Copula-Based Endogeneity Correction for Doubly Robust Estimation of Treatment Effect

Resumen Técnico: Corrección de Endogeneidad Basada en Copulas para la Estimación Doblemente Robusta del Efecto del Tratamiento

Planteamiento del Problema
La estimación Doblemente Robusta (DR) es un enfoque estándar para la inferencia causal en estudios observacionales, que ofrece consistencia si el modelo de la puntuación de propensión (tratamiento) o el modelo de regresión del resultado están correctamente especificados. Sin embargo, este método se basa en la suposición incontrastable de no confusión, la cual requiere que todas las causas comunes del tratamiento y el resultado sean observadas. En la investigación en salud, esta suposición se viola frecuentemente porque variables clave (por ejemplo, adherencia a la medicación, alfabetización en salud) son inobservables. Los investigadores suelen recurrir a variables proxy (por ejemplo, tasas de reabastecimiento de recetas) para aproximar estos comportamientos. Estas proxies son frecuentemente endógenas, es decir, correlacionadas con el término de error de la regresión debido a confusión no medida o error de medición.

Cuando las covariables son endógenas, la suposición de no confusión falla. En consecuencia, los estimadores DR estándar se vuelven sesgados, incluso si las formas funcionales de los modelos de tratamiento y resultado están correctamente especificados, porque las variables de condicionamiento en sí mismas contienen confusión no observada. Las soluciones existentes enfrentan limitaciones: las Variables Instrumentales (IV) requieren restricciones de exclusión que a menudo son incontrastables y difíciles de satisfacer en el ámbito de la salud; el análisis de sensibilidad acota el impacto de las violaciones pero no corrige las estimaciones; y los métodos estándar basados en copulas abordan la endogeneidad pero carecen de la propiedad de doble robustez frente a la mala especificación del modelo.

Metodología: El Estimador CEDR
Los autores proponen el estimador Doblemente Robusto Ajustado por Endogeneidad Corregido por Copulas (CEDR). Este método integra correcciones de copulas gaussianas para covariables endógenas dentro del marco DR, con el objetivo de proporcionar estimaciones consistentes del efecto del tratamiento sin requerir variables instrumentales.

La metodología procede de la siguiente manera:

1. Marco: El enfoque adopta el marco de resultados potenciales. Divide las covariables observadas ($X_i$) en componentes exógenos ($X_i^{exo}$) y componentes endógenos ($X_i^{endo}$).
2. Corrección por Copula: Para cada covariable endógena, el método construye una función de control basada en la copula gaussiana. Esto se basa en tres suposiciones clave:
   • La covariable endógena tiene una distribución no normal.
   • La dependencia entre la covariable endógena y el término de error estructural sigue una estructura de copula gaussiana.
   • El término de error estructural tiene una distribución normal.
     El término de copula se define como $C(X_i^{endo}) = \Phi^{-1}(\hat{F}_X(X_i^{endo}))$, donde $\hat{F}_X$ es una función de distribución acumulada empírica (ECDF) ajustada para evitar problemas de frontera, y $\Phi^{-1}$ es la inversa de la función de distribución acumulada normal estándar.
3. Estimación en Dos Pasos:
   • Paso 1 (Estimación del Modelo): El modelo de puntuación de propensión (utilizando un enlace probit para alinearse con las suposiciones de error normal) y los modelos de regresión del resultado se estiman utilizando covariables aumentadas $\tilde{X}_i = (X_i, C_i)$, donde $C_i$ representa el vector de términos de corrección por copula. Este paso absorbe la correlación entre las covariables endógenas y el término de error.
   • Paso 2 (Estimación DR): Para el cálculo final del Efecto Promedio del Tratamiento (ATE), los términos de copula se excluyen del paso de predicción. Se retienen los coeficientes desviados para las covariables originales ($X_i$) y se sustituyen en la fórmula estándar del estimador DR. Esto preserva la propiedad de doble robustez: el estimador permanece consistente si el modelo de puntuación de propensión corregido por copula o el modelo de resultado corregido por copula están correctamente especificados.
4. Inferencia: Dado que los términos de copula son regresores generados, los autores recomiendan utilizar métodos de remuestreo (bootstrap) para obtener errores estándar y intervalos de confianza válidos.

