Resumen Técnico: Estimación Directa Doblemente Robusta de Contrastes de Cuantiles Condicionales

Formulación del Problema

En el análisis de efectos de tratamiento heterogéneos (HTE), los investigadores buscan cuantificar el efecto de un tratamiento $A$ sobre un resultado $Y$ condicionado a covariables $X$. Aunque el Efecto de Tratamiento Promedio Condicional (CATE) y el Efecto de Tratamiento de Cuantil Condicional (CQTE) son estimandos estándar, poseen distintas limitaciones. El CATE ofrece interpretabilidad pero carece de granularidad respecto a los cambios en la distribución, mientras que el CQTE proporciona resúmenes granulares a nivel de cuantil pero a menudo carece de una interpretación directa en el espacio de la respuesta (por ejemplo, relacionar un efecto de tratamiento con un valor de respuesta no tratado específico en lugar de un nivel de cuantil).

El Comparador de Cuantil Condicional (CQC), denotado como $g^*(y_0|x)$, fue introducido para cerrar esta brecha. Este mapea una respuesta no tratada $y_0$ y una covariable $x$ hacia el valor de la respuesta tratada que comparte el mismo cuantil condicional. Esto permite una interpretación natural de los efectos de tratamiento como desplazamientos aditivos o multiplicativos sobre la propia respuesta. Sin embargo, el método de estimación existente para el CQC (Givens et al., 2024) depende de un proceso indirecto de dos pasos:

1. Estimar una función intermedia de "contraste de la CCDF" $h(y_1, y_0, x) = F_1(y_1|x) - F_0(y_0|x)$.
2. Invertir esta función para encontrar $y_1$ tal que $h=0$.

Este enfoque de inversión sufre de tres deficiencias principales:

• Falta de Forma Explícita: El estimador resultante $\hat{g}$ no está parametrizado explícitamente, lo que dificulta las restricciones del modelo, la regularización y la interpretabilidad.
• Propagación del Error: La precisión de la estimación depende de la complejidad de la función intermedia $h$ en lugar de la función objetivo $g^*$.
• Costo Computacional: Evaluar el estimador requiere buscar sobre una rejilla de valores de $y_1$ para cada consulta, lo cual es computacionalmente costoso.

Metodología

El artículo propone el primer estimador directo para el CQC, evitando el paso de inversión mediante la formulación del problema como una tarea de estimación M (M-estimation).

Construcción de la Función de Pérdida

Los autores definen una función de pérdida $\bar{\ell}(y_1, y_0, x)$ basada en la integral de la función de contraste $h$:
$$\bar{\ell}(y_1, y_0, x) = \int_{g^*(y_0|x)}^{y_1} h(t, y_0, x) \, dt$$
donde $h(t, y_0, x) = F_1(t|x) - F_0(y_0|x)$. Por el Teorema Fundamental del Cálculo, esta pérdida se minimiza cuando $y_1 = g^*(y_0|x)$. Los autores parametrizan el CQC como $g_\theta(y_0|x)$ y definen la pérdida poblacional $L(\theta) = \mathbb{E}[\ell(\theta, Y_0, X)]$.

Estimador de Gradiente Doblemente Robusto

Dado que las distribuciones condicionales verdaderas $F_a$ y el puntaje de propensión $\pi$ son desconocidos, los autores construyen un estimador de gradiente doblemente robusto (DR) $\zeta_{dr}$ para realizar el descenso de gradiente sobre la pérdida empírica. El gradiente de la pérdida con respecto a los parámetros $\theta$ se estima utilizando:
$$\zeta_{dr}(\theta, y_0, z) = \nabla_\theta g_\theta(y_0|x) \left[ \frac{A}{\pi(x)}\{1\{Y \le g_\theta(y_0|x)\} - F_1(g_\theta(y_0|x)|x)\} - \frac{1-A}{1-\pi(x)}\{1\{Y \le y_0\} - F_0(y_0|x)\} + F_1(y_1|x) - F_0(y_0|x) \right]$$
Este estimador utiliza división de muestras (o cross-fitting) para asegurar la independencia entre las estimaciones de los parámetros de perturbación (nuisance parameters) ($\hat{\pi}, \hat{F}_0, \hat{F}_1$) y los datos utilizados para ajustar los parámetros del CQC.

