadas analíticas de quantidades de verossimilhança não estão disponíveis, utilizando simulação de Monte Carlo para estimar os termos de viés e cumulantes necessários.
• Propriedades de Equivariância: Embora o estimador explícito não seja exatamente equivariante sob reparametrização (ao contrário do MLE ou métodos implícitos), ele preserva a não-enviesamento de mediana de terceira ordem sob transformações monotônicas do parâmetro de foco.

Resultados
Os autores validam o framework através de extensas simulações e exemplos de dados reais:

• Distância de Mahalanobis: Em configurações normais multivariadas, o estimador corrigido reduz significativamente a probabilidade de subestimação (aproximando-a de 50%) e melhora o viés de média e o RMSE em amostras finitas em comparação com o MLE.
• Modelos Lineares Generalizados (GLMs): Na regressão probit para efeitos marginais individuais, o método corrige o viés de mediana quase completamente. Embora isso leve a uma leve inflação no viés de média e no RMSE, permite a construção de intervalos HulC com cobertura quase nominal, superando intervalos do tipo Wald baseados em estimadores não corrigidos ou corrigidos para viés de média.
• Quantis de Weibull: Para estimativa de quantis, a correção explícita performa comparavelmente ao estimador baseado em $r^*$ (que resolve a raiz da verossimilhança assinada modificada), mas com custo computacional substancialmente menor, pois evita otimização restrita repetida e interpolação de splines.
• Regressão Ordinal: Em casos de separação de dados onde os MLEs são infinitos, o método utiliza um estimador inicial de viés de média reduzido para produzir estimativas finitas e corrigidas de viés de mediana para medidas de superioridade ordinal.
• Critério de Informação de Foco (FIC): Na inferência pós-seleção, o método fornece intervalos de confiança robustos para parâmetros de foco selecionados via FIC, mantendo propriedades de cobertura mesmo quando o modelo selecionado está mal especificado.

Significância e Alegações
O artigo alega que o framework proposto oferece uma rota computacionalmente simples e amplamente aplicável para a não-enviesamento de mediana de terceira ordem. Ele preenche a lacuna entre a otimalidade teórica da redução de viés de mediana implícita e as restrições práticas da estatística aplicada.

As principais alegações de significância incluem:

• O método fornece aproximações de um passo (one-step) para a redução de viés de mediana implícita, entregando a mesma ordem de precisão sem a necessidade de resolver sistemas não lineares ou lidar com parametrizações de incerteza complexas.
• Integra-se naturalmente com a metodologia HulC, produzindo intervalos de confiança com garantias de cobertura de sexta ordem de precisão sob condições específicas, um nível de precisão raramente alcançado sem complexa inferência de verossimilhança de ordem superior.
• A abordagem é agnóstica ao modelo em relação à forma do parâmetro de foco, tornando-a adequada para quantidades derivadas complexas (ex: diferenças de risco, efeitos marginais) onde métodos tradicionais de verossimilhança de ordem superior são intratáveis.
• O método lida efetivamente com problemas de fronteira ao permitir o uso de estimadores iniciais de viés de média reduzidos (ex: estimador de Firth) para garantir valores iniciais finitos, uma característica não garantida em toda a redução de viés de mediana implícita para parâmetros de foco arbitrários.

Os autores concluem que, embora o estimador explícito sacrifique a equivariância exata sob reparametrização, essa troca resulta em uma ferramenta prática, robusta e eficiente para melhorar a estimativa e a inferência em amostras finitas em uma ampla gama de modelos estatísticos.