519. GEE – analiza skorelowanych obserwacji wprowadzenie

W poprzedniej lekcji omawialiśmy modele mieszane, które pozwalają analizować dane zagnieżdżone i powtarzane pomiary. W tej lekcji wprowadzimy inną ważną rodzinę metod: uogólnione równania estymujące, czyli generalized estimating equations, w skrócie GEE. Metoda ta jest przeznaczona przede wszystkim do sytuacji, w których obserwacje pochodzące od tego samego pacjenta, gospodarstwa domowego, szkoły, oddziału lub innej jednostki są wzajemnie skorelowane.

GEE rozszerza logikę uogólnionych modeli liniowych na dane zależne. Można więc analizować nie tylko wynik ciągły, ale także wynik binarny, zliczenia lub inne typy zmiennych, jednocześnie uwzględniając fakt, że kilka obserwacji pochodzi od tej samej jednostki. Metoda jest szczególnie użyteczna wtedy, gdy interesuje nas średni efekt w populacji, a nie opis indywidualnych trajektorii pacjentów. W ramach publicznego szkolenia na statystyk.edu.pl GEE warto traktować jako naturalne przejście od klasycznych modeli regresyjnych do analizy danych podłużnych i klastrowych.

Dlaczego zwykła regresja może być niewystarczająca?

Załóżmy, że 200 pacjentów oceniano czterokrotnie: przed leczeniem, po dwóch tygodniach, po sześciu tygodniach i po trzech miesiącach. Otrzymujemy maksymalnie 800 obserwacji, ale nie są to 800 niezależnych osób. Cztery pomiary jednego pacjenta zwykle przypominają siebie bardziej niż pomiary dwóch różnych pacjentów.

Jeżeli tę zależność zignorujemy i zastosujemy zwykłą regresję liniową lub logistyczną tak, jakby wszystkie wiersze danych były niezależne, estymatory wariancji mogą być zaniżone. W konsekwencji przedziały ufności stają się zbyt wąskie, a wartości p mogą być zbyt małe. Problem nie musi polegać na całkowicie błędnym oszacowaniu średniego związku, lecz na błędnej ocenie jego niepewności.

Analogiczna sytuacja występuje w badaniu klastrowym. Pacjenci mogą być zgrupowani w przychodniach, uczniowie w szkołach, a respondenci w gospodarstwach domowych. Osoby należące do tego samego klastra mogą mieć podobne cechy, ponieważ korzystają z tych samych usług, żyją w podobnym środowisku lub podlegają wspólnej organizacji pracy.

Czym są uogólnione równania estymujące?

GEE zaproponowano jako sposób estymowania parametrów regresji dla danych podłużnych i klastrowych bez konieczności pełnego określania wspólnego rozkładu wszystkich obserwacji w klastrze (Liang i Zeger, 1986). Metoda wykorzystuje model dla średniej warunkowej lub marginalnej oraz dodatkowo opisuje zależność pomiędzy obserwacjami należącymi do tego samego klastra.

W praktyce GEE składa się z kilku elementów:

  • modelu średniej, który określa związek między wynikiem a zmiennymi objaśniającymi;
  • funkcji łączącej, takiej jak identycznościowa, logitowa lub logarytmiczna;
  • modelu wariancji, zależnego od typu zmiennej wynikowej;
  • roboczej macierzy korelacji, opisującej zależność obserwacji w obrębie klastra;
  • estymatora wariancji, często określanego jako odporny, kanapkowy lub sandwich.

Najważniejsza cecha GEE polega na tym, że robocza macierz korelacji nie musi być idealnie poprawna, aby uzyskać poprawne asymptotycznie oszacowania parametrów średniej, pod warunkiem spełnienia odpowiednich założeń i dostatecznej liczby niezależnych klastrów. Błędna specyfikacja korelacji może jednak zmniejszać efektywność estymacji, a przy małej liczbie klastrów także pogarszać działanie aproksymacji asymptotycznych (Zeger, Liang i Albert, 1988).