Optimización

El procedimiento de estimación (Algoritmo 1) implica:

1. Dividir los datos en dos conjuntos para estimar los parámetros de perturbación y ajustar el CQC.
2. Utilizar los parámetros de perturbación estimados para calcular el estimador de gradiente de Monte Carlo $\hat{J}_{dr}$.
3. Actualizar los parámetros $\theta$ mediante descenso de gradiente (por ejemplo, Adam) para minimizar la pérdida.

Contribuciones Clave

1. Primer Estimador Directo: El artículo proporciona el primer método para estimar directamente el CQC sin invertir una función intermedia, lo que permite una parametrización explícita (por ejemplo, modelos lineales, redes neuronales).
2. Garantías Teóricas: Los autores derivan límites de error de estimación en muestras finitas. Demuestran que el método retiene la propiedad de doble robustez: el estimador alcanza tasas de convergencia óptimas incluso si los parámetros de perturbación (puntaje de propensión y CCDFs) se estiman a tasas más lentas, siempre que su producto de errores converja suficientemente rápido.
3. Dependencia del Error: El análisis teórico muestra que el error de estimación depende directamente de la complejidad del propio CQC, en lugar de la complejidad de la función de contraste de la CCDF intermedia.
4. Mejora de la Interpretabilidad y el Control: Al parametrizar explícamente $g_\theta$, el método permite imponer restricciones estructurales (por ejemplo, suavidad, monotonicidad) y facilita la inspección directa del modelo.

Resultados Experimentales

Los autores evalúan su método (etiquetado como "Est. DR") frente al método basado en inversión existente ("Est. Inv. DR") y una variante de ponderación de probabilidad inversa (IPW) a través de conjuntos de datos simulados y del mundo real.

• Simulación (10 dimensiones):
  • Sensibilidad de la Pendiente: A medida que aumenta la inclinación del verdadero CQC, el estimador directo mantiene un error bajo, mientras que el error del método basado en la inversión aumenta significamente.
  • Error de Parámetros de Perturbación: El estimador directo se desempeña de manera comparable o mejor que el método de inversión bajo niveles crecientes de ruido en las estimaciones de los parámetros de perturbación.
  • Tamaño de la Muestra: El estimador directo logra consistentemente un error absoluto medio menor a través de diversos tamaños de muestra.
• Aplicaciones del Mundo Real:
  • Esquema de Empleo: Aplicado a datos sobre intervenciones de empleo, el modelo reveló que, si bien la intervención generalmente mejora los ingresos, el rango de mejora potencial disminuye a medida que la edad del participante aumenta. La parametrización lineal permitió una interpretación clara de estos efectos de escala dependientes de la edad.
  • Ensayo de Cáncer de Colon: Utilizando una parametrización de Red Neuronal, el método capturó un efecto de tratamiento no lineal donde los pacientes más jóvenes mostraron una mejora significativa, mientras que el efecto fue más binario para los pacientes mayores. El estimador directo proporcionó una superficie más suave e interpretable en comparación con la salida ruidosa del método de inversión.

Significado y Reivindicaciones

El artículo afirma que este procedimiento de estimación directa representa una mejora significativa sobre los métodos de CQC existentes. Al eliminar el paso de inversión, los autores argumentan que el método:

• Mejora la Precisión: Reduce el error de estimación al desacoplar la complejidad del objetivo de la complejidad de los parámetros de perturbación.
• Mejora la Interpretabilidad: Proporciona una función $g_\theta(y_0|x)$ que puede ser analizada, restringida y visualizada directamente, lo que la hace más adecuada para la toma de decisiones en el mundo real donde entender el efecto del tratamiento sobre valores de respuesta específicos es crucial.
• Mantiene la Robustez: Preserva la deseable propiedad de doble robustez esencial para la inferencia causal en presencia de una especificación errónea del modelo.

Los autores reconocen que, aunque el estimador directo es teóricamente robusto, puede ser prácticamente más sensible a los errores de los parámetros de perturbación que el método de inversión en ciertos regímenes, un compromiso que sugieren que requiere mayor investigación. También señalan que trabajos futuros podrían extender estos resultados de convergencia a arquitecturas no lineales más compleas como los árboles de regresión aditiva bayesiana.