Contribuciones Clave

• Integración de Métodos: El artículo cierra la brecha entre la corrección de endogeneidad basada en copulas y la estimación doblemente robusta, abordando simultáneamente la endogeneidad y la incertidumbre del modelo.
• Identificación sin Instrumentos: A diferencia de los métodos IV, CEDR no requiere instrumentos válidos. En su lugar, explota la no normalidad de las covariables endógenas para la identificación, una condición que puede evaluarse empíricamente mediante pruebas de diagnóstico.
• Preservación de la Robustez: Los autores demuestran que el estimador CEDR mantiene la propiedad de doble robustez, garantizando consistencia incluso si uno de los dos modelos (tratamiento o resultado) está mal especificado, siempre que el otro sea correcto y se cumplan las suposiciones de la copula.

Resultados
El artículo evalúa CEDR mediante simulaciones Monte Carlo y una aplicación empírica utilizando datos de la Encuesta Nacional de Examen de Salud y Nutrición (NHANES).

• Simulaciones Monte Carlo:

  • En escenarios sin endogeneidad ($\rho=0$), CEDR se comporta de manera comparable al estimador DR ingenuo, introduciendo un sesgo negligible.
  • Bajo endogeneidad moderada ($\rho=0.3$) y fuerte ($\rho=0.5$), el estimador DR ingenuo exhibe un sesgo sustancial (oscilando entre -7% y -28% dependiendo del escenario y la mala especificación).
  • El estimador CEDR reduce significativamente este sesgo (en más del 80% en muchos casos), recuperando estimaciones cercanas al verdadero efecto del tratamiento incluso cuando uno de los modelos está mal especificado.
  • Existe una compensación: CEDR exhibe una varianza (desviación estándar) ligeramente mayor que el estimador ingenuo, particularmente bajo endogeneidad fuerte, pero esto se ve superado por la reducción sustancial del sesgo.

• Aplicación Empírica (NHANES):

  • El estudio estima el efecto de la asesoría nutricional sobre la presión arterial, tratando la relación ingreso-pobreza y el IMC como proxies endógenos.
  • El estimador DR ingenuo sugirió una asociación positiva estadísticamente significativa, indicando que la asesoría aumenta la presión arterial en aproximadamente 2.85 mmHg.
  • El estimador CEDR redujo la estimación puntual a 1.75 mmHg, haciendo que el efecto fuera estadísticamente insignificante (IC 95%: [-6.99, 7.34]).
  • Esta corrección alinea los hallazgos con la literatura existente que sugiere efectos modestos o nulos de la asesoría nutricional sobre la presión arterial, mientras que la estimación ingenua produjo un resultado contra intuitivo probablemente impulsado por el sesgo de endogeneidad.

Significado y Afirmaciones
Los autores afirman que CEDR proporciona una herramienta práctica para investigadores en estudios observacionales de salud donde las variables proxy son endógenas y no están disponibles instrumentos válidos. El método aborda una brecha crítica donde los métodos DR estándar fallan debido a la confusión no medida en las variables proxy, y los métodos tradicionales basados en copulas fallan en proteger contra la mala especificación del modelo.

El artículo nota modestamente que el método está actualmente limitado a tratamientos binarios, datos transversales, y requiere que las covariables endógenas sean suficientemente no normales para la identificación. También depende de la especificación correcta de la estructura de dependencia de la copula gaussiana. Los autores advierten que, aunque la aplicación en NHANES demuestra la utilidad del método, las conclusiones clínicas definitivas requieren una mayor validación a través de múltiples conjuntos de datos y comparación con evidencia experimental. El significado principal radica en ofrecer un camino viable hacia conclusiones causales más fiables en contextos donde las estimaciones observacionales estándar pueden estar sustancialmente sesgadas.