Resumen Técnico: Análisis de Mediación Causal Multirrobusto con Tratamientos Continuos

1. Planteamiento del Problema

El análisis de mediación causal busca descomponer el efecto total de un tratamiento sobre un resultado en efectos directos naturales (NDE) y efectos indirectos naturales (NIE) mediados por una variable intermedia. Aunque existen estimadores multirrobustos eficientes para tratamientos binarios (Tchetgen Tchetgen y Shpitser, 2012), estos no son fácilmente aplicables a tratamientos continuos sin fuertes supuestos paramétricos.

En los entornos de tratamiento continuo, el parámetro de interés, $\psi_0(a, a') = E[Y(a, M(a'))]$, es irregular en modelos no paramétricos. A diferencia de los tratamientos binarios donde la función de influencia depende de funciones indicadoras, los tratamientos continuos requieren la evaluación puntual en valores específicos $a$ y $a'$. Esto conduce a la falta de una función de influencia de varianza finita y evita las tasas de convergencia estándar de raíz-$n$. Los métodos existentes para la mediación continua (por ejemplo, Huber et al., 2020) a menudo carecen de robustez múltiple o heredan las tasas de convergencia lentas de los estimadores de parámetros de molestia (nuisance parameters).

2. Metodología

Los autores proponen un estimador multirrobusto suavizado por kernel, inspirado en estrategias basadas en la función de influencia pero adaptado para tratamientos continuos.

2.1 Identificación y Marco de Trabajo

El método se basa en los supuestos estándar de mediación causal (Consistencia, Exchangibilidad Secuencial y Positividad) y en el supuesto de exchangibilidad de "mundos cruzados" requerido para identificar los efectos directos e indirectos naturales. El estimando de interés se identifica mediante la fórmula de mediación:
$$\psi_0(a, a') = \int \int E[Y|A=a, M=m, X=x] f_{M|A,X}(m|a', x) f_X(x) \, dm \, dx$$

2.2 Construcción del Estimador

La innovación central es reemplazar las funciones indicadoras en la función de influencia de tratamiento binario con pesos de kernel.

1. Suavizado por Kernel: Para los valores de tratamiento $a$ y $a'$, los autores definen una función de kernel $K_h(\cdot)$ con un ancho de banda $h$. La función de influencia eficiente se modifica para incluir términos como $K_h(A-a)$, que suaviza la evaluación puntual sobre una vecindad de $a$.
2. Funciones de Molestia (Nuisance Functions): El estimador utiliza tres funciones de molestia:
   • $\gamma(X, M, a) = E[Y | A=a, M, X]$ (Regresión de resultado)
   • $\alpha(a, M, X) = f_{M|A,X}(M | a, X)$ (Densidad del mediador)
   • $\lambda(a, X) = 1/f_{A|X}(a | X)$ (Densidad inversa del tratamiento)
   • Nota: Los autores discuten parametrizaciones alternativas utilizando razones de densidad de tratamiento para evitar la estimación explícita de la densidad del mediador, aunque la formulación principal utiliza la razón de densidad.
3. Cross-Fitting: Para relajar los requisitos de suavidad de las funciones de molestia y permitir tasas de convergencia más lentas, los autores emplean una estrategia de cross-fitting (Chernozhukov et al., 2018). La muestra se divide en pliegues (folds); las funciones de molestia se estiman en un conjunto de pliegues y se aplican a los otros para calcular la ecuación de estimación.
4. Estimador Final: El estimador propuesto $\hat{\psi}_{MR}(a, a')$ es el promedio de las soluciones específicas de cada pliegue de la ecuación de estimación derivada de la función de influencia suavizada.

2.3 Regularidad y Convergencia

El método requiere condiciones específicas sobre el kernel (Supuesto 2) y las tasas de convergencia de los estimadores de molestia (Supuestos 4 y 5). Crucialmente, el método depende de condiciones de tasa de producto: el producto de los errores de dos estimadores de molestia debe converger a una tasa más rápida que $(nh^{d_A})^{-1/2}$, donde $d_A$ es la dimensión del tratamiento. Esto permite que un estimador de molestia converja lentamente si el otro converge lo suficientemente rápido, preservando la propiedad de "robustez múltiple".

