Bias and Variance of Adjusting for Instruments

Este estudo de simulação demonstra que, no contexto de escores de propensão de grande escala, o ajuste por variáveis instrumentais que atendem a critérios específicos de correlação e equilíbrio gera um viés insignificante na estimativa do efeito, apoiando a estratégia de incluir a maioria das covariáveis pré-tratamento em vez de tentar identificar um conjunto limitado de confundidores.

O essencial

Imagine que você é um chef tentando descobrir se um novo tempero (o Tratamento) faz a sopa ficar mais saborosa (o Resultado). O problema é que a sua cozinha está cheia de outros ingredientes e fatores que podem mudar o sabor, como a qualidade da água ou a idade do fogão. Esses são os Fatores de Confusão.

Para descobrir a verdade, você precisa controlar tudo isso. Na pesquisa médica, usamos uma ferramenta chamada "Propensity Score" (uma espécie de "plano de controle" matemático) para equilibrar os grupos e ver o efeito real do tempero.

Aqui está o dilema que este artigo resolve: O que acontece se, ao tentar controlar tudo, você incluir acidentalmente um ingrediente que não tem nada a ver com o sabor da sopa, mas que muda muito a forma como você coloca o tempero?

Vamos usar analogias para entender o que os autores descobriram:

1. O Vilão: O "Instrumento"

Pense em um Instrumento como um cozinheiro preguiçoso.

• Ele decide quando você usa o tempero (afeta o tratamento).
• Mas ele não muda o sabor da sopa em si (não afeta o resultado).
• O medo dos cientistas sempre foi: "Se incluirmos esse cozinheiro preguiçoso na nossa análise, vamos estragar o cálculo do sabor real, aumentando o erro e a confusão."

2. A Solução Antiga vs. A Nova Abordagem

• A Abordagem Cautelosa (Antiga): "Vamos listar apenas os ingredientes que sabemos que mudam o sabor." O problema é que é muito difícil saber todos os ingredientes. Você pode esquecer um fator crucial (como a água) e sua sopa fica ruim.
• A Abordagem "LSPS" (Grande Escala): "Vamos colocar TODOS os ingredientes na panela e deixar o computador decidir o que é importante." Isso é arriscado porque pode incluir muitos "cozinheiros preguiçosos" (instrumentos).

3. O Experimento (A Simulação)

Os autores do artigo criaram uma simulação de computador gigante (como um "universo de sopa virtual") para testar o que acontece quando você inclui esses "cozinheiros preguiçosos" na sua análise, mesmo que você não tenha controlado perfeitamente a água (o fator de confusão não medido).

Eles usaram dois filtros de segurança (diagnósticos) para ver se o "cozinheiro preguiçoso" era forte demais:

1. O Filtro da Correlação (0.5): Se o cozinheiro preguiçoso e o tempero estiverem "casados" demais (correlação maior que 0.5), a gente para e rejeita a análise.
2. O Filtro do Equilíbrio (Equipoise): Se o grupo de pessoas que usa o tempero e o que não usa estiverem muito desequilibrados por causa desse cozinheiro, a gente para.

4. A Grande Descoberta (O Resultado)

Aqui está a parte mágica: O medo era exagerado!

Mesmo quando o "cozinheiro preguiçoso" (o instrumento) era 20 vezes mais forte do que o problema da água não controlada (o fator de confusão), incluir ele na análise não estragou a sopa tanto quanto a gente pensava.

• O Viés (O Erro de Sabor): Adicionar o cozinheiro preguiçoso aumentou um pouquinho o erro, mas menos do que o erro que já existia por não ter controlado a água. Ou seja, é melhor ter um erro pequeno por causa do cozinheiro do que um erro gigante por não controlar a água.
• A Variância (A Instabilidade): A precisão da medida caiu um pouco (a sopa ficou um pouco menos estável), mas não foi catastrófico.

5. A Lição Prática (O Veredito)

O artigo conclui que, se você usar esses filtros de segurança (como o limite de 0.5 de correlação), você pode ser "preguiçoso" e incluir muitos ingredientes na sua análise (usar o método LSPS) sem medo de estragar tudo.

A analogia final:
Imagine que você está tentando adivinhar a altura de uma pessoa em uma sala cheia de gente.

• Se você tentar escolher apenas as pessoas que você acha que são altas, você pode esquecer de medir a altura do chão (fator de confusão) e errar feio.
• Se você medir TODAS as pessoas, incluindo algumas que são apenas decorativas (instrumentos), você pode cometer um pequeno erro de cálculo, mas ainda assim terá uma resposta muito mais precisa do que se tivesse tentado adivinhar quais eram as "pessoas certas" para medir.

Resumo em uma frase:
Não tenha medo de incluir muitos dados na sua análise médica, desde que você use filtros simples para garantir que nenhum dado "falso" seja dominante; é melhor correr o risco de um pequeno erro por incluir dados extras do que cometer um grande erro por deixar dados importantes de fora.

Resumo técnico

1. O Problema

Em pesquisas observacionais, o ajuste por escore de propensão (PS) é amplamente utilizado para mitigar o viés de confusão. No entanto, existe um debate contínuo sobre quais covariáveis devem ser incluídas no modelo de escore de propensão:

• Seleção Manual: Foca em um conjunto limitado de confusores conhecidos, mas corre o risco de omitir variáveis importantes.
• Inclusão em Larga Escala (LSPS): Inclui a maioria das covariáveis pré-tratamento disponíveis.

