Bayesian Sensitivity of Causal Inference Estimators under Evidence-Based Priors

Resumen Técnico: Sensibilidad Bayesiana de los Estimadores de Inferencia Causal bajo Priors Basados en Evidencia

Enunciado del Problema
La inferencia causal en estudios observacionales depende de supuestos no contrastables sobre el proceso generador de datos, como la no confusión, modelos de resultados condicionales bien especificados y validez externa. El análisis de sensibilidad es la herramienta estándar para evaluar la robustez de las conclusiones causales cuando estos supuestos se violan. Sin embargo, los marcos existentes dependen predominantemente del análisis de sensibilidad de peor caso. Estos métodos buscan la desviación más pequeña desde un valor asumido que revierta una decisión causal (por ejemplo, cambiar el signo de un Efecto Promedio del Tratamiento, ATE).

Los autores argumentan que los análisis de peor caso adolecen de tres limitaciones críticas:

1. Violaciones Irrealistas: A menudo identifican violaciones que son matemáticamente posibles pero empíricamente implausibles (por ejemplo, un desplazamiento de distribución que aumenta los ingresos mientras disminuye simultáneamente los niveles de educación), lo que conduce a conclusiones excesivamente pesimistas.
2. Problemas de Dimensionalidad: En espacios de supuestos de alta dimensión, los análisis de peor caso tienden a asignar sensibilidad máxima a todas las direcciones, volviéndolos poco informativos para priorizar la asignación de recursos o la recolección futura de datos.
3. Falta de Contexto: Tratan todas las violaciones potenciales como igualmente probables, ignorando el conocimiento del mundo real y la evidencia empírica sobre cómo co-varían realmente las variables.

Metodología
El artículo propone un marco unificado para generalizar el valor-s (Gupta & Rothenhäusler, 2023) a tres supuestos causales comunes:

1. Ausencia de Confusión No Medida: Modelada mediante funciones de razón de probabilidades ($\epsilon$).
2. Modelos Condicionales Bien Especificados: Modelados mediante distribuciones de resultados condicionales ($\mu$).
3. Validez Externa: Modelada mediante distribuciones de covariables ($p_X$).

El marco define una variable de suposición $a$ (que representa $\epsilon, \mu,$ o $p_X$), un espacio de valores posibles $A$, y una métrica de divergencia $D$ (por ejemplo, divergencia KL o distancia euclidiana) para medir la magnitud de una violación desde un valor asumido $\hat{a}$.

1. Sensibilidad de Peor Caso (Línea Base)
Los autores formalizan la sensibilidad de peor caso como el supremo de la probabilidad de una reversión sobre el conjunto de suposiciones que revierten la decisión:
$$\sup_{a \in A} \{ \exp(-D(a \parallel \hat{a})) \mid \tau(a) \leq \delta \}$$
Esto se calcula mediante optimización con restricciones (utilizando multiplicadores de Lagrange y Descenso de Espejo Entrópico para distribuciones).

2. Valor de Sensibilidad Bayesiana (BSV)
Para abordar las limitaciones del enfoque de peor caso, los autores introducen el Valor de Sensibilidad Bayesiana (BSV). En lugar de buscar el único escenario de peor caso, el BSV calcula la sensibilidad esperada a las violaciones de suposiciones bajo una distribución previa $\pi_A$ construida a partir de evidencia del mundo real.
$$\text{BSV} = \mathbb{E}_{A \sim \pi_A} [ \exp(-D(A \parallel \hat{a})) \mid \tau(A) \leq \delta ]$$

• BSV Empírico (EBSV): Cuando hay datos disponibles, el previo $\pi_A$ se construye a partir de bases de datos externas (por ejemplo, NHANES para distribuciones de covariables, análisis previos de subgrupos para modelos de resultados).
• Cálculo: El BSV se estima utilizando muestreo Monte Carlo con restricciones (específicamente muestreo por rechazo). Se extraen muestras del previo $\pi_A$, se aceptan solo si revierten la decisión causal ($\tau(A) \leq \delta$), y se calcula la divergencia promedio.

