Resumen Técnico: Análisis de Mediación Causal Sesgado en Entornos de Ultra Alta Dimensión en Presencia de Efectos de Interacción

1. Configuración del Problema y Motivación

Este artículo aborda el desafío de estimar los efectos directos naturales (NDE) y los efectos indirectos naturales (NIE) en el análisis de mediación causal cuando tanto las covariables pre-tratamiento ($X \in \mathbb{R}^p$) como los mediadores post-tratamiento ($M \in \mathbb{R}^q$) son de ultra alta dimensión (UHD), lo que significa que $p \wedge q \gg n$. Crucialmente, el marco propuesto acomoda los efectos de interacción entre el tratamiento binario ($A$) y tanto las covariables como los mediadores.

La literatura existente sobre el análisis de mediación de alta dimensión se ha basado mayoritariamente en el cribado heurístico, la reducción de dimensiones o la selección de rutas, careciendo a menudo de una teoría de inferencia rigurosa para los efectos naturales en presencia de variables UHD. Además, los avances teóricos recientes en la mediación de alta dimensión (por ejemplo, Guo et al., 2022–2024; Lin et al., 2025) típicamente asumen covariables de dimensión fija o excluyen interacciones entre el tratamiento y las covariables o los mediadores. La dificultad específica abordada aquí es la estimación del funcional de mediación $\theta_{10} = E[Y(1, M(0))]$, que involucra una interacción de "brazo cruzado" (cross-arm): combina parámetros aprendidos del brazo de tratamiento (los coeficientes de regresión de la variable de resultado $\gamma_1$) con aquellos aprendidos del brazo de control (la matriz de regresión de los mediadores $B_0$). Esta estructura impide la aplicación directa de las técnicas de debiasing (desesguamiento) estándar para funcionales lineales o bilineales, ya que el objetivo implica un término compuesto $\bar{X}^\top B_0^\top \gamma_1$ donde $B_0 \bar{X}$ puede ser denso y no es estimable consistentemente en la norma $\ell_1/\ell_2$.

2. Metodología

Los autores proponen un nuevo estimador de desesguamiento de múltiples pasos que combina la regresión de alta dimensión con pasos de balanceo cuidadosamente diseñados. El método utiliza un procedimiento de cross-fitting para dividir los datos en dos pliegues ($D_1, D_2$) para evitar el sobreajuste y asegurar una inferencia válida.

El Procedimiento de Estimación (Algoritmo 1)

El núcleo de la metodología estima el parámetro $\theta_{10} = \bar{X}^\top (\beta_1 + B_0^\top \gamma_1)$ a través de los siguientes pasos:

1. Balanceo para la Aproximación (Paso 1): Utilizando observaciones de control ($A=0$), el método construye un vector de pesos de balanceo $\hat{\tau}_2$ resolviendo un problema de optimización. Este peso aproxima el vector de medias de las covariables $\bar{X}$ en el espacio de las covariables de control. Crucialmente, el producto $\hat{m}_c = M_c^\top \hat{\tau}_2$ sirve como una aproximación directa del vector desconocido $B_0 \bar{X}$ en la norma $\ell_\infty$, evitando la necesidad de estimar la matriz completa de UHD $B_0$.
2. Regresión del Resultado (Paso 2): Utilizando observaciones de tratamiento ($A=1$), una regresión Lasso estima los coeficientes del resultado $\hat{\phi}_1 = (\hat{\beta}_1, \hat{\gamma}_1)$.
3. Primer Desesguamiento (Paso 3): El estimador $\hat{\phi}_1$ es desesguado en la dirección $a = (\bar{X}^\top, \hat{m}_c^\top)^\top$. Este paso corrige el sesgo de regularización del Lasso pero introduce un nuevo sesgo porque la dirección $\hat{m}_c$ es una aproximación de $B_0 \bar{X}$, no el valor real.
4. Segundo Desesguamiento (Paso 4): Para eliminar el sesgo introducido por la aproximación en el Paso 3, se realiza una segunda regresión sobre los datos de control. El pseudo-resultado $M_c^\top \hat{\gamma}_1$ se regresa sobre $X_c$ para estimar $b = B_0^\top \hat{\gamma}_1$. Este estimador es entonces desesguado utilizando el mismo peso de balanceo $\hat{\tau}_2$ utilizado en el Paso 1.
5. Combinación (Paso de 5): El estimador final se construye combinando el término de resultado desesguado y el término de aproximación desesguado, restando un término de corrección para dar cuenta del solapamiento.
6. Cross-Fitting (Paso 6): Los roles de $D_1$ y $D_2$ se intercambian, y los resultados se promedian para obtener el estimador final de cross-fitting $\hat{\theta}_{10}^{cf}$.

Los estimadores para NDE y NIE se construyen combinando $\hat{\theta}_{10}^{cf}$ con estimadores análogos para $\theta_{11}$ y $\theta_{00}$ (que son más simples ya que no involucran interacciones de brazo cruzado).