Podstawowy zapis matematyczny

Niech Yi oznacza wektor obserwacji w klastrze i, na przykład wyniki jednego pacjenta w kolejnych punktach czasu. Niech μi będzie wektorem oczekiwanych wartości wyniku, a β – wektorem parametrów regresji. GEE można zapisać w postaci:

∑i=1K DiT Vi−1(Yi − μi) = 0

Oznaczenia mają następujące znaczenie:

  • K – liczba niezależnych klastrów, na przykład liczba pacjentów;
  • Yi – wektor zaobserwowanych wyników w klastrze i;
  • μi – wektor wartości oczekiwanych wynikających z modelu;
  • Di = ∂μi/∂β – macierz pochodnych średnich względem parametrów;
  • Vi – modelowana macierz kowariancji obserwacji w klastrze;
  • Vi−1 – odwrotność macierzy kowariancji;
  • Yi − μi – wektor reszt.

Macierz Vi zwykle buduje się z części opisującej wariancje poszczególnych obserwacji oraz części opisującej korelacje. Uproszczony zapis ma postać:

Vi = φ Ai1/2 Ri(α) Ai1/2

Symbol φ oznacza parametr skali, Ai jest macierzą diagonalną zawierającą wariancje zależne od średniej, natomiast Ri(α) jest roboczą macierzą korelacji zależną od parametrów α. Właśnie wybór Ri(α) pozwala odzwierciedlić przypuszczalny układ zależności pomiędzy pomiarami.

Marginalny charakter interpretacji

GEE jest zwykle określane jako metoda marginalna lub populacyjna. Oznacza to, że parametr opisuje przeciętny związek w populacji, a niekoniecznie zmianę wyniku u konkretnej osoby przy stałych, nieobserwowanych cechach tej osoby.

Przykładowo, w logistycznym modelu GEE współczynnik dla leczenia może być interpretowany jako populacyjny iloraz szans. Jeżeli oszacowany iloraz szans wynosi 0,70, można powiedzieć, że w analizowanej populacji szanse badanego zdarzenia w grupie leczonej są średnio o około 30% mniejsze niż w grupie porównawczej, przy pozostałych zmiennych uwzględnionych w modelu. Nie należy automatycznie tłumaczyć tego jako „u każdego pacjenta ryzyko spadło o 30%”.

Interpretacja zależy także od projektu badania. Jeżeli badanie jest obserwacyjne, wynik GEE opisuje związek lub różnicę skorygowaną o zmienne w modelu. Samo zastosowanie GEE nie nadaje analizie charakteru przyczynowego.

Rodzaje roboczej macierzy korelacji

Niezależność

Zakłada się, że obserwacje w obrębie klastra są niezależne. Może wydawać się to sprzeczne z analizą danych skorelowanych, ale taki model bywa użyteczny, zwłaszcza gdy zastosowano odporny estymator wariancji. Nie oznacza to jednak, że zależność rzeczywiście nie istnieje.

Wymienna macierz korelacji

Zakłada się, że każda para obserwacji w tym samym klastrze ma taką samą korelację. Jest to częsty wybór dla powtarzanych pomiarów, gdy nie ma mocnych podstaw, aby uznać, że korelacja zależy od odległości czasowej.

Autoregresyjna macierz korelacji

Zakłada się, że pomiary bliższe sobie w czasie są silniej skorelowane niż pomiary odległe. Taki wybór może być rozsądny w badaniach, w których zależność stopniowo słabnie wraz z upływem czasu.

Niestrukturalna macierz korelacji

Każda para pomiarów może mieć odrębną korelację. Model jest elastyczny, ale wymaga estymowania wielu parametrów. Przy małej liczbie klastrów lub dużej liczbie punktów czasowych może być niestabilny.

Robocza korelacja jest elementem modelu obliczeniowego, a nie zawsze głównym przedmiotem wnioskowania. W raporcie należy jednak podać, jaką strukturę wybrano i dlaczego. Można także przeprowadzić analizę wrażliwości, porównując kilka rozsądnych struktur.

Przykład 1: ciśnienie tętnicze w badaniu klinicznym

W badaniu 150 pacjentów z nadciśnieniem mierzono skurczowe ciśnienie tętnicze w czterech punktach czasu. Porównywano program edukacji pielęgniarskiej ze standardową opieką. Wynik jest ciągły, dlatego można zastosować GEE z identycznościową funkcją łączącą.