3. Principales Contribuciones

• Extensión a Tratamientos Continuos: El artículo extiende el marco de mediación basado en la función de influencia de tratamientos binarios a tratamientos continuos, abordando la irregularidad de los funcionales puntuales.
• Robustez Múltiple: El estimador propuesto retiene la propiedad de robustez múltiple: sigue siendo consistente si cualquiera de los dos de los tres modelos de molestia (resultado, densidad del mediador, densidad del tratamiento) está correctamente especificado.
• Tasas de Molestia más Lentas: Al utilizar cross-fitting y suavizado por kernel, el método permite que los parámetros de molestia se estimen a tasas más lentas que el parámetro objetivo, acomodando estimadores de aprendizaje automático flexibles.
• Normalidad Asintótica: Los autores establecen que el estimador es asintóticamente normal con una tasa de convergencia de $(nh^{d_A})^{-1/2}$, la cual es más lenta que la tasa estándar de raíz-$n$ debido a la naturaleza local del suavizado por kernel.
• Implementación Práctica: El documento proporciona un marco para construir intervalos de confianza, manejar el sesgo mediante sub-suavizado (undersmoothing) o análisis de sensibilidad, y estabilizar los pesos utilizando estimadores de tipo Hájek y recorte (clipping).

4. Resultados

4.1 Estudio de Simulación

• Consistencia y Robustez: Simulaciones con tamaños de muestra $n=2000, 5000, 8000$ demuestran que el estimador es consistente y exhibe un sesgo mínimo cuando al menos dos modelos de molestia están correctamente especificados.
• Comparación: El estimador propuesto ($\hat{\psi}_{MR}$) supera a un estimador ponderado por puntuación de propensión generalizada ($\hat{\psi}_H$) y a un estimador de solo regresión ($\hat{\psi}_\eta$) en escenarios de error de especificación de modelo, mostrando particularmente un menor sesgo y RMSE cuando el modelo de resultado está mal especificado.
• Sensibilidad: El rendimiento del estimador se degrada en regiones de baja superposición de tratamiento (colas de la distribución), como era de esperar para los métodos basados en kernel. Las probabilidades de cobertura se mantienen cerca del 95% cuando se utilizan anchos de banda sub-suavizados, aunque el sesgo aumenta con anchos de banda mayores.

4.2 Aplicación: Estudio de Job Corps

El método se aplicó para estudiar el efecto de la duración del entrenamiento de Job Corps (tratamiento continuo) sobre los arrestos criminales (resultado), mediado por las semanas de empleo.

• Hallazgos: El análisis sugiere que un entrenamiento más largo reduce los arrestos criminales.
  • Bajo modelos de molestia paramétricos (M1), hubo evidencia de un efecto indirecto natural negativo (a través del empleo) y un efecto directo natural negativo.
  • Bajo modelos de molestia flexibles basados en RKHS (M2), la señal del efecto indirecto se atenuó (más cercana a cero), mientras que el efecto directo permaneció negativo pero con intervalos de confianza más amplios.
• Sensibilidad: Los resultados fueron generalmente robustos a las variaciones en el ancho de banda y en los umbrales de recorte de pesos, aunque la magnitud de los efectos varió. El análisis destacó la importancia de verificar la superposición y los tamaños de muestra efectivos en entornos de tratamiento continuo.

5. Significado y Reivindicaciones

El artículo afirma proporcionar un marco riguroso para el análisis de mediación causal en entornos donde los tratamientos son continuos, un escenario común en estudios de dosificación, duración e intensidad.

• Contribución Teórica: Aborda el desafío teórico de los funcionales irregulares en modelos de tratamiento continuo no paramétricos mediante la introducción de una función de influencia suavizada por kernel que logra la normalidad asintótica y la robustez múltiple.
• Utilidad Práctica: El método permite a los investigadores estimar superficies de mediación sin depender de supuestos paramétricos fuertes sobre la curva de respuesta a la dosis, permitiendo al mismo tiempo acomodar funciones de molestia complejas mediante aprendizaje automático.
• Limitaciones Reconocidas: Los autores señalan modestamente que el método está sujeto a la "maldición de la dimensionalidad" respecto a la variable de tratamiento; es más práctico para tratamientos continuos escalares o de baja dimensión. También enfatizan que, si bien el cross-fitting maneja el error de estimación de la molestia, este no resuelve la falta fundamental de soporte de datos en las regiones de baja densidad de la distribución del tratamiento, lo que requiere diagnósticos cuidadosos y análisis de sensibilidad.

El trabajo no pretende resolver todos los desafíos de la mediación continua (por ejemplo, mediadores de alta dimensión o la estimación de curvas totalmente adaptativas a los datos sin rejillas preespecificadas se dejan para trabajos futuros), sino que establece un enfoque fundacional y multirrobusto para la estimación puntual.