Regularity, Phase Transitions, and Uniform Inference for Proximal Counterfactual Quantile Processes

Resumen Técnico: Regularidad, Transiciones de Fase e Inferencia Uniforme para Procesos Cuantílicos Contrafactuales Proximales

Enunciado del Problema
Este artículo aborda el desafío de estimar funciones de distribución contrafactuales, efectos del tratamiento cuantílicos (QTE) y medidas de riesgo de cola inferior (como el CVaR) en estudios observacionales donde existe confusión no medida. Si bien la inferencia causal distribucional estándar se basa en la suposición de ausencia de confusión no medida, la inferencia causal proximal utiliza proxies de control negativo (Z, que induce el tratamiento, y W, que induce el resultado) para identificar efectos causales.

La literatura existente ha establecido la identificación puntual para efectos promedio del tratamiento (ATE) y cuantiles específicos mediante ecuaciones puente proximales. Sin embargo, una aplicación directa puntual de estos métodos a toda la función de distribución contrafactual $\{F_a(y) : y \in \mathcal{Y}\}$ es teóricamente incompleta. No logra caracterizar el límite de regularidad del problema inverso subyacente, no produce el núcleo de covarianza eficiente para el proceso de la función de distribución acumulada (CDF), no puede generar bandas cuantílicas simultáneas libres de densidad y no cuantifica cómo los proxies débiles degradan la inferencia desde la regularidad de raíz-$n$ hacia tasas más lentas. El problema central es determinar cuándo el proceso de distribución contrafactual puede estimarse de manera regular, eficiente y uniforme bajo identificación proximal.

Metodología
Los autores reformulan la estimación de la distribución contrafactual proximal como un problema inverso primal-dual.

1. Formulación Primal-Dual:

   • Puente Primal: Para un brazo de tratamiento $a$ y umbral $y$, el puente de resultado $h_{a,y}$ resuelve $T_a h_{a,y} = g_{a,y}$, donde $T_a$ es el operador de esperanza condicional y $g_{a,y}$ es la esperanza condicional del indicador $1\{Y \le y\}$.
   • Puente Dual: La CDF contrafactual es un funcional lineal $\ell(h) = E\{h(W, X)\}$. El puente dual $q_a$ es el representante de Riesz de este funcional, resolviendo la ecuación adjunta $T_a^* q_a = 1$.
   • Identificación: La CDF se identifica mediante la representación primal $F_a(y) = E\{h_{a,y}(W, X)\}$ o la representación dual $F_a(y) = E\{1\{A=a\}q_a(Z, X)1\{Y \le y\}\}$.

2. Regularidad y Transiciones de Fase:

   • El artículo establece que la existencia de un puente dual $q_a$ de cuadrado integrable, combinada con una condición mínima de momento residual, constituye el límite exacto de regularidad.
   • Utilizando una caracterización de sistema singular compacto (análogo a las condiciones de Picard para ecuaciones de Fredholm), los autores derivan una transición de fase. La estimación regular de raíz-$n$ es posible si y solo si la serie $\sum_j \ell_{a,j}^2 / s_{a,j}^2$ converge, donde $s_{a,j}$ son los valores singulares del operador y $\ell_{a,j}$ son los coeficientes del funcional objetivo.
   • Si esta serie diverge (indicando relevancia débil del proxy), los límites de eficiencia de dimensión finita divergen y los referentes inversos gaussianos exhiben tasas minimax más lentas.

3. Teoría de Procesos y Estimación:

   • Función de Influencia Eficiente (EIF): El artículo deriva el gradiente canónico para el proceso de CDF:
     $$\phi_{a,y}(O) = h_{a,y}(W, X) - F_a(y) + 1\{A=a\}q_a(Z, X)\{1\{Y \le y\} - h_{a,y}(W, X)\}$$
   • Inferencia Uniforme: Se construye un estimador de un paso con ajuste cruzado para lograr expansiones doblemente robustas uniformes. Los autores prueban la convergencia débil del proceso de CDF contrafactual hacia un límite gaussiano ajustado con un núcleo de covarianza explícito.
   • Bandas Cuantílicas Libres de Densidad: En lugar de estimar la densidad contrafactual (lo cual es mal planteado), el método construye bandas simultáneas de CDF y las invierte para obtener bandas cuantílicas simultáneas conservadoras y libres de densidad.
   • Riesgo de Cola Inferior: Para el Valor en Riesgo Condicional (CVaR), se utiliza una representación de "puente de déficit". Mediante la diferenciación del valor de un criterio de déficit optimizado (a través del teorema del envoltorio de Danskin), la función de influencia resultante evita la necesidad de estimar la densidad contrafactual.
   • Implementación: Los estimadores utilizan álgebra lineal de forma cerrada para sistemas de rango finito, regularización convexa de Tikhonov para sistemas mal condicionados y proyección isotonía para imponer restricciones de forma.