Contribuciones Clave

• Marco Generalizado: Los autores extienden el marco del valor-s para unificar el análisis de sensibilidad para la no confusión, modelos de resultados condicionales y validez externa, permitiendo preguntas dirigidas sobre subconjuntos específicos de suposiciones.
• Nuevo Criterio (BSV/EBSV): Proponen una métrica de sensibilidad fundamentada en evidencia del mundo real que tiene en cuenta la probabilidad de violaciones específicas, en lugar de solo su existencia.
• Algoritmos: El artículo proporciona algoritmos prácticos para ambos criterios: optimización con restricciones para el análisis de peor caso y muestreo con restricciones (Monte Carlo) para el análisis bayesiano.
• Priors Empíricos: El trabajo demuestra estrategias para construir previos empíricos a partir de grandes bases de datos demográficas y médicas para informar análisis de sensibilidad en entornos del mundo real.

Resultados
Los autores validan su enfoque mediante estudios de simulación y una aplicación del mundo real que analiza el efecto de los tratamientos para la diabetes (Semaglutida vs. Tirzepatida) sobre la pérdida de peso.

• Dimensionalidad: En simulaciones con un número creciente de covariables, los valores de sensibilidad de peor caso convergen rápidamente a 1 (sensibilidad máxima) con una varianza cercana a cero, fallando en distinguir entre diferentes espacios de suposiciones. En contraste, el BSV mantiene la variabilidad y proporciona clasificaciones significativas incluso en altas dimensiones.
• Correlación: Las clasificaciones de sensibilidad producidas por el BSV y el análisis de peor caso a menudo no están correlacionadas o están negativamente correlacionadas. Los análisis de peor caso frecuentemente señalan espacios de alta dimensión como altamente sensibles, mientras que el BSV identifica direcciones específicas y plausibles de violación.
• Aplicación del Mundo Real: En el estudio de diabetes, el análisis de peor caso sugirió alta sensibilidad para la subpoblación "Peso > 220 libras". Sin embargo, el EBSV, informado por previos empíricos de conjuntos de datos NHANES y UCI, indicó menor sensibilidad para este grupo. El EBSV identificó correctamente que la distribución de peor caso requerida para revertir la decisión era altamente improbable bajo las restricciones del mundo real.
• Ganancia de Información: El BSV proporciona dos métricas distintas: la probabilidad de reversión de la decisión bajo el previo y el "tamaño" promedio (divergencia) de la violación requerida. Esto permite a los profesionales distinguir entre escenarios donde las reversiones son probables pero requieren violaciones masivas versus escenarios donde las reversiones son raras pero requieren violaciones pequeñas.

Significado y Afirmaciones
El artículo afirma que el análisis de sensibilidad de peor caso convencional a menudo es poco informativo y excesivamente pesimista, particularmente en entornos de alta dimensión donde falla en reflejar desplazamientos realistas en los supuestos. Al cambiar el enfoque de "¿cuál es la violación de peor posible?" a "¿qué tan sensible es la conclusión a violaciones plausibles?", el BSV ofrece una herramienta más accionable para la toma de decisiones.

Los autores afirman que el BSV:

1. Fundamenta el análisis en evidencia: Aprovecha datos existentes a gran escala para construir previos, alejándose de suposiciones arbitrarias o puramente teóricas.
2. Mejora la priorización de recursos: Al distinguir entre direcciones de sensibilidad plausibles e implausibles, ayuda a los investigadores a decidir dónde enfocar la futura recolección de datos y el diseño de estudios.
3. Permanece útil en altas dimensiones: A diferencia de los métodos de peor caso que se vuelven poco informativos a medida que aumenta la dimensionalidad, el BSV continúa proporcionando insights diferenciados.

Los autores se mantienen modestos respecto a las limitaciones, señalando que construir previos empíricos para cantidades no observadas (como las razones de probabilidades $\epsilon$) sigue siendo un desafío, y que el método es sensible a la calidad y representatividad de los datos previos. Concluyen que, aunque el BSV es un paso hacia un análisis de sensibilidad más realista, debe utilizarse junto con métodos tradicionales de peor caso y una documentación transparente de la construcción del previo.