Compound Selection Decisions: An Almost SURE Approach

Resumen Técnico: Selección de Compuestos: Un Enfoque Casi CERTERO (ASSURE)

1. Formulación del Problema

El artículo aborda los problemas de selección de compuestos dentro de un modelo de secuencias gaussianas. En este entorno, un investigador observa $n$ unidades paralelas, cada una caracterizada por una estimación ruidosa $Y_i$, un error estándar conocido $\sigma_i$, covariables $x_i$ y un costo de selección $k_i$. Los parámetros subyacentes $\mu_i$ representan las ganancias reales de seleccionar la unidad $i$. El objetivo es elegir un conjunto de umbrales de decisión $\delta_i$ (potencialmente dependientes de $z_i = (\sigma_i, x_i, k_i)$) para seleccionar unidades donde $Y_i > \delta_i$, maximizando así la utilidad neta esperada (bienestar):
$$u(\delta_{1:n}, \mu_{1:n}) = \frac{1}{n} \sum_{i=1}^n \mathbb{1}(Y_i > \delta_i)(\mu_i - k_i)$$
El desafío estadístico es que la utilidad esperada depende de los $\mu_{1:n}$ desconocidos y no puede optimizarse directamente. Los enfoques estándar o bien tratan las decisiones por separado (ignorando la estructura colectiva) o dependen de métodos de Empirical Bayes (EB) que asumen una distribución específica de efectos aleatorios para $\mu_{1:n}$. Sin embargo, estos modelos EB suelen estar mal especificados, lo que conduce a decisiones de selección subóptimas porque una mejor predicción de $\mu_i$ no implica necesariamente una mejor selección (Mehta, 2019; Manski, 2021).

2. Metodología: ASSURE y ASSURE*

Inspirados en la Estimación de Riesgo No Sesgada de Stein (SURE), los autores proponen ASSURE (Almost SURE), una familia de estimadores para el bienestar esperado de una regla de selección.

• La Idea Central: Estimar directamente el bienestar de una regla de decisión de función escalón ($\mathbb{1}(Y > \delta)$) es imposible con un estimador insesgado que crezca más lento que $e^{y^2}$ (Stefanski, 1989). Para eludir esto, los autores suavizan la función indicadora utilizando un núcleo $k_h$ para crear una aproximación diferenciable $F_h$.
• El Estimador: Para una regla de decisión $\delta_i$, el estimador ASSURE se define como:
  $$\hat{W}_{ASSURE} = \frac{1}{n} \sum_{i=1}^n \left[ (Y_i - k_i) F_h\left(\frac{Y_i - \delta_i}{\sigma_i}\right) - \sigma_i k_h\left(\frac{Y_i - \delta_i}{\sigma_i}\right) \right]$$
  Esta forma se deriva mediante la identidad de Stein aplicada a la función suavizada.
• ASSURE (Núcleo Sinc):* Los autores recomiendan el núcleo sinc ($k(x) = \frac{\sin x}{\pi x}$) para la función de suavizado. Esta elección, denominada ASSURE, produce un estimador con un sesgo que desaparece exponencialmente rápido en el parámetro de ancho de banda $h$. Con $h = 1/\sqrt{2 \log n}$, ASSURE logra tasas de convergencia casi paramétricas ($O(\sqrt{\log n}/n)$ para el error cuadrático medio).
• ASSURE-CB (Núcleo Gaussiano): Se propone una alternativa utilizando el núcleo gaussiano, que admite una interpretación como una versión de Rao-Blackwellizada del bootstrap acoplado. Sin embargo, debido a que el núcleo gaussiano es solo de segundo orden, ASSURE-CB converge más lentamente ($O(n^{-2/5})$) que ASSURE*.

3. Contribuciones Clave y Resultados Teóricos

A. Evaluación de Bienestar Robusta
La contribución principal es un método para evaluar decisiones de selección sin requerir que el modelo de efectos aleatorios para $\mu_{1:n}$ esté correctamente especificado.

• Validez: El estimador $\hat{W}$ converge al bienestar real $W$ para $\mu_{1:n}$ fijos, donde la aleatoriedad surge únicamente de los dibujos gaussianos $Y_i$. Esta validez se mantiene independientemente de la distribución de $\mu_{1:n}$.
• Robustez a la Especificación Errónea: A diferencia de los métodos EB estándar que integran sobre una priori $P$ potencialmente mal especificada, ASSURE evalúa las decisiones basándose en los parámetros realizados. Esto permite a los profesionales usar los modelos EB meramente como una fuente de clases de reglas de decisión (por ejemplo, reglas de contracción lineal) y luego ajustarlas mediante ASSURE para asegurar la robustez.

