Which Covariates to Adjust for? Specification-robust Causal Inference in Observational Studies

Aquí presento un resumen técnico detallado del artículo "Which Covariates to Adjust for? Specification-robust Causal Inference in Observational Studies" de Aditya Ghosh y Dominik Rothenhäusler.

1. Planteamiento del Problema

En la inferencia causal observacional, la estimación del Efecto Promedio del Tratamiento (ATE) depende críticamente de la selección de un conjunto de covariables para el ajuste (ajuste por confusión). La condición de ignorabilidad (independencia entre el tratamiento y los resultados potenciales dados los covariables) es fundamental, pero no es verificable empíricamente.

El problema central abordado es la incertidumbre de especificación:

• El conocimiento de dominio a menudo sugiere múltiples conjuntos de ajuste plausibles ($S_1, S_2, \dots, S_K$), pero no hay forma de determinar cuál (o cuáles) satisface la ignorabilidad.
• Diferentes conjuntos de ajuste pueden producir estimaciones del ATE conflictivas.
• Las soluciones estándar tienen limitaciones graves:
  • Unión o Intersección: Ajustar por la unión o intersección de los conjuntos candidatos puede generar estimaciones sesgadas si alguno de los conjuntos es inválido.
  • Hull Convexo (Convex Hull): Tomar el rango de los intervalos de confianza de todas las especificaciones garantiza la cobertura nominal si al menos uno es válido, pero el ancho del intervalo no disminuye con el tamaño de la muestra ($O(1)$ en lugar de $O(n^{-1/2})$), dejando el parámetro parcialmente identificado.
  • Promedios simples: Promediar estimaciones puede confundir el desacuerdo sustantivo con la ausencia de efecto.

2. Metodología Propuesta

Los autores proponen un procedimiento robusto a la especificación que redefinir el objetivo de inferencia para lograr un punto de estimación único y un intervalo de confianza válido y preciso, asumiendo que al menos uno de los conjuntos de ajuste candidatos es válido.

A. Redefinición de la Población Objetivo (Reweighting)

En lugar de forzar la identificación en la población original (lo cual requiere saber qué conjunto es válido), el método desplaza el objetivo hacia una población reponderada ($w^*P$) que sea lo más cercana posible a la población original, pero bajo la cual todos los estimadores candidatos coincidan.

• Criterio de Cercanía: Se minimiza la Divergencia de Kullback-Leibler (KL) entre la población original $P$ y la nueva población $w^*P$.
• Restricción de Acuerdo: Se busca un peso $w^*(X_{\cap})$ (que depende solo de las covariables comunes a todos los conjuntos candidatos, $X_{\cap} = \bigcap S_k$) tal que:
  $$E_P [w^*(X_{\cap}) \tau(X_{S_1})] = E_P [w^*(X_{\cap}) \tau(X_{S_2})] = \dots = E_P [w^*(X_{\cap}) \tau(X_{S_K})]$$
  Donde $\tau(X_{S_k})$ es el contraste condicional estimado con el conjunto $S_k$.

B. Solución Teórica y Optimización

El problema de optimización se resuelve utilizando tilting exponencial (exponential tilting). Bajo condiciones de regularidad (Assumption 3), la solución óptima tiene la forma:
$$w^*(X_{\cap}) = \frac{\exp(g(X_{\cap})^\top \lambda^*)}{E_P[\exp(g(X_{\cap})^\top \lambda^*)]}$$
Donde $g(X_{\cap})$ es la media condicional de las diferencias entre los contrastes de los diferentes conjuntos de ajuste, y $\lambda^*$ se obtiene resolviendo un problema de optimización convexa de dimensión finita.

C. Estimación e Inferencia

Para estimar el ATE en la nueva población ($\tau^R$) y construir intervalos de confianza válidos:

1. Pesos de Transferencia: Se estiman empíricamente los pesos $w^*$ mediante optimización convexa numérica.
2. Estimador AIPW (Augmented Inverse Probability Weighting): Se utilizan estimadores AIPW para cada conjunto de ajuste, ponderados por $w^*$.
3. Corrección de Sesgo: Dado que los pesos $w^*$ se estiman a partir de los datos, se introduce un término de corrección de sesgo de primer orden para asegurar que el estimador final converja a la tasa paramétrica $n^{-1/2}$.
4. Combinación Afín: Se combinan los estimadores ponderados mediante una combinación afín óptima para minimizar la varianza asintótica.