O principal risco da abordagem de larga escala é a inclusão acidental de instrumentos. Um instrumento é uma variável que afeta o tratamento, mas não afeta diretamente o desfecho. A literatura teórica sugere que ajustar para instrumentos na presença de confusão não ajustada pode:

1. Amplificar o viés da estimativa do efeito do tratamento.
2. Aumentar a variância da estimativa.

A questão central deste estudo é quantificar o impacto real desses instrumentos quando eles passam pelos filtros de diagnóstico utilizados na prática moderna (como no método Large-Scale Propensity Score ou LSPS), especificamente quando a correlação com o tratamento é moderada e há equilíbrio (equipoise) entre os grupos.

2. Metodologia

Os autores realizaram uma simulação computacional para avaliar as características operacionais do ajuste por instrumentos em cenários de confusão não ajustada.

• Configuração da Simulação:
  • Variáveis: Confundidor ($X$), Instrumento Medido ($Z$), Instrumento Não Medido ($U$), Tratamento ($T$) e Desfecho ($Y$).
  • Modelo: Regressão logística para gerar os dados e estimar os efeitos.
  • Parâmetros: O estudo variou a força do instrumento medido ($B$) enquanto mantinha a variância total do tratamento constante (ajustando a força do instrumento não medido).
  • Cenários Comparados:
    1. Modelo Cru (sem ajuste).
    2. Modelo com ajuste apenas para o instrumento.
    3. Modelo com ajuste apenas para o confundidor (considerado o "padrão-ouro" para estimativa verdadeira).
    4. Modelo com ajuste para ambos (confundidor e instrumento).
• Diagnósticos do LSPS: O estudo simulou os critérios de rejeição do LSPS:
  • Correlação de Pearson entre covariável e tratamento < 0,5.
  • Verificação de equipoise (preferência score) para garantir que combinações de covariáveis não criem um instrumento forte agregado.
• Experimentos: Foram realizados dois tipos de simulações: uma com um único instrumento e outra com dez instrumentos independentes atuando simultaneamente. O tamanho da amostra foi de 200.000 observações.

3. Principais Contribuições

• Quantificação Empírica: O estudo fornece dados quantitativos sobre quanto o viés e a variância aumentam quando instrumentos são ajustados, sob condições que simulam a prática clínica real com diagnósticos de LSPS.
• Validação de Limiares de Diagnóstico: O trabalho valida a eficácia dos limiares de correlação (0,5) e de equipoise (>0,5) utilizados no LSPS para mitigar os riscos teóricos de instrumentos.
• Comparação de Trade-offs: Demonstra que o risco de incluir instrumentos é menor do que o risco de deixar confundidores não ajustados, mesmo quando a variância explicada pelo instrumento é muito maior que a do confundidor.

4. Resultados Chave

• Impacto no Viés:
  • Ajustar apenas para o instrumento (na presença de confusão não ajustada) aumenta o viés, mas o aumento é limitado.
  • No ponto onde a correlação do instrumento com o tratamento atingiu o limiar de 0,5 (o ponto de corte do LSPS), o viés adicional causado pelo instrumento foi menor do que o viés causado pela confusão não ajustada sozinha.
  • Mesmo quando a variância do tratamento explicada pelo instrumento foi mais de 20 vezes maior que a explicada pelo confundidor, o viés total permaneceu controlado.
• Impacto na Variância:
  • O ajuste para instrumentos aumentou a variância da estimativa, mas o aumento foi modesto (menos de 50% em relação à variância base nos cenários de teste).
  • O ajuste combinado (confundidor + instrumento) resultou em uma estimativa não viesada, embora com variância ligeiramente maior que o modelo ideal (apenas confundidor).
• Múltiplos Instrumentos:
  • Na simulação com 10 instrumentos, o viés nunca superou o viés da confusão não ajustada, desde que o equipoise permanecesse acima de 0,5.
  • O diagnóstico de equipoise provou ser eficaz em detectar o efeito agregado de múltiplos instrumentos fracos, mesmo quando a correlação individual de cada um era baixa (0,153).

5. Significado e Conclusão

O estudo conclui que, no contexto de diagnósticos modernos como o LSPS, a preocupação teórica de que instrumentos aumentam excessivamente o viés e a variância é subestimada na prática.

• Recomendação Prática: A estratégia de incluir um grande número de covariáveis (LSPS) é superior à seleção manual limitada de confusores. O risco de omitir confundidores críticos supera o risco de incluir instrumentos fracos que passam pelos filtros de diagnóstico (correlação < 0,5 e *equipoise* > 0,5).
• Validação de Métodos: Os resultados apoiam empiricamente estudos anteriores que mostraram que o LSPS produz resultados menos viesados do que métodos de seleção manual ou High-Dimensional Propensity Score (hdPS), mesmo com a inclusão potencial de instrumentos.
• Implicação: Pesquisadores devem confiar nos diagnósticos de LSPS para rejeitar análises com instrumentos fortes, mas não devem hesitar em incluir grandes conjuntos de covariáveis, pois o benefício de capturar confusores não medidos supera o custo marginal de ajustar para instrumentos fracos.

Em resumo, a busca por ajustar para confundidores deve prevalecer sobre o medo de ajustar para instrumentos, desde que os protocolos de diagnóstico padrão sejam seguidos.