A Diagnostic to Find and Help Combat Stochastic Positivity Issues -- with a Focus on Continuous Treatments

Resumen Técnico: Un Diagnóstico para Identificar y Ayudar a Combatir Problemas de Positividad Estocástica

Planteamiento del Problema
El supuesto de positividad es fundamental para identificar efectos causales, pero su variante estocástica —donde ciertos valores de tratamiento son raramente observados o nunca observados para subgrupos específicos debido al azar o a una baja probabilidad— es frecuentemente pasada por alto, particularmente en estudios que involucran tratamientos continuos o Políticas de Tratamiento Modificadas (MTP, por sus siglas en inglés). Mientras que las violaciones teóricas (deterministas) suelen ser identificables mediante la lógica, las violaciones estocásticas en entornos continuos son difíciles de diagnosticar porque el número de posibles valores de tratamiento excede el número de puntos de datos.

Los enfoques actuales para abordar este problema son limitados. Las herramientas existentes, como los bootstraps paramétricos, suelen ser específicas para cada estimador y no logran distinguir entre el fallo del estimador y la escasez de datos. Los enfoques de la puntuación de propensión generalizada (GPS) requieren la estimación de la densidad, lo cual es un desafío en altas dimensiones y no revela fácilmente los problemas de positividad. Además, aunque cambiar el estimando (por ejemplo, a una MTP) es una recomendación común para mitigar el sesgo, los investigadores carecen de una forma sistemática de determinar qué estimando alternativo logrará equilibrar la proximidad a la pregunta de investigación original con la viabilidad de la estimación dados los datos disponibles.

Metodología
Los autores proponen un nuevo diagnóstico de escasez basado en kernels, diseñado para ser específico al estimando e independiente del estimador. La premisa central es que las violaciones de positividad estocástica se manifiestan como una falta de soporte de datos en las regiones del espacio de covariables-tratamiento requeridas para una intervención específica.

1. Concepto Central (Puntos de Datos Efectivos - EDP): El diagnóstico cuantifica los "puntos de datos efectivos" disponibles para estimar el resultado para cada observación bajo un esquema de intervención específico. Utiliza una medida de proximidad (función kernel) para ponderar los puntos de datos observados ($o^{obs}$) basándose en su distancia de los puntos de intervención contrafactuales ($o^{int}$).

   • Elección del Kernel: Los autores recomiendan un kernel gaussiano, donde la pendiente (ancho de banda) está determinada por qué tan lejos está un investigador dispuesto a extrapolar. Los hiperparámetros se establecen según el conocimiento del dominio o reglas empíricas (por ejemplo, la mitad de una desviación estándar para la variable de tratamiento).
   • Cálculo: Para cada observación $i$, el diagnóstico suma los pesos del kernel de todos los puntos de datos observados $j$ en relación con el valor intervenido $o^{int}_i$. Esto produce un puntaje EDP para cada observación.

2. Dos Variaciones:

   • Diagnóstico Centrado en los Datos: Una versión simplificada que evalúa el soporte de datos para el modelo de resultado ($\bar{Q}_n$) a través de la distribución conjunta de tratamiento y covariables. Se visualiza mediante diagramas de caja (boxplots) para identificar observaciones con bajo soporte (bajo EDP).
   • Diagnóstico Enfocado en la Estimación: Una versión más compleja que evalúa por separado el soporte para el modelo de resultado ($\bar{Q}_n$) y el modelo de tratamiento ($g_n$). También estima la magnitud potencial de los pesos ($1/g_n$) para los puntos intervenidos, ayudando a identificar dónde el ponderado por la probabilidad inversa (IPW) podría amplificar el sesgo debido a pesos extremos.

3. Aplicación a MTPs: El diagnóstico se aplica a diversos esquemas de intervención, incluyendo intervenciones estáticas, curvas de respuesta de desplazamiento ingenuo (naive shift), desplazamientos estocásticos, curvas de respuesta de umbral y curvas de respuesta de desplazamiento condicional.

Resultos Clave
El artículo valida el diagnóstico a través de estudios de simulación y una aplicación práctica utilizando datos del ensayo CHAPAS-3 (niños con VIH).

• Estudio de Simulación:

  • El estudio simuló tres escenarios de datos: distribuciones de tratamiento superpuestas, adyacentes y divididas (sin superposición) a través de niveles de confusión.
  • Intervenciones Estáticas: El diagnóstico identificó correctamente que las curvas de dosis-respuesta estáticas sufren de un sesgo severo en escenarios de datos "divididos" donde se requiere extrapolación a través de regiones vacías.
  • MTPs: El diagnóstico reveló que no todas las MTP resuelven los problemas de positividad. Por ejemplo, un "desplazamiento ingenuo" (añadir una constante a todas las dosis) a menudo desplaza los datos hacia regiones sin soporte, provocando sesgo. Por el contrario, las políticas de "desplazamiento condicional" o de "umbral", que restringen las intervenciones a los rangos observados, mostraron un alto soporte y un menor sesgo esperado.
  • Poder Predictivo: El diagnóstico predijo con éxito dónde ocurriría el sesgo en las curvas estimadas sin tener acceso al proceso generador de datos real, resaltando las regiones donde la extrapolación era inestable.

• Aplicación Práctica (CHAPAS-3):

  • Aplicado a un estudio sobre la concentración de efavirenz y el fracaso viral, el diagnóstico identificó subgrupos específicos (pacientes no adherentes y metabolizadores lentos) con puntajes EDP extremadamente bajos en el límite inferior de la ventana terapéutica.
  • Demostró cómo los investigadores pueden refinar iterativamente el estimando: al excluir a los pacientes no adherentes o restringir la población objetivo a grupos de metabolización específicos, los puntajes EDP mejoraron, indicando una estimación más factible.
  • En una extensión longitudinal, el diagnóstico mostró que introducir un "pico" en la concentración de tratamiento en un punto de tiempo específico resultó en un soporte cercano a cero para los puntos de tiempo subsiguientes, señalando correctamente el estimando como inestimable sin un sesgo masivo.

Significancia y Reivindicaciones
Los autores afirman que este diagnóstico proporciona una herramienta de pre-modelado crucial para investigadores aplicados. Su principal significancia radica en:

1. Evaluación de Viabilidad: Permite a los investigadores determinar antes del ajuste del modelo si un estimando específico es estimable dados sus datos, ahorrando tiempo y recursos computacionales.
2. Selección del Estimando: Guía la selección de Políticas de Tratamiento Modificadas (MTP) al visualizar el compromiso entre la cercanía de la intervención a la pregunta de investigación y la escasez de soporte de datos.
3. Diagnóstico de Sesgo: Ayuda a distinguir entre el sesgo causado por el estimador y el sesgo causado por la estructura de los datos (escasez), abordando una brecha en la literatura actual donde las herramientas suelen estar ligadas a estimadores específicos.
4. Generalidad: A diferencia de los métodos basados en la densidad, este enfoque trabaja directamente con la distribución de los datos y se aplica a estimandos estáticos, dinámicos y de MTP tanto en entornos de tratamiento binario como continuo.

El artículo concluye que, si bien el diagnóstico depende de hiperparámetros definidos por el usuario (ancho de banda del kernel) que requieren conocimiento del dominio, ofrece un marco transparente e intuitivo para navegar las complejidades de la positividad estocástica en la inferencia causal continua.