Resumen Técnico: Estimación de Máxima Verosimilitud Dirigida Adaptativa del Resultado Potencial Medio bajo una Regla de Tratamiento

Formulación del Problema

El artículo aborda el desafío de estimar el resultado contrafactual medio bajo una regla de tratamiento fija $d(W)$ en un escenario de tratamiento puntual, denotado como $E[Y^d]$. Este es un problema central en la inferencia causal y la evaluación de políticas, particularmente al utilizar datos observacionales donde la asignación del tratamiento no está aleatorizada.

Un obstáculo crítico en esta estimación es la asunción de positividad, la cual requiere que para todos los valores de las covariables $W$ con probabilidad positiva, el puntaje de propensión $g(a|W) = P(A=a|W)$ satisfaga $0 < g(a|W) < 1$. En la práctica, las violaciones de positividad suelen ocurrir cuando ciertas opciones de tratamiento se observan raramente para subgrupos específicos. Los estimadores estándar, incluida la Ponderación por Probabilidad Inversa (IPW), la IPW Aumentada (AIPW) y la Estimación de Máxima Verosimilitud Dirigida (TMLE) estándar, dependen de los puntajes de propensión inversos ($1/g$) en sus pasos de ponderación o dirigidos. Cuando $g$ está cerca de cero, estos métodos se vuelven inestables, lo que conduce a pesos extremos, varianza inflada y sesgo en muestras finitas.

Metodología

Los autores proponen un marco que evita la ponderación directa por puntaje de propensión inverso mediante el uso de un modelo de trabajo adaptativo a los datos para el Efecto Promedio del Tratamiento Condicional (CATE).

1. Parámetro de Valor de Política Proyectado

En lugar de dirigir el parámetro no paramétrico completo $E[Y^d]$ directamente, los autores definen un parámetro de valor de política proyectado $\Psi_n(P_0)$. Este parámetro es inducido por un modelo de trabajo para el CATE, construido utilizando el Lasso Altamente Adaptativo (HAL).

• Sea $\phi_n(W)$ una base adaptativa a los datos para el CATE.
• El CATE se aproxima como $\beta^\top \phi_n(W)$.
• El parámetro proyectado se define como:
  $$\Psi_n(P) = E_P [E_P(Y|W) + (d(W) - \bar{g}(W))\beta(P)^\top \phi_n(W)]$$
• Si el CATE verdadero se encuentra dentro del rango del modelo de trabajo, este parámetro proyectado coincide con el objetivo no paramétrico $E[Y^d]$.

2. TMLE Adaptativo (A-TMLE)

Los autores derivan la Función de Influencia Eficiente (EIF) para este parámetro proyectado. Un hallazgo teórico clave es que, bajo el modelo de CATE proyectado, el componente de la EIF que involucra el mecanismo de tratamiento (puntaje de propensión) desaparece o se maneja sin ponderación inversa.

• Estimador: El estimador A-TMLE es un estimador de inserción (plug-in):
  $$\hat{\Psi}_{A-TMLE} = P_n [Y + (d(W) - \hat{g}(W))\hat{\beta}^\top \phi_n(W)]$$
• Mecanismo: Utiliza HAL para construir la base adaptativa y un HAL relajado para estimar los coeficientes $\beta$. Crucialmente, el paso dirigido no involucra el inverso del puntaje de propensión, evitando así la inestabilidad asociada con las violaciones de positividad.

3. TMLE Regularizado

Para dirigir el valor de política no paramétrico original $E[Y^d]$ manteniendo la estabilidad, los autores introducen el TMLE Regularizado.

• Concepto: Este método dirige el parámetro no paramétrico pero utiliza una covariable dirigida estabilizada.
• Proyección: La "covariable inteligente" estándar del TMLE (que típicamente contiene $1/g$) se proyecta sobre el espacio de puntuación inducido por el modelo de trabajo del CATE.
• Covariable: La covariable inteligente regularizada $H_{Reg}(A, W)$ es la proyección $L_2$ de la covariable inteligente no paramétrica estándar sobre el espacio tangente generado por la base del CATE.
• Control del Sesgo: Los autores muestran que el sesgo de inserción de primer orden de este estimador con respecto al objetivo no paramétrico es negligible si la EIF proyectada aproxima bien la EIF no paramétrica y los estimadores de variables de confusión convergen a tasas más rápidas que $n^{-1/4}$.