B. Garantías de Arrepentimiento (Regret)
El artículo establece límites teóricos sobre el arrepentimiento (la diferencia entre el bienestar óptimo en una clase $\mathcal{D}$ y el bienestar de la regla seleccionada al maximizar $\hat{W}$):

• Tasas Generales: Bajo supuestos débiles (clases VC-subgraph), ASSURE* logra un arrepentimiento de $\tilde{O}(n^{-1/2})$. Esto coincide con el límite inferior minimax salvo por factores logarítmicos.
• Tasas Rápidas: Bajo condiciones adicionales de "margen" (donde la decisión óptima está bien separada y la función de bienestar es curva), el arrepentimiento mejora a $\tilde{O}(n^{-1})$.
• Comparación con Alternativas: El artículo demuestra que, mientras que las reglas de Éxito Empírico estándar (por ejemplo, $Y_i > 0$) minimizan el arrepentimiento de frecuencia en el peor de los casos, fallan en lograr un arrepentimiento evanescente en el entorno compuesto para muchas secuencias de parámetros. Por el contrario, ASSURE* logra un arrepentimiento evanescente al "tomar prestada la fuerza" entre las unidades.

C. Robustez a la No-Gaussianidad
Los autores analizan el desempeño de ASSURE* cuando $Y_i$ son medias muestrales de $m$ variables no gaussianas i.i.d. Muestran que el desempeño del estimador se degrada gradualmente a medida que la aproximación gaussiana se vuelve menos precisa. Específicamente, el término de sesgo escala con $1/\sqrt{m}$, y ASSURE* domina estrictamente a los estimadores de tipo plug-in simples (que no aprovechan la gaussianidad aproximada) cuando $m \gg \log(n)^4$.

D. Ensamble de Reglas Complejas
El marco se extiende al ensamble de reglas de decisión complejas (por ejemplo, combinando EB paramétrico, EB no paramétrico y modelos de regresión) mediante cross-fitting de dejar uno fuera (leave-one-out). ASSURE puede ajustar los pesos de tales ensambles, asegurando que la regla combinada no rinda peor asintóticamente que su mejor componente.

4. Aplicaciones Empíricas y Resultados de Simulación

El artículo valida la metodología mediante simulaciones y tres aplicaciones económicas:

1. Simulación (Priorias Mal Especificadas): En una configuración donde el proceso generador de datos involucra una priori gaussiana mal especificada, ASSURE* supera significativamente al plug-in de Empirical Bayes y al ajuste basado en SURE. Mientras que SURE minimiza el error cuadrático (llevando a buenas estimaciones de la media posterior), incurre en una alta pérdida de bienestar debido a falsos positivos/negativos en la selección. ASSURE* optimiza directamente el objetivo de selección, logrando un bienestar cercano al del oráculo.
2. Atlas de Oportunidades (Censos de Áreas): Aplicado a la selección de áreas censales para la movilidad económica (Bergman et al., 2024), ASSURE* mejora los métodos de Fay-Herriot y de contracción lineal, particularmente cuando la clase de decisión es menos flexible. Certifica que los modelos EB flexibles funcionan bien, pero proporciona ganancias cuando se utilizan modelos más simples.
3. Discriminación en Grandes Empresas: En el contexto de Kline et al. (2022), donde se sabe que las reglas de contracción lineal son conservadoras debido a la asimetría en la distribución real de la discriminación, ASSURE* corrige parcialmente el umbral de selección, reduiendo la brecha de bienestar respecto a un referente de EB no paramétrico en comparación con los métodos plug-in estándar.
4. Pruebas A/B (Experimentación): Utilizando un conjunto de datos de Netflix, los autores aplican ASSURE* para seleccionar pruebas A/B. El método sugiere un umbral mucho más permisivo (cerca de $t=0$) que el convencional $t=1.96$ cuando los costos de implementación son bajos, y puede usarse para inferir el nivel de costo implícito que justifica los umbrales de significancia convencionales.

5. Significación y Reivindicaciones

El artículo afirma que ASSURE proporciona una alternativa robusta al Empirical Bayes estándar para la selección de compuestos. Su significancia radica en:

• Desacoplamiento de la Estimación y la Selección: Permite el uso de modelos EB como "aproximaciones de trabajo" para generar clases de reglas de decisión candidatas sin requerir que el modelo sea correcto.
• Optimización Directa del Bienestar: Al optimizar un estimador de la utilidad de selección real en lugar de un proxy (como el error cuadrático), evita la trampa de "mejor predicción $\neq$ mejor selección".
• Robustez: El método ofrece garantías teóricas que se mantienen para parámetros fijos, lo que lo hace robusto a la especificación errónea de la distribución de la priori de $\mu_{1:n}$.
• Utilidad Práctica: Ofrece una forma basada en datos para ajustar umbrales en entornos que van desde el diseño de políticas (vales de vivienda) hasta la experimentación corporativa, superando a menudo a los métodos ad-hoc o plug-in estándar.

Los autores enfatizan que, aunque ASSURE hereda la versatilidad de SURE, está específicamente diseñado para la naturaleza no diferenciable de las decisiones de selección, llenando un vacío donde el SURE estándar no es directamente aplicable.