Model może zawierać grupę leczenia, czas, interakcję grupy z czasem oraz zmienne wyjściowe, takie jak wiek i ciśnienie początkowe. Klaster stanowi pacjent, a obserwacje w klastrze są jego kolejnymi pomiarami.

Jeżeli współczynnik interakcji „program × sześć tygodni” wynosi −6,5 mmHg, interpretujemy go jako różnicę w średniej zmianie ciśnienia między grupami po sześciu tygodniach, względem kategorii odniesienia. Nie jest to bezpośrednio „spadek ciśnienia każdego pacjenta o 6,5 mmHg”. Warto podać także 95% przedział ufności i ocenić, czy wielkość efektu ma znaczenie kliniczne.

Przykład 2: objawy depresyjne w badaniu podłużnym

Załóżmy, że 400 osób wypełniało kwestionariusz objawów depresyjnych co miesiąc przez pół roku. Badacz chce sprawdzić, czy udział w grupie wsparcia wiąże się z mniejszym prawdopodobieństwem osiągnięcia klinicznie istotnego poziomu objawów.

Wynik można zdefiniować jako binarny: 1 – przekroczenie ustalonego progu, 0 – brak przekroczenia. GEE z funkcją logitową pozwala oszacować populacyjny iloraz szans dla uczestnictwa w grupie wsparcia, uwzględniając powtarzanie pomiarów u tych samych osób.

Jeżeli iloraz szans wynosi 0,62, oznacza to niższe populacyjne szanse przekroczenia progu w grupie wsparcia w porównaniu z grupą kontrolną, przy założeniu poprawnej specyfikacji modelu i po uwzględnieniu wskazanych zmiennych. Wynik nie dowodzi jednak skuteczności przyczynowej, jeśli badanie nie było randomizowane lub występuje istotne zakłócenie.

GEE a modele mieszane

GEE i uogólnione liniowe modele mieszane mogą analizować podobne dane, ale odpowiadają na nieco inne pytania. GEE koncentruje się na średnim efekcie populacyjnym i nie wymaga pełnego modelowania rozkładu efektów losowych. Model mieszany jawnie wprowadza efekty losowe, dzięki czemu może opisywać różnice między osobami oraz indywidualne trajektorie.

Nie ma uniwersalnej zasady, że jedna metoda jest zawsze lepsza. Wybór powinien wynikać z pytania badawczego, projektu, liczby klastrów, schematu braków danych, typu wyniku i sposobu interpretacji. GEE bywa atrakcyjne w badaniach epidemiologicznych i klinicznych, gdy głównym celem jest wnioskowanie o populacji.

Najczęstsze błędy

  • Traktowanie wszystkich wierszy jako niezależnych. Powtarzane obserwacje tej samej osoby nie zwiększają liczby niezależnych klastrów.
  • Raportowanie wyłącznie wartości p. Należy podawać oszacowanie efektu, przedział ufności, miarę efektu i jego znaczenie praktyczne.
  • Interpretowanie p jako prawdopodobieństwa prawdziwości hipotezy zerowej. Wartość p nie jest takim prawdopodobieństwem.
  • Założenie, że błędna korelacja zawsze unieważnia wynik. W GEE ważny jest odporny estymator wariancji, ale przy małej liczbie klastrów jego działanie może być niewystarczające.
  • Automatyczny wybór macierzy korelacji. Strukturę należy uzasadnić wiedzą o procesie pomiarowym oraz, w miarę możliwości, sprawdzić w analizie wrażliwości.
  • Pomijanie liczby niezależnych klastrów. Duża liczba obserwacji nie kompensuje całkowicie bardzo małej liczby klastrów.
  • Niewłaściwe wnioskowanie przy brakach danych. Należy opisać zakres braków, ich wzorzec i przyjęte założenia dotyczące mechanizmu brakowania.
  • Język przyczynowy w badaniu obserwacyjnym. GEE nie zastępuje randomizacji, kontroli zakłóceń ani poprawnego projektu badania.

Przykład praktyczny: jak zaplanować analizę?

