Double Machine Learning of Continuous Treatment Effects with General Instrumental Variables

Este artículo propone un marco novedoso basado en aprendizaje automático desviado e instrumentos generales para identificar y estimar funciones de respuesta a dosis promedio con tratamientos continuos en presencia de confusión no observada, utilizando funciones de ponderación regular uniformes y demostrando sus propiedades asintóticas y rendimiento en muestras finitas.

Lo esencial

¡Claro que sí! Imagina que este artículo es como un manual de ingeniería para descubrir la verdad en un mundo lleno de mentiras y datos confusos.

Aquí tienes la explicación de "Double Machine Learning of Continuous Treatment Effects with General Instrumental Variables" (Aprendizaje Automático Doble para Efectos de Tratamientos Continuos con Variables Instrumentales Generales) traducida a un lenguaje sencillo, con analogías creativas.

---

🎯 El Problema: El "Ruido" en la Cocina

Imagina que eres un chef y quieres saber exactamente cuánto azúcar (el tratamiento) necesitas poner en un pastel para que quede perfecto (el resultado).

• El problema clásico: Si solo miras los pasteles que la gente ya ha hecho, verás que los que tienen más azúcar suelen ser más dulces. ¡Genial! Pero espera... ¿y si la gente que pone más azúcar también es la que usa harina de mejor calidad o tiene hornos más potentes? Esos factores ocultos (llamados "confusores no medidos") están arruinando tu experimento. No sabes si el dulce es por el azúcar o por la harina.
• La solución tradicional: Se asume que conoces todos los secretos de la cocina. Pero en la vida real, siempre hay algo que se nos escapa (como el estado de ánimo del chef o la humedad del día).

🕵️‍♂️ La Herramienta Mágica: La "Variable Instrumental" (El Instrumento)

Para solucionar esto, los autores proponen usar un Instrumento.
Imagina que tienes un botón mágico en la cocina que, por pura suerte, hace que los chefs pongan más azúcar, pero no afecta la calidad de la harina ni el horno.

• Si el botón está "ON", ponen más azúcar.
• Si está "OFF", ponen menos.
• Como el botón es aleatorio y no tiene nada que ver con la harina, cualquier cambio en el sabor del pastel que se deba al botón debe ser culpa del azúcar.

En el mundo de los datos, esto se llama Variable Instrumental (IV). Es como un "detective" que aísla el efecto real de la causa.

🌊 El Reto: El Tratamiento es "Continuo"

El problema es que el azúcar no es solo "mucho" o "poco" (como un interruptor de luz). Es una cantidad continua: puedes poner 10g, 10.5g, 10.55g...
El artículo dice: "Oye, los métodos antiguos funcionan bien para interruptores de luz, pero se rompen cuando intentas medir el flujo de agua exacto".

🧩 La Gran Idea: El "Mapa de Parches" (Cubrimiento Finito)

Aquí viene la parte más creativa del artículo. Los autores se dan cuenta de que no existe un solo botón mágico que funcione para toda la cocina.

• Para poner 10g de azúcar, el botón "A" funciona perfecto.
• Pero para poner 50g, el botón "A" deja de funcionar y necesitas el botón "B".

La analogía del mapa:
Imagina que quieres cubrir un país entero (todo el rango de azúcar) con mapas. No puedes usar un solo mapa gigante porque se deformaría. En su lugar, tomas muchos mapas pequeños (parches).

1. En el parche de "poca azúcar", usas el mapa A.
2. En el parche de "mediana azúcar", usas el mapa B.
3. En el parche de "mucho azúcar", usas el mapa C.

Ellos llaman a esto "Cubrimiento Finito". Crean una red de "zonas seguras" donde, en cada zona, tienen una herramienta específica que funciona bien.

🤖 El Motor: "Double Machine Learning" (Aprendizaje Automático Doble)

Ahora, ¿cómo calculamos todo esto sin volverse locos? Usan una técnica llamada Double Machine Learning (DML).

Imagina que tienes dos robots entrenados:

1. Robot 1: Aprende a predecir cuánto azúcar pondrá la gente basándose en el botón mágico y otros factores.
2. Robot 2: Aprende a predecir qué tan dulce quedará el pastel basándose en el azúcar y otros factores.

El truco de "Doble" es que se limpian las patas entre ellos.

• Si el Robot 1 se equivoca un poco, el Robot 2 ayuda a corregirlo.
• Si el Robot 2 falla, el Robot 1 lo salva.
• Al final, el error de ambos se cancela, y obtienes una respuesta muy precisa, incluso si los robots no son perfectos.

📊 ¿Qué hacen exactamente?

