Two-stage Estimation for Causal Inference Involving a Semi-continuous Exposure

Aquí presento un resumen técnico detallado del artículo "Two-Stage Estimation for Causal Inference Involving Semi-Continuous Exposures" en español.

Resumen Técnico: Estimación en Dos Etapas para Inferencia Causal con Exposiciones Semicontinuas

1. Planteamiento del Problema

En la investigación de salud pública y ciencias sociales, es común encontrar exposiciones que son semicontinuas: presentan una masa de probabilidad significativa en cero (individuos no expuestos) y una distribución continua entre los expuestos (ej. consumo de alcohol, tabaco, drogas o contaminantes ambientales).

• Limitaciones actuales: Los métodos de inferencia causal estándar están bien desarrollados para exposiciones binarias o continuas puras. Sin embargo, aplicar métodos continuos generales a datos semicontinuos puede generar estimadores de alta varianza debido a pesos extremos en la ponderación por probabilidad inversa (IPW). Por otro lado, tratar la exposición como puramente binaria ignora la información sobre la dosis.
• Objetivo: El artículo propone un marco causal unificado y una estrategia de estimación en dos etapas para estimar dos efectos causales distintos:
  1. El efecto de la dosis (respuesta dosis-respuesta) entre los individuos expuestos.
  2. El efecto del estado de exposición (expuesto vs. no expuesto) en una dosis de referencia clínicamente significativa.

2. Metodología Propuesta

El enfoque se basa en el marco de resultados potenciales y utiliza un Puntaje de Propensión (PS) en dos partes para ajustar por confusión.

A. Definición de Estimandos Causales
Sea $T$ la dosis de exposición, $A = I(T>0)$ el estado de exposición, y $D = \log(T)$ la dosis logarítmica (para $T>0$). Se definen dos estimandos:

1. Efecto Dosis-Respuesta ($\Delta_D$): El cambio esperado en el resultado al aumentar la dosis en una unidad, condicionado a estar expuesto ($A=1$).
   $$\Delta_D = E\{Y(1, d+1) - Y(1, d) \mid A=1\}$$
2. Efecto del Estado de Exposición ($\Delta_0(c)$): El efecto de estar expuesto a una dosis de referencia $c$ frente a no estar expuesto ($A=0$).
   $$\Delta_0(c) = E\{Y(1, c) - Y(0, 0)\}$$

B. Estructura del Puntaje de Propensión en Dos Partes
Se modelan dos componentes separados para el proceso de generación de la exposición:

1. Modelo de Estado (Binario): $S_2(Z_2) = P(A=1 \mid Z_2)$, usualmente mediante regresión logística.
2. Modelo de Dosis (Continuo): $S_1(Z_1) = E(D \mid A=1, Z_1)$, modelando la dosis esperada entre los expuestos.
   Donde $Z_1$ y $Z_2$ son vectores de covariables (que pueden superponerse) que confunden la relación dosis-resultado y estado-resultado, respectivamente.

C. Estrategia de Estimación en Dos Etapas
El método separa la estimación de los dos efectos para permitir flexibilidad y robustez:

• Etapa I: Efecto de la Dosis (entre expuestos)

  • Se utiliza ajuste por regresión basado en el PS ($S_1$) solo en la subpoblación de expuestos ($A=1$).
  • Se ajusta un modelo lineal de $Y$ sobre $D$ y $S_1(Z_1)$.
  • El coeficiente de $D$ estima el efecto causal de la dosis ($\psi_{11}$).

• Etapa II: Efecto del Estado (Expuesto vs. No Expuesto)

  • Se compara $A=1$ (a una dosis de referencia $c$) contra $A=0$.
  • Se utiliza el estimador de la Etapa I ($\hat{\gamma}_{11}$) como un "offset" (término fijo) en el modelo de la Etapa II para aislar el efecto del estado de exposición de la variación de la dosis.
  • Se proponen tres enfoques para la Etapa II:
    1. Ajuste por Regresión con PS: Usando $S_2(Z_2)$.
    2. Ponderación por Probabilidad Inversa (IPW): Usando pesos basados en $S_2(Z_2)$.
    3. Ponderación Inversa Aumentada (AIPW): Combina IPW y un modelo de imputación (resultado). Este enfoque ofrece la propiedad de doble robustez: el estimador es consistente si al menos uno de los modelos (el de PS o el de imputación) está correctamente especificado.