Contribuciones Clave

1. Estabilidad bajo Violaciones de Positividad: Los métodos propuestos (A-TMLE y TMLE Regularizado) eliminan el uso directo de puntajes de propensión inversos en el paso dirigido, mejorando significativamente la estabilidad cuando la superposición de tratamientos es limitada.
2. Caracterización Teórica:
   • Derivación de la EIF para el parámetro de valor de política proyectado.
   • Caracterización del residuo de segundo orden, mostrando que la linealidad asintótica se cumple cuando el producto del error del mecanismo de tratamiento y el error del coeficiente de proyección es pequeño.
   • Prueba de que la covariable inteligente del TMLE Regularizado es la proyección $L_2$ de la covariable inteligente no paramétrica estándar.
   • Cuantificación del sesgo de inserción de primer orden para el objetivo no paramétrico, estableciendo las condiciones bajo las cuales el sesgo es asintóticamente negligible.
3. Implementación Algorítmica: Un procedimiento completo (Algoritmo 1) que integra Super Learner para la estimación de variables de confusión, HAL para la construcción de la base del CATE y los pasos de dirigido específicos tanto para A-TMLE como para TMLE Regularizado.

Resultados

Estudios de Simulación

Los autores realizaron simulaciones de Monte Carlo a través de diversos tamaños de muestra ($n=200, 500, 1000$) y grados de superposición de tratamiento (controlados por un parámetro $\kappa_{pos}$).

• Error Cuadrático Medio (MSE): Bajo violaciones prácticas de positividad, A-TMLE y TMLE Regularizado lograron el MSE más bajo en comparación con IPW, AIPW y TMLE estándar. Por ejemplo, en $n=200$ con violaciones, el MSE para A-TMLE fue de 0.02845, en comparación con 0.05640 para IPW.
• Cobertura: Bajo violaciones de positividad, A-TMLE y TMLE Regularizado mantuvieron una cobertura de oráculo cercana al nivel nominal del 95% (por ejemplo, 0.9553 en $n=200$), mientras que IPW y AIPW sufrieron una subcobertura significativa (por ejemplo, 0.8127 y 0.9053, respectivamente).
• Superposición Fuerte: Cuando no hubo violaciones de positividad, los métodos propuestos permanecieron competitivos con el TMLE estándar y AIPW, incurriendo en poco costo en el rendimiento.
• Reducción del Sesgo: El análisis específico de la política mostró que A-TMLE y TMLE Regularizado redujeron sustancialmente la relación sesgo-error estándar en comparación con los estimadores estándar, particularmente para políticas donde la superposición era más restringida.

Aplicación con Datos Reales

Los métodos se aplicaron al estudio de Cateterismo de Corazón Derecho (RHC) para estimar la supervivencia media a 30 días bajo reglas de tratamiento basadas en la puntuación de gravedad APACHE.

• Hallazgos: A-TMLE y TMLE Regularizado produjeron estimaciones de valor de política estables.
• Precisión: Las longitudes de los intervalos de confianza para los estimadores adaptativos fueron sustancialmente más cortas que las de IPW y AIPW, lo que indica una precisión mejorada sin sacrificar la cobertura.
• Consistencia: Las estimaciones puntuales de A-TMLE y TMLE Regularizado fueron cercanas entre sí y generalmente se alinearon con AIPW, pero con mayor estabilidad.

Significado y Afirmaciones

El artículo afirma que el marco de TMLE Adaptativo propuesto ofrece una alternativa robusta para la evaluación de políticas en escenarios con violaciones prácticas de positividad. Al desplazar el paso dirigido de la ponderación por propensión inversa a una proyección basada en un modelo de CATE adaptativo a los datos, los estimadores logran:

1. Estabilidad Mejorada en Muestras Finitas: Evitar pesos extremos reduce la varianza y el sesgo en escenarios con superposición limitada.
2. Validez Teórica: Los estimadores son doblemente robustos y asintóticamente eficientes bajo el modelo proyectado, con el TMLE Regularizado proporcionando un puente hacia el objetivo no paramétrico con sesgo controlado.
3. Utilidad Práctica: Los métodos proporcionan inferencia más confiable (mejor cobertura e intervalos de confianza más estrechos) en comparación con IPW, AIPW y TMLE estándar cuando se viola la positividad, mientras permanecen competitivos cuando la superposición es fuerte.

Los autores señalan limitaciones, específicamente que el estimando principal de A-TMLE es un parámetro proyectado (dependiente de la calidad de la aproximación del CATE) y que la inferencia depende de funciones de influencia estándar de TMLE que pueden ser conservadoras. Sugieren que el trabajo futuro debería extender esto a escenarios longitudinales y desarrollar criterios adaptativos a los datos para seleccionar la dimensión de proyección.