Causal Stability Selection

Technisches Fazit: Kausale Stabilitätsselektion

Problemformulierung
Das zentrale behandelte Problem ist die Identifizierung von Wirkungsmodifikatoren – Kovariaten, die Heterogenität in Behandlungseffekten erklären. Während viele Studien durchschnittliche Behandlungseffekte (ATE) von null berichten, variieren die Behandlungseffekte oft systematisch mit prätherapeutischen Kovariaten ($X$). Formal werden Wirkungsmodifikatoren über den bedingten durchschnittlichen Behandlungseffekt (CATE) definiert, $\tau(x) = E[Y(1) - Y(0) | X=x]$. Eine Kovariate $X_j$ ist ein Wirkungsmodifikator, wenn $\tau(X) \not\perp\!\!\perp X_j | X_{-j}$.

Bestehende datenadaptive Verfahren zur Variablenauswahl bieten oft keine Kontrolle im endlichen Stichprobenumfang über die erwartete Anzahl falscher Entdeckungen. Wie in der motivierenden Simulation des Papiers illustriert, führen Standardansätze wie ehrliches Splitting oder K-fache Cross-Fitting-Kombinationen mit Lasso oder Stabilitätsselektion häufig zu stark aufgeblähten False-Discovery-Raten (FDR), was die Zuverlässigkeit nachgelagerter zielgerichteter Interventionen untergräbt. Die Herausforderung besteht darin, eine sparsame Menge echter Wirkungsmodifikatoren zu entdecken und dabei strenge Garantien für Fehlerraten im endlichen Stichprobenumfang aufrechtzuerhalten, obwohl der wahre CATE $\tau(X)$ unbeobachtet ist und geschätzt werden muss.

Methodik: Kausale Stabilitätsselektion (CausalStabSel)
Die Autoren schlagen CausalStabSel vor, einen Algorithmus, der die CATE-Schätzung mit Cross-Fitting und Integrated Path Stability Selection (IPSS) integriert. Die Methode läuft in zwei Hauptphasen ab:

1. Cross-Fitted-Schätzung von Selektionswahrscheinlichkeiten:
   Im Gegensatz zur Standard-Stabilitätsselektion, die davon ausgeht, dass das Ergebnis direkt beobachtet wird, erkennt CausalStabSel an, dass die „Antwort" für die Variablenauswahl der unbeobachtete CATE ist. Der Algorithmus läuft über $B$ Iterationen:

   • In jeder Iteration werden die Daten in zwei disjunkte Teilmengen $A$ und $A^c$ aufgeteilt.
   • Ein CATE-Schätzer $\hat{\tau}$ wird auf der zurückgehaltenen Menge $A^c$ trainiert.
   • Das trainierte Modell sagt CATE-Werte für die Stichproben in $A$ vorher.
   • Ein Basis-Variablenselektor $\hat{S}_\lambda$ (z. B. Lasso oder XGBoost-Importanzwerte) wird auf die Paare $(x_i, \hat{\tau}(x_i))$ für $i \in A$ angewendet.
   • Dieser Prozess wird mit vertauschten Rollen wiederholt ($A^c$ zum Training, $A$ zur Selektion), um $2B$ Teilstichproben zu generieren.
   • Die Selektionswahrscheinlichkeit $\hat{\pi}_{j,m}(\lambda)$ für Kovariate $j$ wird als Anteil der Fälle berechnet, in denen $j$ über alle $2B$ Teilstichproben hinweg selektiert wurde.

2. Konstruktion der Selektionsmenge:
   Die endliche Menge der Wirkungsmodifikatoren wird unter Verwendung des IPSS-Kriteriums konstruiert, das die Selektionswahrscheinlichkeiten über ein Parametergitter $\Lambda$ integriert, anstatt sie einfach zu maximieren. Eine Variable $j$ wird selektiert, wenn:
   $$\int_{\Lambda} f(\hat{\pi}_{j,m}(\lambda)) \mu(d\lambda) \geq \gamma$$
   wobei $f(x) = (2x-1)^3 \mathbb{1}(x \geq 1/2)$ und $\mu$ ein Wahrscheinlichkeitsmaß ist. Dieser Ansatz liefert eine engere obere Schranke für die erwartete Anzahl falscher Positivwerte (EFP) im Vergleich zur traditionellen Stabilitätsselektion. Der Schwellenwert wird durch ein Ziel-EFP-Niveau $t$ oder ein nominelles FDR-Niveau $\alpha$ bestimmt.