D. Propiedades Asintóticas y Robustez

• Se demuestra la consistencia y normalidad asintótica de los estimadores.
• Se derivan las expresiones de los valores límite cuando los modelos de PS están mal especificados, mostrando cómo el sesgo depende de la estructura de covarianza entre las variables de confusión y los puntajes de propensión estimados.
• Se utiliza una matriz de covarianza "sandwich" para la inferencia estadística.

3. Resultados Clave

A. Estudios de Simulación
Se evaluaron dos modelos de generación de datos con diferentes configuraciones de confusión y tamaños de muestra ($n=1000$).

• Rendimiento bajo especificación correcta: Todos los métodos basados en PS (regresión, IPW, AIPW) mostraron sesgo bajo y cobertura del 95% cercana al nominal, superando ampliamente al ajuste por covariables naive.
• Robustez ante mal especificación:
  • Si el modelo de PS de la Etapa I ($S_1$) está mal especificado, ambos estimadores (dosis y estado) sufren sesgo.
  • Si el modelo de PS de la Etapa II ($S_2$) está mal especificado, el estimador AIPW sigue siendo consistente siempre que el modelo de imputación esté bien especificado (doble robustez).
  • El método AIPW demostró ser el más robusto frente a errores de especificación en la Etapa II.

B. Aplicación Empírica: Exposición Prenatal al Alcohol (PAE)
Se aplicó el método a un estudio de cohorte longitudinal en Detroit (480 madres, 377 niños con seguimiento a los 7 años).

• Exposición: Consumo de alcohol (16.2% de madres no bebieron; el resto tuvo consumo variable y sesgado a la derecha).
• Resultado: Puntaje de CI Total (FSIQ) en la escala WISC-III.
• Hallazgos:
  • Los métodos basados en PS estimaron efectos negativos tanto para el estado de beber (comparado con no beber) como para la dosis entre bebedores.
  • El estimador AIPW en dos etapas arrojó un efecto negativo para el estado de beber ($\hat{\gamma}_{21} \approx -0.176$), aunque no fue estadísticamente significativo al nivel del 5% (posiblemente debido a la varianza de los métodos de ponderación).
  • En contraste, el ajuste por covariables convencional mostró un efecto positivo (sesgado), destacando la importancia de controlar adecuadamente la confusión en exposiciones semicontinuas.

4. Contribuciones Principales

1. Marco Causal Unificado: Formaliza la inferencia causal para exposiciones semicontinuas dentro del marco de resultados potenciales, definiendo claramente los estimandos de dosis y estado.
2. Estrategia de Dos Etapas: Introduce una metodología que separa la estimación de la respuesta a la dosis de la comparación de estados, permitiendo el uso de un "offset" para desentrañar los efectos.
3. Doble Robustez en Exposiciones Semicontinuas: Extiende la propiedad de doble robustez (AIPW) a este tipo de datos complejos, protegiendo contra la mal especificación del modelo de PS en la etapa de comparación de estados.
4. Análisis de Sesgo por Mal Especificación: Proporciona derivaciones teóricas detalladas sobre cómo la mal especificación de los modelos de PS afecta los estimadores límite, algo que rara vez se aborda en la literatura existente para este tipo de datos.

5. Significado e Implicaciones

Este trabajo es significativo porque aborda una brecha metodológica crítica en la epidemiología y la ciencia de datos observacionales. Muchas exposiciones de interés (sustancias, contaminantes, comportamientos) son semicontinuas. Los métodos tradicionales o bien ignoran la intensidad de la exposición o sufren de inestabilidad numérica.

La propuesta de los autores ofrece:

• Interpretabilidad: Permite responder preguntas científicas distintas: "¿Es malo beber?" (efecto estado) y "¿Es peor beber más?" (efecto dosis).
• Flexibilidad: Permite usar diferentes conjuntos de covariables para el estado y la dosis, reflejando mejor los mecanismos de generación de datos reales.
• Robustez: El uso de AIPW en la segunda etapa proporciona un salvavidas contra errores de modelado, crucial en estudios observacionales donde la especificación correcta del modelo es incierta.

En conclusión, el artículo establece un nuevo estándar para el análisis causal de exposiciones semicontinuas, combinando rigor teórico con aplicabilidad práctica en estudios de salud pública complejos.