Resumen Técnico: Etiquetas Contrafactuales Sintéticas para Inferencia Contrafactual Conformal Eficiente (SP-CCI)

1. Definición del Problema y Motivación

El artículo aborda el desafío de construir intervalos de predicción confiables para resultados contrafactuales individuales en escenarios con desequilibrio de tratamiento. En la inferencia causal, para una unidad con covariables $X$ y tratamiento observado $T$, solo se observa un resultado potencial $Y(T)$, mientras que el resultado contrafactual $Y(1-T)$ permanece no observado.

Los métodos existentes, específicamente la Inferencia Contrafactual Conformal (CCI) (Lei y Candès, 2021), proporcionan garantías de cobertura marginal para estas predicciones contrafactuales. Sin embargo, la CCI depende de datos de calibración provenientes del brazo de tratamiento específico de interés. En muchos escenarios del mundo real (por ejemplo, ensayos médicos donde los tratamientos costosos son raros, o publicidad en línea con exposición escasa), el conjunto de datos para el brazo de tratamiento objetivo ($D_1$) es significativamente más pequeño que el brazo de control ($D_0$). Esta escasez conduce a intervalos de predicción excesivamente conservadores y amplios, lo que limita la utilidad de la inferencia conformal en la toma de decisiones de alto riesgo.

Aunque los datos sintéticos generados por modelos preentrenados podrían aumentar el conjunto de calibración escaso, incorporar directamente estas etiquetas sintéticas en los procedimientos conformales estándar rompe la validez estadística, ya que los resultados sintéticos son aproximaciones sesgadas de la verdad.

2. Metodología: Marco SP-CCI

Los autores proponen la Inferencia Contrafactual Conformal Potenciada por Datos Sintéticos (SP-CCI), un marco que aumenta el conjunto de calibración con etiquetas contrafactuales sintéticas mientras preserva las garantías de cobertura marginal mediante un procedimiento de estimación desviada.

Componentes Principales

1. Generación de Datos Sintéticos:

   • El método utiliza un modelo generativo contrafactual preentrenado $\hat{P}_{Y(1)|X}$ (que puede ser una red neuronal o un Modelo de Lenguaje Grande) para generar etiquetas contrafactuales sintéticas $\hat{Y}(1)$ para unidades en el conjunto de datos de control más grande $D_0$.
   • Esto crea un conjunto de datos sintético aumentado $\tilde{D}_1 = \{(X_i, \hat{Y}_i(1))\}_{i=1}^{n_0}$.

2. Estimación de Cobertura Errónea Desviada (Integración de PPI):

   • Para corregir el sesgo introducido por las etiquetas sintéticas, SP-CCI adapta la Inferencia Potenciada por Predicciones (PPI) (Angelopoulos et al., 2023a).
   • El conjunto de calibración $D_1$ (datos tratados reales) se utiliza para "corregir" las estimaciones sintéticas. Específicamente, las $n_0$ muestras sintéticas se dividen en $n_1$ grupos, asignando cada uno a una muestra tratada real $(X_i, Y_i) \in D_1$.
   • Se construye un estimador insesgado de la probabilidad de cobertura errónea $\hat{L}_\eta$ utilizando una diferencia ponderada entre la pérdida en datos sintéticos y la pérdida en datos reales:
     $$\hat{\ell}_{i,\eta} = \frac{1}{r} \sum_{j} \tilde{w}_j \ell_\eta(\tilde{X}_j, \tilde{Y}_j) - w_i [\ell_\eta(X_i, \hat{Y}_i) - \ell_\eta(X_i, Y_i)]$$
     donde $w_i$ y $\tilde{w}_i$ son pesos de importancia que tienen en cuenta las puntuaciones de propensión y las probabilidades de tratamiento.

3. Conjuntos de Predicción Controlados por Riesgo (RCPS):

   • El método emplea Conjuntos de Predicción Controlados por Riesgo (RCPS) (Bates et al., 2021) para seleccionar el parámetro de ampliación del intervalo $\eta$.
   • En lugar de garantizar una cobertura incondicional, SP-CCI asegura que el riesgo de cobertura errónea se controle con alta probabilidad ($1-\delta$) sobre la extracción de los datos de calibración.
   • El parámetro de ampliación $\hat{\eta}$ se elige de tal manera que el límite superior de confianza de la probabilidad de cobertura errónea estimada no exceda el nivel objetivo $\alpha$.

