Resumen Técnico: Un Marco de Ponderación para Clústeres como Confusores en Estudios Observacionales

Planteamiento del Problema

En la inferencia causal observacional, los investigadores suelen enfrentarse al desafío de la confusión cuando las unidades están anidadas dentro de grupos (clústeres), como estudiantes en escuelas o pacientes en hospitales. Los enfoques estándar suelen ajustar por covariables a nivel individual, asumiendo que la ignorabilidad fuerte se cumple condicionalmente a dichas covariables. Sin embargo, cuando la pertenencia al clúster influye tanto en la asignación del tratamiento como en los resultados, esta suposición puede verse violada debido al contexto no observado a nivel del clúster.

El problema central abordado es cómo ajustar apropiadamente la confusión a nivel de clúster utilizando métodos de ponderación. La literatura existente se apoya fuertemente en la Ponderación por el Inverso de la Puntuación de Propensión (IPW) basada en modelos con efectos aleatorios (específicamente, interceptos aleatorios). Los autores argumentan que el estándar actual —el IPW de intercepto aleatorio— apunta únicamente al balance global (diferencias entre unidades tratadas y de control en toda la muestra) y a cambios de nivel constantes a través de los clústeres. Crucialmente, no impone restricciones sobre el balance local (diferencias entre unidades tratadas y de control dentro de clústeres específicos). Cuando existen desequilibrios locales, el IPW de intercepto aleatorio puede no reducir el sesgo, particularmente en entornos con clústeres pequeños o datos dispersos. Además, los métodos que intentan lograr tanto el balance global como el local a menudo enfrentan la ineficiencia computacional o requieren descartar clústeres pequeños, lo que altera el estimando objetivo.

Metodología

El artículo desarrolla un marco de ponderación unificado que descompone el sesgo de los estimadores de ponderación en dos componentes distintos: balance global y balance local.

1. Marco de Descomposición del Sesgo

Los autores derivan una descomposición del sesgo para el Efecto de Tratamiento Promedio sobre los Tratados (ATT). Demuestran que el sesgo en la estimación del resultado contrafáctico $\mu_0$ consiste en:

• Balance Global: La diferencia en el componente común del modelo de resultado entre las unidades tratadas y de control en toda la muestra.
• Balance Local: La diferencia en el componente de interacción (específico para cada clúster) entre las unidades tratadas y de control dentro de cada clúster.
• Normalización: Un término relacionado con si los pesos suman el número de unidades tratadas dentro de cada clúster.

Esta descomposición aclara que lograr el ATT general requiere controlar tanto los desequilibrios globales como los locales, aunque la importancia relativa depende de la heterogeneidad del proceso de resultado a través de los clústeres.

2. Revisión de Métodos Existentes (Ajuste por Pertenencia al Clúster)

El artículo categoriza los métodos que condicionan sobre la pertenencia al clúster ($G$) bajo la Asunción 2 (Ignorabilidad Fuerte dado $X$ y $G$):

• IPW de Intercepto Aleatorio (RI-IPW): El estándar actual. Incluye interceptos específicos del clúster pero no interacciones entre las covariables y los clústeres. Apunta al balance global y a la normalización, pero no logra controlar el balance local.
• Análisis Estratificado: Apunta únicamente al balance local mediante la estimación de puntuaciones de propensión por separado dentro de cada clúster. Esto suele ser inviable debido a la separación completa o tamaños de muestra pequeños, e ignora el balance global.
• IPW de Coeficientes Aleatorios: Apunta tanto al balance global como al local al permitir que los efectos de las covariables varíen por clúster. Esto suele ser computacionalmente inviable y sufre de problemas de convergencia.
• Pesos de Balanceo Jerárquico: Un enfoque de optimización restringida que minimiza directamente el desequilibrio local mientras impone un balance global exacto. Apunta a ambas formas de balance pero requiere descartar clústeres sin variación de tratamiento (violando la superposición/overlap), lo que cambia el estimando.

3. Métodos Propuestos (Ajuste por Estadísticos Suficientes a Nivel de Clúster)

Para abordar los problemas de dispersión en clústeres pequeños, los autores proponen métodos basados en la Asunción 3 (Ignorabilidad de Clúster de Familia Exponencial). Esta asunción postula que el tratamiento es ignorable dado las covariables individuales y los estadísticos suficientes a nivel de clúster ($\bar{S}_G$), en lugar de la pertenencia al clúster misma. Esto permite tratar a los clústeres como "anónimos" si comparten estadísticos suficientes similares.

• Estimación de Mundlak Generalizada: Un enfoque que ajusta por los estadísticos suficientes a nivel de clúster (por ejemplo, las medias de las covariables y las proporciones de tratamiento dentro del clúster) en lugar de efectos fijos.
• Pesos de Balanceo de Mundlak: Un nuevo estimador que utiliza la optimización restringida para balancear:
  1. Covariables a nivel individual (Balance Individual Global).
  2. Estadísticos suficientes a nivel de clúster (Balance de Clúster Global).
  3. Interacciones entre las covariables individuales y los estadísticos suficientes a nivel de clúster (Balance Local).

Este enfoque reduce la dimensionalidad de las restricciones de balance local de $d \times K$ (covariables $\times$ clústeres) a la dimensión de los estadísticos suficientes, lo que hace que sea factible retener clústeres pequeños sin descartarlos. Los autores describen dos variantes: una que impone el balance global sobre los estadísticos suficientes y otra que impone una restricción de "promedio a uno" dentro de los clústeres.

