Design-based inference for generalized causal effects in randomized experiments

Aquí presento un resumen técnico detallado del artículo "Design-based inference for generalized causal effects in randomized experiments" (Inferencia basada en el diseño para efectos causales generalizados en experimentos aleatorizados), escrito por Xinyuan Chen y Fan Li.

1. Planteamiento del Problema

Los experimentos aleatorizados tradicionales suelen centrarse en el Efecto Promedio del Tratamiento (ATE), definido como la diferencia de medias entre los resultados potenciales bajo tratamiento y control. Sin embargo, en escenarios modernos con resultados complejos (no Gaussianos, ordinales, multivariados o composites), la diferencia de medias puede ser insuficiente o poco interpretable.

El artículo aborda la necesidad de estimar Efectos Causales Generalizados (GCE), definidos a través de funciones de contraste no lineales entre pares de unidades. Ejemplos clave incluyen:

• El índice probabilístico (relacionado con el efecto de Mann-Whitney).
• El beneficio causal neto (Causal Net Benefit), que cuantifica la ventaja de una asignación sobre su complemento.

El desafío principal radica en desarrollar un marco de inferencia basado en el diseño (donde la aleatorización es la única fuente de aleatoriedad y los resultados potenciales son fijos) que permita:

1. Ajuste por covariables mediante regresión para mejorar la eficiencia.
2. Estimación de varianzas consistentes que capturen correctamente la estructura de dependencia compleja inherente a las comparaciones por pares (donde cada unidad participa en múltiples pares y existen comparaciones "reversas").

2. Metodología

Los autores desarrollan un marco unificado bajo el paradigma de resultados potenciales en una población finita.

Definición del Estimando

El estimando GCE se define como:
$$\lambda(a, 1-a) = \frac{1}{N(N-1)} \sum_{1 \le i \neq j \le N} w\{Y_i(a), Y_j(1-a)\}$$
donde $w$ es una función de contraste arbitraria (no necesariamente lineal) que compara los resultados potenciales de la unidad $i$ bajo tratamiento $a$ con la unidad $j$ bajo control $1-a$.

Estrategias de Estimación

Se proponen dos clases de estimadores de regresión para ajustar por covariables:

1. Basados en pares individuales: Se modelan los contrastes observados $W_{i,j}$ directamente como función de los indicadores de tratamiento y las covariables. Se consideran tres especificaciones de modelo (Neyman, Fisher y Lin) adaptadas a datos de pares.
2. Basados en promedios por unidad de par: Se calculan promedios de los contrastes para cada unidad $i$ contra todos los demás $j$, y luego se aplica regresión a nivel de unidad.

Propiedad de Asistencia de Modelo:
Un hallazgo teórico crucial es que, incluso si los modelos de trabajo (lineales) están mal especificados, estos estimadores son consistentes y asintóticamente normales. Por lo tanto, actúan como estimadores asistidos por modelo (model-assisted) y no basados en modelo, preservando la validez de la inferencia causal sin depender de la corrección del modelo.

Limitaciones de Eficiencia

A diferencia del ATE lineal clásico (donde el ajuste de Lin garantiza una ganancia de eficiencia asintótica), el artículo demuestra que para funciones de contraste no lineales, el ajuste por covariables no garantiza universalmente una mejora en la eficiencia. La ganancia de eficiencia depende intrínsecamente del estimando y de la estructura de los datos; en algunos casos, el ajuste puede incluso reducir la eficiencia teórica.

Estimación de Varianza

El artículo identifica que los estimadores de varianza estándar (robustos a la heterocedasticidad - HR, o robustos a conglomerados - CR) son inconsistentes en este contexto porque fallan en capturar la estructura de dependencia de dos vías:

1. Dependencia entre unidades que comparten un par.
2. Dependencia entre comparaciones reversas ($W_{i,j}$ y $W_{j,i}$).

Para resolver esto, los autores proponen un estimador de varianza de conglomerados bidireccional completo (Complete Two-Way - CTW). Este estimador cuenta explícitamente con los efectos principales, los efectos reversos y las correcciones por doble conteo, asegurando la consistencia para la varianza del beneficio causal neto.

3. Contribuciones Clave

1. Marco Unificado: Extiende la teoría de inferencia basada en el diseño desde el ATE lineal a una clase amplia de efectos causales no lineales definidos por funciones de contraste.
2. Teoría Asintótica para No Linealidad: Establece la consistencia y normalidad asintótica de estimadores de regresión ajustados bajo mal especificación del modelo, utilizando la teoría de estadísticas $U$ y el teorema central del límite para poblaciones finitas.
3. Desmitificación de la Eficiencia: Demuestra que, a diferencia del caso lineal, el ajuste por covariables en estimandos no lineales no tiene una garantía universal de eficiencia, marcando una distinción fundamental en la teoría de diseño experimental.
4. Solución de Varianza Correcta: Identifica la inconsistencia de los métodos estándar (HR, CR, TW) y propone el estimador CTW como la solución necesaria para inferencia válida, demostrando su consistencia teórica.
5. Conexión con Modelos de Índice Probabilístico (PIM): Establece que los estimadores lineales de PIM son casos particulares de los estimadores propuestos y heredan sus propiedades de asistencia de modelo.

4. Resultados

• Simulaciones:

  • Confirman que todos los estimadores son consistentes y no sesgados, independientemente de la especificación del modelo.
  • Muestran que cuando las covariables son pronósticas (predictivas), el ajuste mejora la eficiencia empírica, aunque no siempre teóricamente.
  • Cuando las covariables no son informativas, el ajuste no mejora la eficiencia y puede aumentar ligeramente el error estándar.
  • Validación de Varianza: Los estimadores HR, CR y TW producen intervalos de confianza con cobertura muy por debajo del nivel nominal (ej. ~15-80% en lugar de 95%). Solo el estimador CTW logra una cobertura cercana al 95%, confirmando su consistencia.

• Ejemplo de Datos (BestAIR Trial):

  • Aplicación en un ensayo clínico sobre CPAP para apnea del sueño.
  • Se estimó el beneficio causal neto usando resultados objetivos (presión arterial) y subjetivos (somnolencia).
  • Los estimadores ajustados por covariables produjeron errores estándar más pequeños y intervalos de confianza más estrechos que los no ajustados, confirmando la utilidad práctica del ajuste cuando las covariables son relevantes, incluso en muestras de tamaño moderado ($N=169$).

5. Significado e Impacto

Este trabajo es fundamental para la evolución de la inferencia causal en experimentos aleatorizados modernos.

• Flexibilidad: Permite a los investigadores utilizar métricas de tratamiento más ricas y realistas (como índices de probabilidad o beneficios netos) sin sacrificar la validez estadística basada en la aleatorización.
• Rigor en la Inferencia: Corrige un error común en la práctica, donde se aplican estimadores de varianza estándar a contrastes no lineales, lo que lleva a conclusiones erróneas. La propuesta del estimador CTW es esencial para la validez de los intervalos de confianza.
• Guía Práctica: Aclara que, aunque el ajuste por covariables es una herramienta poderosa, no es una "bala de plata" para la eficiencia en contextos no lineales; su utilidad debe evaluarse caso por caso, priorizando la selección de covariables pronósticas.

En resumen, el artículo proporciona la base teórica y las herramientas prácticas necesarias para realizar inferencias causales robustas en experimentos con resultados complejos, extendiendo la teoría clásica de Neyman y Fisher al dominio de las comparaciones por pares no lineales.