4. Manejo de Especificación Incorrecta de Pesos:

   • El marco incluye garantías teóricas para casos donde los pesos de importancia se estiman en lugar de conocerse exactamente. Demuestra que las garantías de cobertura se pueden mantener ajustando el parámetro de ampliación para tener en cuenta los límites de error de los pesos estimados.

3. Contribuciones Clave

• Metodología: Introducción de SP-CCI, que integra datos de calibración reales y sintéticos mediante un estimador de cobertura errónea desviado, permitiendo el uso de abundantes datos de control para mejorar la inferencia para brazos de tratamiento escasos.
• Garantías Teóricas: Demostración formal de que SP-CCI logra cobertura marginal de alta probabilidad (controlada por el parámetro $\delta$) tanto bajo ponderación de importancia exacta como aproximada. El artículo distingue esto de la cobertura marginal incondicional de la CCI estándar, ofreciendo un mecanismo de control de "interrupción" ajustable.
• Eficiencia: Demostración teórica y empírica de que SP-CCI produce intervalos de predicción significativamente más estrechos en comparación con la CCI estándar y el marco GESPI (Bashari et al., 2025), particularmente cuando están disponibles generadores sintéticos de alta calidad.

4. Resultados Experimentales

Los autores evaluaron SP-CCI en datos sintéticos (siguiendo a Lei y Candès, 2021) y en el conjunto de datos semi-sintético IHDP (Hill, 2011), comparándolo con la CCI estándar y GESPI.

• Datos Sintéticos: SP-CCI produjo consistentemente intervalos de predicción más estrechos que la CCI y GESPI, manteniendo al mismo tiempo las garantías de cobertura requeridas. El ancho del intervalo disminuyó a medida que mejoró la calidad del modelo generativo contrafactual (Baja/Media/Alta Calidad).
• Conjunto de Datos IHDP:
  • SP-CCI logró un Ancho Promedio de Intervalo de Predicción (APIW) de 3.52 (etiquetas sintéticas de Alta Calidad) en comparación con 20.24 para la CCI estándar.
  • Aunque GESPI con una barrera de seguridad relajada podía producir intervalos más estrechos, sufría de una alta Tasa de Violación de Cobertura (CVR) del 42% cuando se ajustaba, lo que lo hacía inadecuado para escenarios de alto riesgo. SP-CCI mantuvo una CVR baja (2–6%) en todas las variantes.
  • El método aprovechó con éxito un modelo preentrenado LLaMA-2-13B como fuente generativa, logrando un rendimiento competitivo a pesar de que el modelo fue entrenado fuera del conjunto de datos específico, demostrando robustez ante cambios de distribución.
• Experimentos Adicionales:
  • Evaluación de Políticas: En un escenario de transferencia inalámbrica, SP-CCI proporcionó una cuantificación de rendimiento más precisa (intervalos más estrechos) para políticas fijas en comparación con la CCI.
  • Desequilibrio Extremo: En el conjunto de datos Twins con desequilibrio de tratamiento extremo (63 tratados frente a 11,921 unidades de control), la CCI produjo intervalos casi 20 veces más amplios que SP-CCI para mantener la cobertura. SP-CCI mantuvo una cobertura cercana al objetivo con intervalos significativamente más ajustados.

5. Significado y Afirmaciones

El artículo afirma que SP-CCI representa un paso significativo hacia adelante para hacer que la inferencia contrafactual conformal sea práctica para conjuntos de datos desequilibrados. Al aprovechar eficazmente los datos sintéticos sin comprometer la validez estadística, el método aborda la "maldición de la dimensionalidad" y la escasez de datos inherentes a la inferencia causal para tratamientos raros.

Los autores enfatizan que SP-CCI ofrece un compromiso ajustable entre el ancho del intervalo y la fiabilidad de la cobertura a través del parámetro $\delta$, una característica ausente en la CCI incondicional estándar. El trabajo demuestra que los datos sintéticos de alta calidad, cuando se desvían adecuadamente, pueden mejorar drásticamente la eficiencia de la inferencia causal, haciéndola más aplicable a dominios del mundo real como la medicina personalizada y la evaluación de políticas donde los datos de tratamiento a menudo son escasos.

El artículo concluye con modestia, señalando que las extensiones a tratamientos de múltiples brazos, tratamientos continuos y escenarios donde ninguno de los dos resultados potenciales se observa permanecen como problemas abiertos para trabajos futuros.