Covariate Adjustment Cannot Hurt: Treatment Effect Estimation under Interference with Low-Order Outcome Interactions

Aquí presento un resumen técnico detallado del artículo "Covariate Adjustment Cannot Hurt: Treatment Effect Estimation under Interference with Low-Order Outcome Interactions" (Ajuste de Covariables No Puede Perjudicar: Estimación del Efecto del Tratamiento bajo Interferencia con Interacciones de Orden Bajo en los Resultados), escrito por Xinyi Wang y Shuangning Li.

---

1. Planteamiento del Problema

En los experimentos aleatorizados, el uso de covariables (variables pre-tratamiento) es una práctica estándar para reducir la varianza y mejorar la precisión de las estimaciones del efecto del tratamiento. Sin embargo, la mayoría de los métodos existentes asumen la Hipótesis de Valor de Tratamiento Estable para Unidades (SUTVA), que establece que el resultado de una unidad no depende de los tratamientos asignados a otras unidades.

En muchos contextos reales (redes sociales, economía, epidemiología), esta hipótesis se viola debido a la interferencia: el tratamiento de una unidad afecta los resultados de sus vecinos. La interferencia introduce dependencias entre las unidades, lo que invalida muchos estimadores estándar y hace que el ajuste directo de covariables (por ejemplo, mediante regresión lineal simple) pueda ser contraproducente, aumentando la varianza en lugar de reducirla debido a las covarianzas inducidas por la red.

El objetivo central de este trabajo es desarrollar un marco para utilizar covariables de manera efectiva en la estimación del Efecto Total del Tratamiento (TTE) bajo interferencia, garantizando que el ajuste nunca degrade el rendimiento del estimador no ajustado.

2. Metodología

Marco de Modelado

Los autores trabajan bajo un modelo de interferencia de vecindad con interacciones de orden bajo (propuesto por Cortez-Rodriguez et al., 2023).

• Interferencia de Vecindad: El resultado de la unidad $i$ depende solo de su propio tratamiento y los tratamientos de sus vecinos en una red conocida.
• Interacciones de Orden Bajo ($\beta$): El resultado potencial se modela como un polinomio de grado $\beta$ en las asignaciones de tratamiento de los vecinos. Esto restringe la complejidad de las interacciones (ej. efectos aditivos para $\beta=1$, interacciones por pares para $\beta=2$).

Estimador Base

Se parte del Estimador Polinomial de Interferencia de Vecindad Estructurada (SNIPE) de Cortez-Rodriguez et al. (2023), denotado como $\hat{\tau}_{unadj}$. Este estimador es insesgado para el TTE bajo el modelo de interacciones de orden bajo.

Propuesta: Ajuste de Covariables General

Los autores proponen una clase de estimadores ajustados de la forma:
$$\hat{\tau}(\theta) = \frac{1}{n} \sum_{i=1}^n \omega_i (Y_i - \theta^\top X_i)$$
Donde:

• $\omega_i$ son pesos derivados del diseño de SNIPE (con media cero).
• $X_i$ son las covariables.
• $\theta$ es un vector de coeficientes de ajuste.

Dado que $E[\omega_i] = 0$, cualquier $\theta$ fijo mantiene la propiedad de insesgamiento asintótico. El desafío es elegir $\theta$ para minimizar la varianza.

Estrategias de Selección de $\theta$

El artículo compara dos enfoques principales para seleccionar $\theta$:

1. Ajuste Basado en Regresión ($\hat{\theta}_{Reg}$):

   • Minimiza la varianza asumiendo no interferencia (ignorando las covarianzas entre unidades).
   • Problema: En presencia de interferencia, este método puede fallar. Al minimizar solo los términos de varianza individual, puede aumentar inadvertidamente los términos de covarianza entre unidades, resultando en una varianza total mayor que la del estimador no ajustado.

2. Ajuste de Maximización de Mejora de Varianza (VIM - $\hat{\theta}_{VIM}$):

   • Esta es la contribución metodológica clave. En lugar de minimizar la varianza absoluta, se maximiza la diferencia de varianza entre el estimador no ajustado y el ajustado: $\Delta(\theta) = \text{Var}(\hat{\tau}(0)) - \text{Var}(\hat{\tau}(\theta))$.
   • La ventaja teórica es que la diferencia de varianzas elimina los términos de segundo orden (que son difíciles de estimar sin sesgo) y depende solo de términos de primer orden y cero, los cuales admiten estimadores insesgados.
   • Se construye un estimador $\hat{\theta}_{VIM}$ que maximiza esta diferencia estimada, incorporando explícitamente la estructura de la red y las interacciones.

Estimación de Varianza

Se propone un nuevo estimador de varianza conservador para los estimadores ajustados.

