Causal Stability Selection

Resumen Técnico: Selección de Estabilidad Causal

Formulación del Problema
El problema central abordado es la identificación de modificadores de efecto—covariables que explican la heterogeneidad en los efectos del tratamiento. Aunque muchos estudios reportan efectos promedio del tratamiento (ATE) nulos, las respuestas al tratamiento a menudo varían sistemáticamente con las covariables pre-tratamiento ($X$). Formalmente, los modificadores de efecto se definen mediante el Efecto Promedio del Tratamiento Condicional (CATE), $\tau(x) = E[Y(1) - Y(0) | X=x]$. Una covariable $X_j$ es un modificador de efecto si $\tau(X) \not\perp\!\!\perp X_j | X_{-j}$.

Los procedimientos existentes adaptados a los datos para la selección de variables a menudo fallan en proporcionar control en muestras finitas sobre el número esperado de descubrimientos falsos. Como se ilustra en la simulación motivadora del artículo, enfoques estándar como el división honesta o el ajuste cruzado en K pliegues combinados con Lasso o la selección de estabilidad a menudo resultan en tasas de descubrimiento falso (FDR) severamente infladas, socavando la fiabilidad de las intervenciones dirigidas posteriores. El desafío es descubrir un conjunto parcimonioso de modificadores de efecto genuinos mientras se mantienen garantías rigurosas de tasas de error en muestras finitas, a pesar de que el verdadero CATE $\tau(X)$ no se observa y debe estimarse.

Metodología: Selección de Estabilidad Causal (CausalStabSel)
Los autores proponen la Selección de Estabilidad Causal, un algoritmo que integra la estimación de CATE con ajuste cruzado y la Selección de Estabilidad de Trayectoria Integrada (IPSS). El método opera en dos etapas principales:

1. Estimación de Probabilidades de Selección con Ajuste Cruzado:
   A diferencia de la selección de estabilidad estándar que asume que el resultado se observa directamente, CausalStabSel reconoce que la "respuesta" para la selección de variables es el CATE no observado. El algoritmo procede mediante $B$ iteraciones:

   • En cada iteración, los datos se dividen en dos subconjuntos disjuntos, $A$ y $A^c$.
   • Un estimador de CATE $\hat{\tau}$ se entrena en el conjunto retenido $A^c$.
   • El modelo entrenado predice valores de CATE para las muestras en $A$.
   • Un selector de variables base $\hat{S}_\lambda$ (por ejemplo, Lasso o puntuaciones de importancia de XGBoost) se aplica a los pares $(x_i, \hat{\tau}(x_i))$ para $i \in A$.
   • Este proceso se repite con los roles invertidos ($A^c$ para entrenamiento, $A$ para selección) para generar $2B$ submuestras.
   • La probabilidad de selección $\hat{\pi}_{j,m}(\lambda)$ para la covariable $j$ se calcula como la proporción de veces que $j$ es seleccionada a través de todas las $2B$ submuestras.

2. Construcción del Conjunto de Selección:
   El conjunto final de modificadores de efecto se construye utilizando el criterio IPSS, que integra las probabilidades de selección sobre una cuadrícula de parámetros $\Lambda$ en lugar de simplemente maximizarlas. Una variable $j$ se selecciona si:
   $$\int_{\Lambda} f(\hat{\pi}_{j,m}(\lambda)) \mu(d\lambda) \geq \gamma$$
   donde $f(x) = (2x-1)^3 \mathbb{1}(x \geq 1/2)$ y $\mu$ es una medida de probabilidad. Este enfoque produce un límite superior más ajustado sobre el número esperado de falsos positivos (EFP) en comparación con la selección de estabilidad tradicional. El umbral se determina mediante un nivel objetivo de EFP $t$ o un nivel nominal de FDR $\alpha$.

Contribuciones Clave
El artículo realiza tres contribuciones principales:

1. Marco Unificado con Garantías en Muestras Finitas: Los autores proporcionan el primer marco para el descubrimiento de modificadores de efecto que ofrece un límite superior no asintótico, en muestras finitas, sobre el número esperado de falsos positivos. Esta garantía se mantiene sin restringir la forma del selector base o del estimador de CATE.
2. Conexión Teórica entre Estimación y Descubrimiento: El artículo demuestra que las probabilidades de selección estimadas convergen a sus contrapartes "oráculo" (donde se conoce el verdadero $\tau$) a una tasa gobernada directamente por la tasa de convergencia del estimador de CATE subyacente. Específicamente, si el estimador de CATE logra una tasa paramétrica ($n^{-1/2}$), las probabilidades de selección son asintóticamente insesgadas.
3. Tractabilidad Computacional y Estabilidad: Al agregar resultados a través de submuestras repetidas, el método produce descubrimientos estables incluso en configuraciones de alta dimensión, manteniéndose computacionalmente viable mientras controla los descubrimientos falsos.

Resultados
El método fue evaluado mediante estudios de simulación extensos y dos aplicaciones del mundo real:

• Simulaciones: A través de 34 experimentos que cubren configuraciones lineales y no lineales con tamaños de muestra, dimensiones y estructuras de confusión variables, CausalStabSel fue el único método que mantuvo el FDR empírico en o por debajo del nivel nominal uniformemente en todos los regímenes. Los métodos competidores, incluidos IPSS, Knockoffs y Benjamini-Hochberg, mostraron un comportamiento anti-conservador (FDR significativamente superior a los niveles nominales) cuando se aplicaron a CATEs estimados. CausalStabSel logró altas Tasas de Verdaderos Positivos (TPR) comparables a las mejores alternativas sin sacrificar potencia.
• Aplicaciones del Mundo Real:
  • Ensayo Aleatorizado PRIME (Oncología): Aplicado a un ensayo de terapia anti-EGFR en cáncer colorrectal metastásico. CausalStabSel identificó el estado de mutación de KRAS (BMMTR1, BMMTR3) como modificadores de efecto, consistente con la literatura clínica conocida, junto con plaquetas, edad y deshidrogenasa láctica.
  • Fumado Materno y Peso al Nacer (Observacional): Aplicado a registros de nacimientos de Pensilvania. El método identificó la edad materna y el estado de primogénito como modificadores de efecto, consistente con hallazgos epidemiológicos sobre la reducción del peso al nacer inducida por el tabaquismo.
  • En ambos casos, la inferencia en conjuntos retenidos utilizando especificaciones BLP-en-CATE proporcionó corroboración para los modificadores seleccionados.

Significado y Afirmaciones
El artículo afirma que CausalStabSel establece un vínculo directo y cuantitativo entre la estimación del efecto del tratamiento y el descubrimiento de modificadores de efecto. Al demostrar que el sesgo en las probabilidades de selección está controlado por el error de estimación del CATE, los autores muestran que las mejoras en la inferencia causal se traducen directamente en una selección de variables más fiable.

El significado del trabajo radica en su capacidad para resolver el problema de "descubrimiento falso" inherente a la inferencia causal adaptativa a los datos actual. Los autores enfatizan que, sin control en muestras finitas, los hallazgos espurios corren el riesgo de no replicarse, lo cual es particularmente peligroso en la medicina de precisión y la orientación de políticas. CausalStabSel proporciona una solución robusta y teóricamente fundamentada que acomoda estimadores de efectos del tratamiento y selectores base arbitrarios, haciéndolo aplicable tanto a ensayos aleatorizados como a estudios observacionales bajo supuestos de identificación estándar (SUTVA e ignorabilidad fuerte).