1. Dividen el problema: Cortan el rango de tratamientos (azúcar) en pedazos pequeños donde pueden encontrar un "instrumento" que funcione.
2. Crean un "Score" (Puntaje): Inventan una fórmula matemática (llamada AIPW score) que combina los datos de los robots para estimar la verdad.
3. Prueban la validez: Antes de confiar en el resultado, hacen una prueba estadística para asegurarse de que su "botón mágico" realmente funciona en esa zona específica. Si no funciona, cambian de mapa.
4. Construyen la curva: Unen todos los puntos para dibujar la línea perfecta que dice: "Si pones X gramos de azúcar, el pastel tendrá Y nivel de dulzura".

🍎 Ejemplo Real del Papel

Usaron sus métodos para estudiar algo muy serio: Cuánto dinero gana una persona según sus años de educación.

• El problema: La gente con más educación suele tener padres más ricos o más inteligentes (factores ocultos). Si solo miras los datos, parece que la educación te hace rico, pero quizás sea la herencia familiar.
• El instrumento: Usaron la "densidad de escuelas secundarias por milla cuadrada" como su botón mágico.
  • Si hay muchas escuelas cerca, la gente estudia más (tratamiento).
  • Pero la cantidad de escuelas no hace que la gente sea más rica por sí sola (no afecta el resultado directamente).
• El resultado: Descubrieron que la educación sí aumenta los ingresos, pero hasta cierto punto. Después de los 12 años de estudio, el beneficio extra es muy pequeño o incluso nulo. Sin su método, este detalle se habría perdido entre el "ruido" de los datos.

💡 En Resumen

Este papel es como decir:

"No intentes resolver todo el mundo de una sola vez. Divide el mundo en pedazos pequeños, encuentra una herramienta específica para cada pedazo, usa dos robots inteligentes para limpiar los errores y luego une todo para ver la imagen completa. Así, incluso si hay secretos ocultos que no conocemos, podemos descubrir la verdad."

Es una forma muy elegante y robusta de hacer ciencia con datos imperfectos.

Resumen técnico

1. Planteamiento del Problema

La estimación de efectos causales de tratamientos continuos (por ejemplo, dosis de un medicamento, años de educación o inversión publicitaria) es un desafío fundamental en econometría y ciencias de la salud. El objetivo principal es identificar la Función de Respuesta a la Dosis Promedio (ADRF, por sus siglas en inglés), definida como $\theta(a) = E[Y(a)]$, donde $Y(a)$ es el resultado potencial bajo un nivel de tratamiento $a$.

El desafío central: La mayoría de los métodos existentes asumen que no existen confusores no observados (NUC - No Unmeasured Confounding). Sin embargo, en aplicaciones del mundo real, el confusión no medido es común y sesga las estimaciones. Aunque las Variables Instrumentales (VI) son una herramienta estándar para abordar el confusión no medido en tratamientos binarios, su aplicación a tratamientos continuos es limitada.

• Los métodos de VI tradicionales a menudo requieren supuestos de monotonicidad que solo identifican efectos para subpoblaciones específicas (cumplidores).
• La literatura existente carece de un marco no paramétrico general que utilice VI para identificar la ADRF completa bajo confusión no medida.

2. Metodología Propuesta

Los autores proponen un marco novedoso que combina la teoría de variables instrumentales con el Aprendizaje Automático Doble (DML - Debiased Machine Learning).

A. Supuestos y Definiciones Clave

El marco se basa en un conjunto de supuestos estándar (consistencia, ignorabilidad latente, independencia de la VI) y introduce conceptos nuevos para el caso continuo:

1. Función de Ponderación Regular (RWF): Se define una función $\pi(Z, L)$ como una RWF para un nivel de tratamiento $a$ si la variación de la VI $Z$ tiene un efecto no despreciable en el tratamiento $A$ en ese nivel. Matemáticamente, esto se vincula a que la varianza condicional de una transformación de la densidad de $A$ dada $Z$ esté acotada inferiormente.
2. Función de Ponderación Regular Uniforme (URWF): Dado que una RWF puede no existir globalmente para todo el espacio de tratamiento continuo, se introduce el concepto de URWF. Una URWF es válida para un subconjunto abierto del espacio de tratamiento.
3. Cobertura Finita: Un hallazgo teórico crucial es que no existe una URWF global para todo el espacio de tratamiento continuo (un intervalo cerrado). Por lo tanto, el método propone cubrir el espacio de tratamiento con un número finito de conjuntos abiertos, donde en cada conjunto se puede construir una URWF específica.
4. Variable Instrumental Aditiva (AIV): Se introduce una condición de identificación llamada "VI Aditiva". Esta asume que la densidad condicional del tratamiento dado la VI y los confusores no observados se puede descomponer en una suma de una función de los confusores no observados y una función de la VI. Esta condición es análoga a la de "no interacción" en tratamientos binarios pero adaptada al caso continuo.

