Un revisor quiere una modelización estadística más compleja, ¿es razonable?

Question

He enviado un manuscrito a una revista y el editor asociado escribió que sus lectores querrán saber más sobre cómo el predictor de interés principal (la ocupación) está relacionado con la muerte, y esto requerirá, según el editor, una modelización estadística más compleja.

¿De qué se trata? Examiné cómo la ocupación se relaciona con la muerte en individuos con enfermedad coronaria. He realizado, como es convencional, un análisis de supervivencia con las siguientes características:

• Regresión de Cox.
• Tengo múltiples observaciones para cada individuo y prácticamente todas las covariables se actualizan en cada observación. Se ha utilizado el modelo de Cox ampliado, en sintaxis de proceso de recuento, realizado con el paquete rms de Harrell.
• Los predictores continuos se modelan con splines cúbicos restringidos, utilizando 4 nudos.
• Cohorte grande >50.000 observaciones, >10.000 individuos.
• He ajustado todos los factores de riesgo conocidos, y además algunos supuestos, para el resultado de interés. Después de hacer esto, la ocupación sigue siendo un fuerte predictor de la muerte.
• Así que llegué a la conclusión de que la ocupación es un predictor independiente de la muerte, independientemente de los factores de riesgo conocidos y de los presuntos factores de riesgo. (He ajustado hasta 15 covariables).

¿Qué más puedo hacer? ¿Qué "modelización estadística compleja" busca el editor?

Le agradecería que me ayudara.

Answer 1

Es un poco difícil de decir sin más contexto, pero parece que el editor está buscando un factor mediador o la causa real de la muerte que explicaría la mayor mortalidad con ciertas ocupaciones. Por ejemplo, a menos que los bibliotecarios mueran porque se les caen las estanterías encima, su ocupación no es el agente responsable de su muerte. Yo sugeriría 3 posibilidades, enumeradas por orden de dificultad/experiencia:

1. Identifique qué ocupaciones son las más peligrosas y determine a qué tipo de muertes tienen más probabilidades de sucumbir. O ver qué factores de riesgo suelen tener (¿mayor presión arterial?).

2. Realice un análisis de mediación (hay muchos métodos, y tal vez algunos que pueden implementarse con modelos de Cox).

3. Realizar un análisis de causalidad (es decir, determinados análisis de redes bayesianas, pruebas de causalidad de Granger o modelización de ecuaciones estructurales).

La primera opción puede ser suficiente, pero si esto es lo que el editor tiene en mente, me sorprendería que lo llamara "modelización estadística más compleja". La opción 3 es probablemente mucho más avanzada de lo que el editor estaba pensando, y requeriría la ayuda de un experto en estos enfoques o al menos algunos deberes serios. La opción 2 es probablemente la mejor, ya que ofrecería algunas ideas interesantes y no sería demasiado difícil de incorporar a su análisis.

O puedes responder al editor y pedirle una aclaración.