D. Extensiones

• Protección de Covariables: Se permite imponer restricciones adicionales para que ciertas funciones de las covariables (ej. medias de variables clave) se mantengan iguales en la población reponderada que en la original, similar al uso de "calipers" en emparejamiento.
• Diagnóstico: Se proponen gráficos de densidad para visualizar el desplazamiento de la población y asegurar que el nuevo objetivo sea científicamente interpretable.

3. Contribuciones Clave

1. Procedimiento de Unificación: Ofrece un único estimador puntual y un único intervalo de confianza, evitando la necesidad de reportar un "multiverso" de resultados o un rango inmenso.
2. Validez Asintótica: Bajo la suposición de que al menos un conjunto de ajuste es válido, el intervalo de confianza tiene cobertura nominal asintótica.
3. Eficiencia Paramétrica: A diferencia del método del "hull convexo" (cuyo ancho no tiende a cero), el intervalo propuesto se contrae a la tasa $O(n^{-1/2})$, permitiendo inferencia precisa con muestras grandes.
4. Interpretabilidad Transparente: El cambio de población se cuantifica mediante la divergencia KL y se puede visualizar, permitiendo al investigador juzgar si el nuevo objetivo (ATE de la población reponderada) es relevante para su pregunta científica.
5. Robustez ante M-bias y Omisión: El método es capaz de manejar casos donde algunos conjuntos de ajuste son inválidos por omisión de confusores o por inclusión de colisionadores (M-bias), siempre que exista al menos un conjunto válido.

4. Resultados Empíricos y Simulaciones

• Simulaciones (Ejemplos 1 y 2):
  • En escenarios donde un conjunto de ajuste es inválido (ya sea por omisión de confusores o por M-bias), los métodos estándar (unión, intersección, ajuste por pre-tratamiento) fallan en la cobertura.
  • El método propuesto mantiene la cobertura nominal (aprox. 95%) mientras produce intervalos de confianza significativamente más estrechos que el "hull convexo".
• Aplicación Real (401(k) y Activos Financieros):
  • Se analizó el efecto de la elegibilidad para un plan 401(k) sobre los activos financieros netos.
  • Se consideraron cuatro conjuntos de ajuste anidados con diferentes grados de ambigüedad sobre qué covariables son confusores y cuáles son post-tratamiento.
  • Resultado: El intervalo de confianza robusto fue aproximadamente un 77% más estrecho que el intervalo del hull convexo, manteniendo la cobertura nominal. Las distribuciones de las covariables en la población reponderada mostraron un desplazamiento modesto, validando la interpretabilidad del resultado.

5. Significado e Implicaciones

Este trabajo representa un avance significativo en la inferencia causal observacional al abordar la incertidumbre estructural (qué variables ajustar) de manera pragmática y teóricamente fundamentada.

• Cambio de Paradigma: En lugar de intentar resolver la incertidumbre de especificación eligiendo "la mejor" variable (lo cual es imposible sin conocimiento causal completo), el método acepta la incertidumbre y redefine el estimando hacia un subconjunto de la población donde la inferencia es posible y precisa.
• Analogía con Overlap: El enfoque es análogo a cómo el overlap weighting o el trimming manejan la violación de la condición de superposición (positividad): se redefine la población objetivo hacia una región donde la inferencia es creíble.
• Utilidad Práctica: Proporciona una herramienta robusta para investigadores que enfrentan debates sobre la especificación del modelo, permitiéndoles reportar resultados concluyentes sin sacrificar la validez estadística ni la precisión, siempre que exista al menos una especificación válida entre las consideradas.

En resumen, el método transforma un problema de selección de modelo intratable en un problema de optimización de reponderación, logrando inferencia causal robusta, eficiente y transparente.