Principales Contribuciones

1. Marco Unificado: El artículo proporciona una descomposición formal del sesgo de ponderación en componentes globales y locales, aclarando exactamente qué controla cada método de estimación.
2. Crítica al RI-IPW: Los autores demuestran que el ampliamente utilizado método IPW de intercepto aleatorio no logra controlar el desequilibrio local, lo que potencialmente conduce a estimaciones sesgadas en presencia de confusión a nivel de clúster.
3. Pesos de Balanceo Jerárquico: Formalizan un método que apunta directamente al balance global y local mediante optimización, resaltando el compromiso entre el balance y el tamaño de muestra efectivo (ESS).
4. Pesos de Balanceo de Mundlak: Introducen un nuevo estimador que aprovecha el enfoque de Mundlak generalizado para lograr el balance local en clústeres pequeños al condicionar sobre estadísticos suficientes en lugar de efectos fijos. Esto evita el descarte de clústeres sin variación de tratamiento.
5. Compromisos de las Asunciones: El artículo contrasta explícitamente las asunciones requeridas:
   • Asunción 2 (Más Débil): No paramétrica respecto a los efectos del clúster; válida para los Pesos de Balanceo Jerárquico, pero tiene dificultades con clústeres pequeños.
   • Asunción 3 (Más Fuerte): Requiere una estructura de familia exponencial para la distribución conjunta de las covariables y el tratamiento; válida para los métodos de Mundlak y permite clústeres pequeños, pero conlleva el riesgo de sesgo si los estadísticos suficientes están mal especificados.

Resultados

Estudio de Simulación

Utilizando un proceso generador de datos con confusión no observada a nivel de clúster:

• RI-IPW: Funcionó deficientemente, exhibiendo un sesgo alto comparable o incluso peor que los métodos que ignoraban los clústeres por completo. No logró reducir el sesgo de la confusión a nivel de clúster.
• Pesos de Balanceo Jerárquico: Redujeron el sesgo efectivamente cuando la confusión de clúster estaba presente, pero incurrieron en un costo (sesgo) cuando los clústeres eran irrelevantes.
• Pesos de Balanceo de Mundlak: Funcionaron bien en todos los escenarios, manteniéndose casi insesgados independientemente de si la confusión de clúster estaba presente o no. Evitaron la penalización de los clústeres irrelevantes que afectó a otros métodos de clúster.

Aplicaciones Empíricas

Los autores aplicaron los métodos a dos conjuntos de datos distintos:

1. Educación (Clústeres Pequeños): Un estudio de programas preescolares sobre puntuaciones de exámenes (937 escuelas, tamaños de clúster pequeños).

   • El RI-IPW produjo un efecto de tratamiento grande (0.25 DE) con un desequilibrio de covariables sustancial.
   • Los pesos de balanceo jerárquico y de Mundlak produjeron estimaciones similares y más pequeñas (0.07 DE) con un excelente balance.
   • El acuerdo entre los dos métodos sugirió que la Asunción 3 más fuerte no era groseramente violada.
   • Los pesos jerárquicos requirieron descartar clústeres sin variación de tratamiento, mientras que los pesos de Mundlak los retuvieron.

2. Servicios de Salud (Clústeres Grandes): Un estudio de cirugía de emergencia para trastornos HPB (540 hospitales, tamaños de clúster grandes).

   • El RI-IPW nuevamente produjo una estimación atípica con un mal balance.
   • Los pesos de balanceo jerárquico y de Mundlak arrojaron estimaciones similares, cercanas a cero, lo que sugiere que no hay beneficio de la cirugía una vez que se tiene en cuenta el contexto del hospital.
   • En este entorno con clústeres grandes, los autores señalan que los Pesos de Balanceo Jerárquico son preferibles, ya que evitan la asunción más fuerte de la familia exponencial y siguen siendo computacionalmente viables.

Significancia y Reclamaciones

El artículo sostiene que los investigadores deberían preferir generalmente los enfoques de pesos de balanceo sobre el IPW tradicional basado en modelos con interceptos aleatorios, particularmente cuando la asignación del tratamiento varía dentro de los clústeres.

• Cuándo usar Pesos de Balanceo Jerárquico: Cuando los tamaños de los clústeres son lo suficientemente grandes como para permitir la condición directa sobre la pertenencia al clúster, este método es preferible porque se basa en la Asunción 2, que es más débil y no paramétrica.
• Cuándo usar Pesos de Balanceo de Mundlak: Cuando los tamaños de los clústeres son pequeños o existen violaciones de superposición dentro de los clústeres, el enfoque de Mundlak es atractivo, ya que puede retener estos clústeres. Sin embargo, esto conlleva la advertencia de que el investigador debe creer que la asunción de la familia exponencial (Asunción 3) se cumple y que los estadísticos suficientes elegidos capturan completamente la confusión a nivel de clúster.
• Recomendación Práctica: Los autores sugieren comparar las estimaciones a través de múltiples métodos (sin ajuste, RI-IPW, Jerárquico y Mundlak). El acuerdo entre las estimaciones Jerárquicas y de Mundlak proporciona tranquilidad de que la Asunción 3 más fuerte no está siendo groseramente violada. El desacuerdo puede indicar una mala especificación de los estadísticos suficientes o un fallo en lograr el balance local.

El artículo concluye que, si bien el enfoque de Mundlak ofrece una solución para clústeres pequeños, la elección entre métodos depende en última instancia de la plausibilidad de la asunción de la familia exponencial y la viabilidad de condicionar directamente sobre la pertenencia al clúster.