B. Estimación: Puntuación AIPW y DML

Para estimar la ADRF, los autores derivan una función de puntuación de ponderación inversa aumentada (AIPW):
$$\phi_\pi(O) = \delta(A, L) \frac{(Z_\pi - \rho_\pi(L))(Y - \mu_\pi(A, L))}{\kappa_\pi(A, L)} + \int \dots dP_O(o)$$
Donde:

• $Z_\pi = \pi(Z, L)$.
• $\mu_\pi, \rho_\pi, \kappa_\pi, \eta, \delta$ son funciones de incógnita (nuisance functions) que deben estimarse.
• Esta puntuación posee la propiedad de sesgo mixto: el error de estimación es de segundo orden si al menos uno de los componentes de incógnita se estima consistentemente.

Algoritmo de Implementación:

1. Cross-fitting (Ajuste Cruzado): Se divide la muestra en $K$ pliegues para entrenar los modelos de aprendizaje automático (splines, bosques aleatorios, etc.) para las funciones de incógnita en conjuntos de datos independientes a los de la evaluación, eliminando el sobreajuste.
2. Regresión Kernel Lineal Local (LLKR): Una vez calculados los puntajes AIPW, la ADRF $\theta(a)$ se estima localmente mediante regresión kernel. Esto permite capturar la forma no paramétrica de la curva de dosis-respuesta.
3. Selección de Ventana (Bandwidth): Se utiliza validación cruzada localizada para seleccionar el ancho de banda óptimo en cada región.

C. Prueba de Hipótesis para RWF

Dado que la validez de la estimación depende de que exista una RWF, los autores proponen un procedimiento de prueba de hipótesis para verificar si una función de ponderación prespecificada es una RWF válida para un nivel de tratamiento dado. Esto permite construir empíricamente la cobertura finita necesaria.

3. Contribuciones Clave

1. Identificación No Paramétrica con VI: Es uno de los primeros trabajos que establece condiciones de identificación para la ADRF completa en presencia de confusión no medida utilizando VI generales (no solo binarias).
2. Concepto de Cobertura Finita: Demuestran teóricamente que una VI global no puede funcionar para todo un intervalo continuo de tratamientos, proponiendo en su lugar un enfoque de "cobertura finita" con URWFs locales.
3. Marco DML para Tratamientos Continuos: Extienden el marco de aprendizaje automático doble (DML) al contexto de VI con tratamientos continuos, proporcionando estimadores con tasas de convergencia óptimas (minimax) y propiedades asintóticas normales.
4. Guía Práctica: Ofrecen un algoritmo completo que incluye la construcción de URWFs, pruebas de validez y estimación final, haciendo el método aplicable en la práctica.

4. Resultados

Simulaciones

• Se realizaron estudios de simulación comparando el método propuesto (AIPW-IV) contra métodos que asumen NUC (IPW, OR, AIPW sin VI) y otros estimadores IV.
• Hallazgo: Cuando existe confusión no medido, los métodos que ignoran la VI (NUC) producen un sesgo significativo. El método propuesto elimina este sesgo, recuperando la verdadera función de respuesta a la dosis, aunque con una ligera pérdida de eficiencia (varianza) en comparación con el caso ideal sin confusión.
• La prueba de RWF demostró ser efectiva para identificar las regiones donde los estimadores son válidos.

Aplicación Empírica (Estudio JTPA)

• Datos: Se utilizó el estudio de la Ley de Asociación de Sociedades de Capacitación Laboral (JTPA), combinado con datos del Censo de EE. UU.
• Objetivo: Estimar el efecto de los años de educación (tratamiento continuo) en los ingresos anuales previos al programa (resultado).
• Variable Instrumental: La densidad de escuelas secundarias por milla cuadrada (asumiendo que afecta la educación pero no directamente los ingresos previos).
• Resultados:
  • El método IV confirmó un efecto positivo de la educación en los ingresos.
  • A diferencia del método NUC, el método IV mostró que el retorno de la educación disminuye ligeramente después de cierto umbral (aprox. 12 años), sugiriendo rendimientos decrecientes.
  • El método NUC no capturó esta disminución, estimando un aumento lineal o constante, lo que subraya la importancia de controlar el confusión no medido.

5. Significado e Impacto

Este trabajo es significativo por varias razones:

• Rigor Teórico: Resuelve la dificultad teórica de aplicar VI a tratamientos continuos, demostrando que la identificación global es imposible sin dividir el espacio de tratamiento, y proporcionando las herramientas para hacerlo.
• Flexibilidad: Al utilizar DML y métodos no paramétricos, el método no asume una forma funcional específica (lineal, cuadrática) para la relación dosis-respuesta, lo cual es crucial en ciencias sociales y de la salud donde estas relaciones son complejas.
• Aplicabilidad: Proporciona una solución práctica a un problema común en la investigación causal: la presencia de variables omitidas que sesgan los resultados de tratamientos continuos.
• Futuro: Abre la puerta a estrategias de dosificación personalizada y análisis de políticas públicas más precisos en presencia de endogeneidad.

En resumen, el artículo presenta un marco robusto y teóricamente fundamentado para estimar efectos causales de tratamientos continuos en escenarios realistas donde los datos observacionales están contaminados por confusión no medido, superando las limitaciones de los enfoques tradicionales.