3. Contribuciones Teóricas y Resultados

El artículo establece que el estimador propuesto es $\sqrt{n}$-consistente y asintóticamente normal bajo condiciones de escasez (sparsity), regularidad y de valores propios restringidos bastante generales.

• Estructura del Sesgo: Los autores demuestran que el error de estimación se descompone en un término estocástico principal y un término remanente $\Delta_n$. El término remanente exhibe una forma de producto (por ejemplo, $\|\text{error de aproximación}\|_\infty \times \|\text{error de estimación}\|_1$). Esta estructura asegura que el sesgo sea asintóticamente insignificante ($o_p(n^{-1/2})$) incluso cuando los errores de estimación individuales son grandes, siempre que se cumplan las condiciones de escasez $(1+s)(1+k)\log(p+q)/\sqrt{n} \to 0$.
• Normalidad Asintótica: El artículo deriva la varianza asintótica y construye estimadores consistentes para ella, permitiendo la construcción de intervalos de confianza válidos para NDE, NIE y el efecto total. Los resultados se mantienen tanto para objetivos de promedio de muestra como de promedio poblacional, y se extienden para manejar errores condicionalmente heterocedásticos.
• Comparación con Métodos Existentes: Los autores demuestran que su enfoque evita las fuertes suposiciones de "beta-min" (fuerza de señal mínima) y de recuperación de soporte requeridas por algunos métodos de inferencia de alta dimensión existentes (por ejemplo, Guo et al., 2023). Su método permite señales más débiles y niveles de escasez más altos, siempre que el producto de la escasez y la dimensión crezca lentamente en relación con el tamaño de la muestra.

4. Evaluación Empírica

La metodología fue evaluada mediante extensos estudios de simulación y una aplicación de datos reales.

• Simulaciones: El estimador desesguado propuesto ($\hat{\theta}_{10}^{cf}$) se comparó contra un estimador plug-in estándar y una versión modificada del método de Guo et al. (2022).
  • El estimador desesguado logró consistentemente un Error Cuadrático Medio (RMSE) más bajo y probabilidades de cobertura cercanas al nivel nominal (95%) en varios regímenes, incluyendo el aumento de la escasez, la señal mínima evanescente y el ruido heterocedástico.
  • En contraste, el estimador estándar exhibió un sesgo sustancial y el método modificado de Guo et al. mostró inestabilidad y una cobertura deficiente en entornos de ultra alta dimensión, particularmente cuando la escasez era alta o las señales eran débiles.
• Aplicación de Datos Reales: El método se aplicó al conjunto de datos de cáncer de pulmón TCGA para estimar el efecto del tabaquismo en el tiempo de supervivencia, mediado por la metilación del ADN.
  • El análisis involucró $n=738$ pacientes con $p=42$ covariables y $q=264,797$ mediadores.
  • Los resultados indicaron que el efecto total del tabaquismo en el tiempo de supervivencia estaba mediado principalmente a través de la metilación del ADN (NIE), siendo el efecto indirecto estadísticamente significativo mientras que el efecto directo no lo fue.
  • Una comparación con un enfoque OLS de dimensión fija (usando solo 6 sitios CpG preseleccionados) arrojó resultados contradictios y contraintuitivos (sugiriendo que el tabaquismo aumentaba la supervivencia), resaltando la importancia de la metodología de alta dimensión en sistemas biológicos complejos.

5. Significado y Reivindicaciones

El artículo afirma ser el primer trabajo en proporcionar una metodología para estimar los efectos directos naturales e indirectos naturales en presencia de covariables de ultra alta dimensión, mediadores de ultra alta dimensión y sus interacciones con la variable de tratamiento, de forma simultánea.

Las principales reivindicaciones sobre la significancia del artículo incluyen:

1. Innovación Estructural: La estrategia de desesguamiento de múltiples pasos propuesta aborda un desafío estructural único (parámetros de molestia de brazo cruzado que involucran matrices y vectores de UHD) que las técnicas de desesguamiento existentes para funcionales lineales o bilineales no pueden manejar directamente.
2. Suposiciones más Débiles: El marco teórico opera bajo suposiciones de fuerza de señal más débiles que los métodos de mediación de alta dimensión competidores, permitiendo la detección de efectos incluso cuando algunos coeficientes son débiles.
3. Utilidad Práctica: El método proporciona inferencia válida para mecanismos biológicos complejos (como la mediación epigenética) donde el número de mediadores potenciales supera con creces el tamaño de la muestra, un escenario donde los métodos tradicionales de selección de baja dimensión pueden fallar o producir resultados sesgados.

Los autores concluyen que, si bien el presente trabajo se centra en modelos lineales, el marco desarrollado ofrece una base para futuras extensiones a modelos lineales generalizados y otros modelos de ecuaciones estructurales con complejidades de brazo cruzado similares.