• Se basa en descomponer la varianza en componentes que pueden estimarse insesgadamente (usando productos de pseudo-resultados) y acotar los términos restantes mediante desigualdades (Cauchy-Schwarz) de manera más eficiente que los métodos anteriores.
• Este estimador es asintóticamente conservador (tiende a sobreestimar ligeramente la varianza, garantizando cobertura válida) pero es menos conservador que el estimador de Cortez-Rodriguez et al. (2023), produciendo intervalos de confianza más estrechos.

3. Contribuciones Clave

1. Garantía de "No Perjudicar" (No-Harm Guarantee):
   Bajo condiciones de dispersión (sparsity) en la red de interferencia, se demuestra teóricamente que el estimador VIM ($\hat{\tau}(\hat{\theta}_{VIM})$) tiene una varianza asintótica no mayor que la del estimador no ajustado $\hat{\tau}_{unadj}$. Esto es análogo al resultado clásico de Lin (2013) en ausencia de interferencia, pero extendido exitosamente a entornos con interferencia compleja.

2. Optimalidad Asintótica:
   Se demuestra que $\hat{\tau}(\hat{\theta}_{VIM})$ es óptimo en términos de Error Cuadrático Medio (MSE) dentro de la clase de estimadores parametrizados por $\theta$.

3. Estimador de Varianza Mejorado:
   Se desarrolla un estimador de varianza que es válido bajo interferencia y es significativamente menos conservador que las alternativas existentes, permitiendo inferencias más precisas (intervalos de confianza más cortos) en muestras finitas.

4. Flexibilidad de Covariables:
   El marco permite el uso de covariables arbitrariamente dependientes entre sí, dependientes de la red, o derivadas de la red (como grados o embeddings), siempre que sean independientes de la asignación del tratamiento.

4. Resultados

Resultados Teóricos

• Consistencia: Los coeficientes estimados $\hat{\theta}_{Reg}$ y $\hat{\theta}_{VIM}$ son consistentes.
• Normalidad Asintótica: Los estimadores ajustados siguen una distribución normal asintótica bajo condiciones estándar de regularidad y dispersión de la red.
• Propiedad de Varianza: Se prueba que $\text{Var}(\hat{\tau}(\hat{\theta}_{VIM})) \leq \text{Var}(\hat{\tau}_{unadj})$ asintóticamente.
• Contraste con Regresión: Se ilustra mediante ejemplos teóricos que el ajuste basado en regresión ($\hat{\theta}_{Reg}$) puede tener una varianza estrictamente mayor que el estimador no ajustado en presencia de interferencia, mientras que VIM evita este riesgo.

Resultados Empíricos (Simulaciones)

Los autores realizaron estudios de simulación extensos variando:

• Tamaño de la muestra ($n$).
• Probabilidad de tratamiento ($p$).
• Razón entre efectos indirectos y directos ($r$).
• Tipo de red (Erdős-Rényi y Grafos Geométricos Aleatorios Suaves).
• Orden de interacción ($\beta = 1, 2$).

Hallazgos principales:

• Precisión: El estimador VIM superó consistentemente al estimador no ajustado y al estimador basado en regresión en términos de MSE, especialmente cuando las covariables explican una gran parte de la varianza del resultado.
• Robustez: En escenarios donde la regresión fallaba (aumentando la varianza), VIM mantuvo o mejoró el rendimiento.
• Intervalos de Confianza: El nuevo estimador de varianza produjo intervalos de confianza mucho más estrechos que el método de Cortez-Rodriguez et al. (2023), reduciendo la conservatividad excesiva sin sacrificar la cobertura nominal.

5. Significado e Impacto

Este trabajo es fundamental para la inferencia causal en redes y sistemas interconectados.

• Resuelve una paradoja práctica: Demuestra que, aunque el ajuste de covariables es peligroso bajo interferencia si se hace de forma ingenua (regresión estándar), es posible diseñar un ajuste que sea seguro y beneficioso.
• Puente teórico: Conecta la literatura de ajuste de covariables en experimentos aleatorizados clásicos (SUTVA) con la literatura emergente de interferencia, proporcionando una herramienta robusta para investigadores en economía, ciencias políticas y salud pública.
• Aplicabilidad: Ofrece un marco práctico para mejorar la potencia estadística en experimentos de campo donde la interferencia es inevitable, permitiendo a los investigadores utilizar datos de covariables ricos sin temor a degradar la precisión de sus estimaciones.

En resumen, el artículo establece que, con la metodología correcta (específicamente el enfoque VIM), el ajuste de covariables bajo interferencia no puede perjudicar y, de hecho, puede mejorar sustancialmente la eficiencia de la estimación causal.