Contribuciones Clave

1. Identificación Primal-Dual: Formaliza la identificación de la CDF contrafactual como un par de problemas inversos primal y dual.
2. Dicotomía de Regularidad: Prueba que en un modelo de datos observados saturado por umbrales, la diferenciabilidad por trayectorias del funcional CDF es equivalente a la existencia de un puente dual de cuadrado integrable y un momento residual finito.
3. Transición de Fase Espectral: Caracteriza el fenómeno de "proxy débil", mostrando que la inferencia de raíz-$n$ falla exactamente cuando los valores singulares del operador proxy decaen demasiado rápido en relación con los coeficientes del funcional objetivo.
4. Teoría de Procesos Eficiente: Deriva el núcleo de covarianza eficiente para todo el proceso de CDF y establece la convergencia débil uniforme.
5. Inferencia Libre de Densidad: Proporciona un método para construir bandas cuantílicas simultáneas e intervalos de confianza de CVaR de cola inferior sin estimar la densidad contrafactual, evitando así una fuente adicional de mal planteamiento.
6. Estimadores de Rango Finito: Desarrolla estimadores de forma cerrada y convexos de rango finito con condiciones de tasa explícitas para proxies débiles.

Resultados

• Simulaciones:
  • Calibración: En configuraciones de rango finito, el estimador Propuesto de Robustez Doble Proximal (PDR) corrige el sesgo y logra una cobertura cercana a la nominal, mientras que los métodos ingenuos de confusión observada permanecen sesgados.
  • Transición de Fase: A medida que disminuye la relevancia del proxy, la norma del puente dual y la desviación estándar de la función de influencia se inflan, lo que conduce a bandas de confianza más amplias y a una eventual pérdida de informatividad, consistente con la transición de fase teórica.
  • Inferencia de Procesos: Las bandas QTE simultáneas libres de densidad mantienen una cobertura válida incluso cuando la estimación de densidad es difícil (por ejemplo, resultados multimodales), mientras que las bandas delta basadas en densidad subestiman la cobertura.
  • Integración de Aprendizaje Automático: Los mapas de características aprendidos (splines, árboles, redes neuronales) mejoran la aproximación de las funciones puente pero preservan la estructura final de cresta convexa; la corrección proximal sigue siendo necesaria incluso con un ajuste flexible de ML para covariables observadas.
• Datos Reales (Estudio RHC): Aplicado a los datos de Cateterismo Cardíaco Derecho, el estimador PDR proximal atenuó sustancialmente los desplazamientos distribucionales estimados (QTE y CVaR) en comparación con el ML-IPW ingenuo. Las bandas libres de densidad resultantes contenían cero, lo que sugiere que los grandes efectos aparentes en los análisis estándar pueden ser artefactos de la confusión no medida.

Significado y Afirmaciones
El artículo afirma proporcionar la primera teoría semiparamétrica integral para procesos de distribución contrafactual proximal. No afirma novedad para la identificación puntual (que sigue de la teoría ATE existente aplicada a indicadores), sino que argumenta que el enfoque puntual es insuficiente para la inferencia distribucional.

El significado radica en:

• Identificar el Límite: Definir explícitamente cuándo la inferencia distribucional proximal es regular frente a no regular, avanzando más allá de la "identificación en principio" hacia la "estimabilidad en la práctica".
• Diagnósticos Espectrales: Proporcionar un criterio concreto (la condición de Picard sobre los valores singulares) para diagnosticar si los proxies débiles destruirán la inferencia de raíz-$n$.
• Inferencia de Procesos Robusta: Ofrecer una ruta práctica y libre de densidad para la inferencia cuantílica simultánea que evita la inestabilidad de estimar densidades contrafactuales, lo cual es particularmente valioso en configuraciones proximales mal planteadas.
• Marco Unificado: Unificar el tratamiento de CDFs, QTEs y CVaR bajo un único marco de operador de puente primal-dual, mostrando que las condiciones de regularidad para todos estos objetos están gobernadas por las mismas propiedades del rango adjunto.

Los autores permanecen modestos, señalando que la dicotomía de regularidad se prueba para un modelo saturado (lo que implica que la no regularidad en submodelos más pequeños es específica del modelo) y que la transición de fase minimax se establece para un referente de coordenada singular gaussiano. Enfatizan que la validez de los resultados depende finalmente de la plausibilidad científica de las suposiciones de proxy, las cuales no pueden verificarse solo con los datos.