Comparing Missing Data Methods for Estimating Average Treatment Effects Under Time-Varying Confounding: A Simulation Study

Resumo Técnico: Comparação de Métodos de Dados Ausentes para Estimação de Efeitos Médios de Tratamento sob Confundimento Variável no Tempo

Definição do Problema
Na inferência causal do mundo real, os dados são frequentemente incompletos devido à perda de seguimento, abandono (dropout) ou não resposta. Abordagens estatísticas padrão frequentemente dependem da análise de casos completos, o que pode gerar estimativas viesadas e ineficientes quando os dados não são Completamente Ausentes ao Acaso (MCAR). Embora existam métodos para lidar com dados ausentes e para ajustar o confundimento (por exemplo, ponderação pelo escore de propensão), poucos estudos examinaram como os métodos de imputação performam especificamente sob confundimento variável no tempo com variáveis binárias. Além disso, há uma compreensão limitada de como o mecanismo de ausência (MCAR, MAR, MNAR), a taxa de ausência, a localização da ausência (tratamento vs. desfecho) e o tamanho da amostra afetam conjuntamente a validade das estimativas do Efeito Médio de Tratamento (ATE) e as condições subjacentes de identificabilidade (exchangabilidade, positividade e consistência).

Metodologia
Os autores conduziram um estudo de simulação utilizando um delineamento fatorial completo para comparar quatro estratégias de tratamento de dados ausentes:

1. Análise de casos completos: Restringindo a análise a indivíduos com dados totalmente observados.
2. Imputação de modo único: Substituindo valores ausentes pelo valor observado mais frequente.
3. Imputação hot deck estratificada: Imputando valores ausentes usando um doador aleatório do mesmo estrato definido por covariáveis observadas.
4. Imputação Múltipla por Equações Encadeadas (MICE): Gerando múltiplos conjuntos de dados via regressão iterativa e combinando as estimativas usando as regras de Rubin.

Design de Simulação:

• Geração de Dados: Conjuntos de dados longitudinais sintéticos foram gerados baseados em um cenário de eficácia vacinal com tratamento variável no tempo ($A_0, A_1, A_2$) e desfechos de sobrevivência ($Y_0, Y_1, Y_2, Y_3$). O processo incluiu quatro confundidores: comorbidades, idade, privação em nível de área e sexo.
• Parâmetros Variados:
  • Força do confundimento ($\rho$): -0,1, -0,4, -0,7.
  • Tamanho da amostra ($n$): 1.000 e 5.000.
  • Taxa de ausência: 20% e 50%.
  • Mecanismo de ausência: MCAR, MAR (no tratamento ou no desfecho) e MNAR.
  • Localização da ausência: Variáveis de tratamento ($A_1, A_2$) vs. variáveis de desfecho ($Y_1, Y_2$).
• Análise: Os ATEs foram estimados usando regressão logística com Ponderação pelo Inverso da Probabilidade de Tratamento (IPTW). O desempenho foi avaliado em 48 cenários (500 replicações cada) usando viés absoluto, cobertura de intervalo de confiança de 95% e erro padrão empírico. A prevalência de escores de propensão extremos foi usada como um proxy para violações de positividade.

Principais Resultados

• Desempenho dos Métodos: A Imputação Múltipla (MICE) superou consistentemente os outros métodos, alcançando o menor viés, maior cobertura e menor erro padrão empírico na maioria dos cenários. Ela permaneceu relativamente robusta mesmo sob MNAR, embora todos os métodos tenham apresentado algum declínio.
  • A análise de casos completos mostrou baixo viés sob MCAR, mas sofreu com cobertura pobre e altamente variável sob ausência não aleatória. Foi particularmente sensível ao confundimento forte.
  • A imputação de modo único performou mal, especialmente sob MAR, provavelmente devido à distorção das distribuições das variáveis binárias.
  • A imputação hot deck estratificada performou melhor que a análise de casos completos e a imputação de modo único, mas apresentou cobertura inferior à do MICE.
• Impacto dos Parâmetros:
  • Mecanismo de Ausência: Este foi o principal motor de viés e erro padrão empírico. O viés aumentou progressivamente de MCAR para MAR e para MNAR.
  • Força do Confundimento: O confundimento forte ($\rho = -0,7$) reduziu significativamente a cobertura do intervalo de confiança, particularmente para a análise de casos completos e imputação de modo único, sugerindo que métodos de dados ausentes que falham em preservar as relações entre variáveis dificultam a capacidade dos escores de propensão de restaurar a exchangabilidade.
  • Tamanho da Amostra: Amostras menores ($n=1.000$) foram associadas a maior viés e erro padrão empírico, provavelmente devido à instabilidade de estimativa de variância em amostras finitas, em vez de viés do estimador.
  • Localização da Ausência: A cobertura para MICE e imputação hot deck diminuiu quando a ausência ocorreu nas variáveis de tratamento em vez das variáveis de desfecho, atribuído à distribuição esparsa das variáveis de desfecho que limita a informação de imputação.
• Violações de Positividade: Escores de propensão extremos (indicando violações de positividade) concentraram-se em cenários MNAR, altas taxas de ausência (50%) e amostras pequenas.

Significância e Conclusões
O estudo conclui que o mecanismo de ausência e a escolha do método de dados ausentes são os determinantes dominantes do desempenho da estimação do ATE. Os autores defendem uma preferência geral pela Imputação Múltipla (MICE) sobre métodos ad hoc mais simples (casos completos, modo único, hot deck) ao lidar com dados ausentes de tratamento ou desfecho em análises causais baseadas em escore de propensão, uma vez que o MICE foi o único método que manteve cobertura aceitável sob MNAR.

No entanto, os autores observam que o desempenho dos métodos é altamente dependente do contexto. Mesmo métodos sofisticados como o MICE degradam quando a ausência afeta variáveis com distribuições altamente assimétricas (como os desfechos de sobrevivência neste estudo). O estudo destaca que o confundimento forte pode comprometer a cobertura mesmo quando os confundidores são totalmente medidos, particularmente se o método de dados ausentes falhar em preservar as relações necessárias para o ajuste.

Limitações
Os autores reconhecem diversas limitações: o estudo introduziu a ausência via um único mecanismo por vez, em vez de padrões complexos e mistos (por exemplo, abandono intermitente); as violações de positividade foram aproximadas via escores de propensão extremos; e o espaço de parâmetros foi limitado por custos computacionais. Além disso, cada método foi implementado com uma configuração fixa (por exemplo, MICE com $m=5$), o que pode não refletir todas as implementações práticas.

Direções Futuras
O artigo sugere que pesquisas futuras explorem métodos de imputação baseados em aprendizado de máquina e de robustez dupla (doubly robust) sob confundimento variável no tempo, apliquem essas comparações a conjuntos de dados do mundo real com padrões de ausência complexos e investiguem sistematicamente a interação entre violações de positividade e mecanismos de ausência.