  1. Zdefiniuj jednostkę klastra, na przykład pacjenta, rodzinę, szkołę lub poradnię.
  2. Określ, jaki jest główny wynik i wybierz odpowiednią funkcję łączącą.
  3. Ustal, czy interesuje Cię efekt populacyjny, czy raczej indywidualne różnice i trajektorie.
  4. Wybierz początkową strukturę roboczej korelacji na podstawie schematu pomiarów.
  5. Zbuduj model przed analizą wyników, uwzględniając ważne zmienne zakłócające i interakcje uzasadnione pytaniem badawczym.
  6. Raportuj współczynniki, miary efektu, 95% przedziały ufności, wartości p, liczbę klastrów i sposób obliczania błędów standardowych.
  7. Wykonaj analizę wrażliwości dla innej rozsądnej struktury korelacji oraz – gdy to potrzebne – dla alternatywnego sposobu postępowania z brakami danych.

Przykładowe zdanie raportowe mogłoby brzmieć: „Zastosowano marginalny model GEE z funkcją logitową, w którym pacjent stanowił klaster, a zależność pomiarów opisano wymienną roboczą macierzą korelacji. Błędy standardowe obliczono za pomocą odpornego estymatora sandwich. Wyniki przedstawiono jako populacyjne ilorazy szans wraz z 95% przedziałami ufności”. Taki opis jest znacznie bardziej informacyjny niż samo stwierdzenie, że „wykonano analizę GEE”.

Co warto zapamiętać?

  • GEE służy do analizy wyników, których obserwacje są skorelowane w obrębie klastra.
  • Typowe przykłady to powtarzane pomiary u pacjentów, osoby w gospodarstwach domowych i uczniowie w szkołach.
  • Metoda łączy model średniej, funkcję łączącą, wariancję oraz roboczą macierz korelacji.
  • Interpretacja GEE jest zwykle marginalna, czyli dotyczy średniego efektu w populacji.
  • Robocza struktura korelacji powinna być uzasadniona, ale nie musi idealnie odtwarzać rzeczywistej zależności.
  • Najważniejsze są nie tylko wartości p, lecz także wielkość efektu, przedział ufności i znaczenie praktyczne.
  • GEE nie tworzy automatycznie wniosków przyczynowych.
  • W kolejnych analizach należy zwrócić szczególną uwagę na małą liczbę klastrów, braki danych i interpretację wyników dla wyników binarnych oraz zliczeń.

GEE jest więc narzędziem pomiędzy prostym modelem regresji a pełnym modelowaniem indywidualnych efektów losowych. Pozwala zachować elastyczność uogólnionych modeli liniowych, a zarazem uwzględnić fakt, że dane z badań medycznych, psychologicznych i społecznych rzadko są w pełni niezależne.

Źródła i dalsza lektura

  1. Liang, Kung-Yee; Zeger, Scott L. (1986). Longitudinal Data Analysis Using Generalized Linear Models. Biometrika, 73(1), 13–22. DOI: 10.1093/biomet/73.1.13.
  2. Zeger, Scott L.; Liang, Kung-Yee; Albert, Paul S. (1988). Models for Longitudinal Data: A Generalized Estimating Equation Approach. Biometrics, 44(4), 1049–1060. DOI: 10.2307/2531734.
  3. Ballinger, Gary A. (2004). Using Generalized Estimating Equations for Longitudinal Data Analysis. Organizational Research Methods, 7(2), 127–150. DOI: 10.1177/1094428104263672.
  4. Hubbard, Alan E.; Ahern, Jennifer; Fleischer, Nancy L.; Van der Laan, Mark; Lippman, S. A.; Jewell, Nicholas; Bruckner, Tim; Satariano, William A. (2010). To GEE or Not to GEE: Comparing Population Average and Mixed Models for Estimating the Associations Between Neighborhood Risk Factors and Health. Epidemiology, 21(4), 467–474. DOI: 10.1097/EDE.0b013e3181caeb90.
  5. Cui, Jingyue (2007). QIC Program and Model Selection in GEE Analyses. The Stata Journal, 7(2), 209–220. DOI: 10.1177/1536867X0700700205.
  6. Hardin, James W.; Hilbe, Joseph M. (2013). Generalized Estimating Equations. Second Edition. Chapman and Hall/CRC. Informacja wydawcy / źródło.

Podobne wpisy

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *