Doubly robust identification of treatment effects from multiple environments

Aquí se presenta un resumen técnico detallado del artículo "Identificación doblemente robusta de efectos del tratamiento a partir de múltiples entornos" de De Bartolomeis et al.

1. Planteamiento del Problema

El artículo aborda el desafío de estimar los Efectos Promedio del Tratamiento (ATE) utilizando datos observacionales en escenarios donde:

• El grafo causal es desconocido: Los practicantes no pueden confiar en conocimientos previos para seleccionar conjuntos de ajuste válidos.
• Existen controles inadecuados: El conjunto de datos incluye variables posteriores al tratamiento (colisionadores o descendientes del tratamiento) que, si se ajustan, introducen sesgo (por ejemplo, sesgo de colisionador).
• Existen confusores no observados: Hay variables latentes ($U$) que afectan tanto al tratamiento ($T$) como al resultado ($Y$).
• Limitaciones de fuente única: Los métodos estándar (como ajustar por todas las covariables) fallan cuando hay controles inadecuados presentes, y los métodos existentes que dependen de múltiples entornos a menudo requieren observabilidad completa del grafo causal o conocimiento estructural específico (por ejemplo, padres conocidos).

La dificultad central es que, sin conocer la estructura causal, es imposible distinguir entre "controles buenos" (confusores pre-tratamiento) y "controles malos" (variables post-tratamiento) utilizando un único conjunto de datos.

2. Metodología: Ramen

Los autores proponen Ramen (Identificación Robusta de ATE a partir de Múltiples Entornos), un algoritmo que aprovecha la heterogeneidad a través de múltiples entornos (por ejemplo, diferentes países, períodos de tiempo o subpoblaciones) para identificar el ATE sin necesidad del grafo causal completo.

Supuestos Clave

1. Ausencia de Mediadores: No hay mediadores observados entre $T$ y $Y$ (Supuesto 3.1).
2. Nodo Invariante (Doble Robustez): Al menos una de las siguientes condiciones se cumple a través de los entornos ($e \in \mathcal{E}$):
   • Invarianza del Tratamiento: Todos los padres de $T$ son observados, y la media condicional $E[T | Pa(T)]$ es invariante a través de los entornos.
   • Invarianza del Resultado: Todos los padres de $Y$ son observados, y la media condicional $E[Y | Pa(Y)]$ es invariante a través de los entornos.
   • Nota: El método no requiere saber qué nodo es invariante; lo busca.
3. Condición de Identificación (Heterogeneidad): Los entornos deben exhibir cambios distribucionales suficientes (heterogeneidad) de tal manera que, si un subconjunto de covariables produce una media condicional invariante, ese subconjunto debe capturar efectivamente a los padres del nodo invariante (Supuesto 4.1).

El Estimador

Ramen define un estimando doblemente robusto $\theta_e(S)$ para un subconjunto seleccionado de covariables $S$:
$$\theta_e(S) = E\left[ \bar{\mu}_1(X_S) - \bar{\mu}_0(X_S) + \frac{(Y - \bar{\mu}_1(X_S))T}{\bar{\pi}(X_S)} - \frac{(Y - \bar{\mu}_0(X_S))(1-T)}{1-\bar{\pi}(X_S)} \right]$$
Donde $\bar{\mu}_t$ y $\bar{\pi}$ son funciones de resultado condicional y de puntuación de propensión agrupadas.

Optimización mediante Pérdida de Invarianza

Para encontrar el conjunto de ajuste válido $S$, Ramen minimiza una pérdida de invarianza. El algoritmo busca un subconjunto $S$ tal que la media condicional de $T$ o $Y$ dado $S$ sea invariante a través de los entornos.

• Función de Pérdida: La pérdida mide la discrepancia de momentos condicionales a través de los entornos utilizando un enfoque kernelizado (Espacio de Hilbert de Núcleo Reproductor - RKHS).
  $$J_S(Z; V) = \max_{e \in \mathcal{E}} \left\| E_{P_e}[(V - m_S(Z; V)) k(\cdot, Z_S)] \right\|_{\mathcal{H}}^2$$
• Doble Robustez: El algoritmo minimiza $\min_S \{ J_S(Z; T), J_S(Z; Y) \}$. Si $T$ o $Y$ satisfacen el supuesto de invarianza, el minimizador identificará un conjunto de ajuste válido (los padres del nodo invariante).

Algoritmos

El artículo propone dos implementaciones para resolver el problema de selección de subconjuntos:

1. Búsqueda Combinatoria: Busca exhaustivamente subconjuntos (factible para datos de baja dimensión).
2. Relajación Diferenciable (Truco Gumbel): Para datos de alta dimensión, relaja la selección de subconjuntos discretos en un problema de optimización continua. Utiliza una aproximación Gumbel-Softmax para crear máscaras binarias diferenciables para las covariables, permitiendo que el descenso de gradiente optimice la pérdida de invarianza.

3. Contribuciones Clave

1. Primera Identificación Doblemente Robusta en este Contexto: Ramen es el primer algoritmo que logra la identificación puntual de ATEs en presencia de ambos, controles inadecuados y confusores no observados, utilizando múltiples entornos, sin requerir el grafo causal completo.
2. Nueva Doble Robustez: A diferencia de la doble robustez clásica (que protege contra la mala especificación del modelo), la robustez de Ramen protege contra la observabilidad parcial. Tiene éxito si bien los padres de $T$ o bien los padres de $Y$ son observados e invariantes.
3. Relajación de la Observabilidad: Mejora trabajos anteriores (por ejemplo, Shi et al., 2021) al no requerir que los padres de la variable de resultado estén completamente observados; puede funcionar si los padres del tratamiento son observados en su lugar.
4. Optimización Escalable: La introducción del truco Gumbel permite que el método escale a espacios de covariables de alta dimensión donde la búsqueda combinatoria es intratable.

4. Resultados Experimentales

Los autores evaluaron Ramen en conjuntos de datos sintéticos, semisintéticos y del mundo real:

• Experimentos Sintéticos (DAGs Conocidos):
  • Ramen logró consistentemente un bajo Error Absoluto Medio (MAE) en escenarios donde se cumplía la invarianza de $T$, la invarianza de $Y$, o ambas.
  • Los baselines como ajustar por todas las covariables ($\hat{\theta}_{all}$) fallaron cuando estaban presentes controles inadecuados (colisionadores/descendientes).
  • El baseline IRM ($\hat{\theta}_{irm}$) falló significativamente cuando $T$ era el nodo invariante (ya que IRM típicamente asume invarianza del resultado).
• DAGs Aleatorios de Alta Dimensión:
  • Ramen superó a todos los baselines a través de variaciones en el número de entornos y topologías de grafos.
  • La versión diferenciable ($\hat{\theta}_{insta-}$) funcionó casi tan bien como la versión combinatoria pero escaló a dimensiones más altas.
• Semisintético (Conjunto de Datos IHDP):
  • Ramen se alineó con las predicciones teóricas, mostrando robustez cuando se rompieron invarianzas específicas, mientras que los baselines sufrieron un alto sesgo.
• Mundo Real (Fumar durante el Embarazo y Peso al Nacer):
  • Aplicado al conjunto de datos Cattaneo2 (4,642 pacientes).
  • Ramen estimó una reducción en el peso al nacer de ~215 gramos para madres fumadoras.
  • Esto se alinea con la literatura epidemiológica establecida (reducción de 200–250g).
  • Los baselines ($\hat{\theta}_{all}$, $\hat{\theta}_{irm}$) subestimaron el efecto, mientras que el baseline no ajustado ($\hat{\theta}_{null}$) lo sobreestimó, demostrando la capacidad de Ramen para corregir controles inadecuados (variables post-tratamiento como complicaciones del peso al nacer).

5. Significado y Limitaciones

Significado:

• Ramen proporciona una solución práctica para la inferencia causal en escenarios complejos del mundo real donde los grafos causales son desconocidos y los datos son desordenados (contienen variables posteriores al tratamiento).
• Cierra la brecha entre la generalización de dominio (aprendizaje de invarianza) y la inferencia causal (estimación del efecto del tratamiento).
• Ofrece una alternativa robusta a los ensayos aleatorizados cuando las restricciones éticas o financieras los impiden.

Limitaciones:

• Maldición de la Dimensionalidad: Los métodos basados en kernels pueden ser computacionalmente costosos en dimensiones muy altas.
• Requisito de Heterogeneidad: El método requiere cambios distribucionales suficientes a través de los entornos (Supuesto 4.1). Si los entornos son demasiado similares, la identificación falla.
• Optimización Heurística: El truco Gumbel es una relajación heurística; aunque efectiva, no garantiza encontrar el óptimo global del problema de subconjunto discreto.
• Mediadores: El método asume que no existen mediadores observados entre $T$ y $Y$. Si hay mediadores presentes, el estimando cambia de ATE a un efecto directo controlado.

En conclusión, Ramen representa un avance significativo en la inferencia causal, permitiendo la estimación no sesgada del efecto del tratamiento en datos observacionales "desordenados" aprovechando la estabilidad estructural (invarianza) de los mecanismos causales a través de diversos entornos.