Hauptbeiträge
Das Papier leistet drei wesentliche Beiträge:

1. Einheitliches Framework mit Garantien für endliche Stichproben: Die Autoren stellen das erste Framework für die Entdeckung von Wirkungsmodifikatoren bereit, das eine nicht-asymptotische, obere Schranke für endliche Stichproben für die erwartete Anzahl falscher Positivwerte bietet. Diese Garantie gilt ohne Einschränkung der Form des Basisselektors oder des CATE-Schätzers.
2. Theoretischer Zusammenhang zwischen Schätzung und Entdeckung: Das Papier beweist, dass die geschätzten Selektionswahrscheinlichkeiten mit einer Rate konvergieren, die direkt durch die Konvergenzrate des zugrunde liegenden CATE-Schätzers bestimmt wird, zu ihren „Orakel"-Gegenstücken (wo der wahre $\tau$ bekannt ist). Spezifisch: Wenn der CATE-Schätzer eine parametrische Rate ($n^{-1/2}$) erreicht, sind die Selektionswahrscheinlichkeiten asymptotisch erwartungstreu.
3. Rechenbarkeit und Stabilität: Durch die Aggregation von Ergebnissen über wiederholte Teilstichproben hinweg liefert die Methode stabile Entdeckungen selbst in hochdimensionalen Settings, bleibt rechnerisch machbar und kontrolliert gleichzeitig falsche Entdeckungen.

Ergebnisse
Die Methode wurde durch umfangreiche Simulationsstudien und zwei reale Anwendungen evaluiert:

• Simulationen: Über 34 Experimente hinweg, die lineare und nichtlineare Settings mit variierenden Stichprobengrößen, Dimensionen und Konfundierungsstrukturen abdeckten, war CausalStabSel die einzige Methode, die die empirische FDR einheitlich über alle Regime hinweg auf oder unter dem nominellen Niveau hielt. Konkurrierende Methoden, einschließlich IPSS, Knockoffs und Benjamini-Hochberg, zeigten bei Anwendung auf geschätzte CATEs ein anti-konservatives Verhalten (FDR deutlich über nominellen Niveaus). CausalStabSel erreichte hohe True-Positive-Raten (TPR), die mit den am besten abschneidenden Alternativen vergleichbar waren, ohne die Power zu opfern.
• Reale Anwendungen:
  • PRIME-Randomisierte Studie (Onkologie): Angewendet auf eine Studie zur Anti-EGFR-Therapie bei metastasiertem kolorektalem Karzinom. CausalStabSel identifizierte den KRAS-Mutationsstatus (BMMTR1, BMMTR3) als Wirkungsmodifikator, konsistent mit der bekannten klinischen Literatur, sowie Thrombozyten, Alter und Laktatdehydrogenase.
  • Mütterliches Rauchen und Geburtsgewicht (Beobachtend): Angewendet auf Geburtenregister in Pennsylvania. Die Methode identifizierte das mütterliche Alter und den Erstgeborenen-Status als Wirkungsmodifikatoren, konsistent mit epidemiologischen Befunden bezüglich rauchinduzierter Geburtsgewichtsreduktion.
  • In beiden Fällen lieferte eine zurückgehaltene Inferenz unter Verwendung von BLP-on-CATE-Spezifikationen eine Bestätigung für die ausgewählten Modifikatoren.

Bedeutung und Behauptungen
Das Papier behauptet, dass CausalStabSel eine direkte, quantitative Verbindung zwischen Schätzung von Behandlungseffekten und Entdeckung von Wirkungsmodifikatoren herstellt. Indem gezeigt wird, dass die Verzerrung in den Selektionswahrscheinlichkeiten durch den CATE-Schätzfehler kontrolliert wird, demonstrieren die Autoren, dass Verbesserungen in der kausalen Inferenz direkt in zuverlässigere Variablenauswahl übersetzt werden.

Die Bedeutung der Arbeit liegt in ihrer Fähigkeit, das „False-Discovery"-Problem zu lösen, das in der aktuellen datenadaptiven kausalen Inferenz inhärent ist. Die Autoren betonen, dass ohne Kontrolle im endlichen Stichprobenumfang zufällige Befunde riskieren, nicht replizierbar zu sein, was insbesondere in der Präzisionsmedizin und bei der Zielausrichtung von Politiken gefährlich ist. CausalStabSel bietet eine robuste, theoretisch fundierte Lösung, die beliebige Schätzer für Behandlungseffekte und Basisselektoren akkommodiert, wodurch sie sowohl für randomisierte Studien als auch für Beobachtungsstudien unter Standard-Identifikationsannahmen (SUTVA und starke Ignorierbarkeit) anwendbar ist.