Resumen Técnico: ConfoundingSHAP

Declaración del Problema

En la inferencia causal observacional, la asignación del tratamiento a menudo no es aleatoria, lo que genera diferencias sistemáticas entre los grupos tratados y no tratados. Las variables que influyen tanto en la asignación del tratamiento como en los resultados se conocen como factores de confusión. Aunque los ensayos clínicos aleatorizados eliminan este problema, los estudios observacionales requieren que los investigadores identifiquen y ajusten por factores de confusión para estimar los efectos causales (por ejemplo, el Efecto Promedio Condicional del Tratamiento, CATE) con precisión.

Persiste un desafío crítico: ¿Qué covariables observadas realmente impulsan la fuerza de la confusión?
Los métodos de explicación existentes para el aprendizaje automático causal suelen dirigirse a objetos diferentes:

1. Puntajes de propensión: Explicar los mecanismos de asignación del tratamiento.
2. Modelos de resultados: Explicar el riesgo pronóstico.
3. Estimadores de CATE: Explicar la heterogeneidad del efecto del tratamiento (modificadores del efecto).

Los autores argumentan que aplicar SHAP estándar (Explicaciones Aditivas de Shapley) a los estimadores de CATE es inadecuado para identificar factores de confusión. Las explicaciones de CATE se centran en la variación de los efectos del tratamiento; si un factor de confusión desplaza los resultados potenciales tanto para el grupo tratado como para el de control de manera similar, su contribución se cancela en el CATE ($\tau(x) = \mu_1(x) - \mu_0(x)$), volviéndolo invisible para los métodos estándar de importancia de características. En consecuencia, existe una falta de métodos para cuantificar y atribuir específicamente la fuerza de confusión observada a covariables individuales.

Metodología: ConfoundingSHAP

El artículo introduce ConfoundingSHAP, un método basado en Shapley diseñado para atribuir la fuerza de la confusión a covariables individuales. El método opera definiendo un juego cooperativo directamente sobre un funcional de sesgo de confusión, en lugar de sobre un modelo predictivo.

1. Definición del Funcional de Sesgo de Confusión

El núcleo del método es cuantificar el sesgo de confusión residual ($b_S$) al restringir el conjunto de ajuste a un subconjunto de covariables $S$.

• Contraste Observacional ($\delta_S$): La diferencia en los resultados observados entre las unidades tratadas y de control, condicionada al subconjunto $X_S$.
• Contraste Causal ($\tau_S$): La proyección del CATE de ajuste completo sobre el subconjunto $X_S$ (es decir, $E[\tau(X) | X_S]$).
• Sesgo Residual: $b_S(x_S) = \delta_S(x_S) - \tau_S(x_S)$.

Si $S$ contiene todos los factores de confusión, $b_S = 0$. Si $S$ es insuficiente, $b_S \neq 0$ (a menos que los sesgos se cancelen perfectamente).

2. El Juego Cooperativo

Los autores definen un juego cooperativo donde:

• Jugadores: Las covariables individuales.
• Coaliciones: Subconjuntos de covariables incluidos en el conjunto de ajuste.
• Función de Valor ($\nu$): Definida como el negativo del sesgo residual esperado, $\nu(S) = -E[b_S(X_S)]$.
  • El signo negativo asegura que un valor de Shapley positivo indique la contribución de una covariable a reducir el sesgo (es decir, su importancia como factor de confusión).
• Valores de Shapley: El valor de Shapley $\phi_j$ para la covariable $j$ descompone la reducción total del sesgo (de ningún ajuste a ajuste completo) en contribuciones individuales.

3. Estimación Escalable mediante TabPFN

Evaluar la función de valor para cada coalición requiere ajustar modelos para cada subconjunto $S$, lo cual es computacionalmente prohibitivo ($O(2^p)$). Para abordar esto, los autores proponen una estrategia de estimación escalable utilizando TabPFN (un modelo base para tablas):

1. Precomputación: Ajustar un modelo de resultados completo sobre todas las covariables para generar pseudo-resultados (estimaciones de CATE de ajuste completo).
2. Aprendizaje en Contexto: Para cada coalición consultada $S$, utilizar TabPFN para estimar el contraste observacional y el contraste causal proyectado sin reentrenar los parámetros del modelo. TabPFN se condiciona sobre los datos de entrenamiento proporcionados en el contexto, tratando al subconjunto $S$ como las características de entrada.
3. Aproximación de Shapley: Utilizar estimadores eficientes de Shapley (por ejemplo, RegressionMSR) para aproximar los valores basándose en un presupuesto de evaluaciones de coaliciones, evitando la enumeración exhaustiva.

Contribuciones Clave

1. Método Novel: Introducción de ConfoundingSHAP, el primer método basado en Shapley diseñado específicamente para medir y atribuir la fuerza de confusión observada a nivel de covariable.
2. Distinción Teórica: Una demostración formal de que la fuerza de confusión es distinta de la heterogeneidad del efecto del tratamiento. El artículo demuestra que las explicaciones estándar de CATE pueden pasar por alto factores de confusión por completo si sus efectos sobre los resultados son simétricos entre los brazos de tratamiento.
3. Algoritmo Escalable: Una implementación práctica que utiliza TabPFN para evitar el reajuste exhaustivo requerido por la evaluación exacta del funcional de sesgo, permitiendo la aplicación a conjuntos de datos de dimensión media y alta.
4. Validación Empírica: Experimentos exhaustivos que muestran la capacidad del método para recuperar factores de confusión de verdad fundamental en datos sintéticos, detectar la desaparición de la confusión en ensayos controlados aleatorizados (RCT), e identificar factores de confusión clínicamente plausibles en estudios observacionales del mundo real.

Resultados Experimentales

Los autores evalúan ConfoundingSHAP en tres escenarios principales:

1. Datos Sintéticos con Verdad Fundamental Conocida:

   • En configuraciones de baja dimensión (4 covariables) y dimensión media (17 covariables), ConfoundingSHAP asigna correctamente valores de Shapley altos a los verdaderos factores de confusión y valores cercanos a cero a instrumentos, modificadores del efecto y predictores exclusivos de resultados.
   • Por el contrario, SHAP estándar aplicado a un estimador de CATE falló en identificar el factor de confusión en escenarios específicos donde el efecto del factor de confusión se canceló en el cálculo del efecto del tratamiento.
   • El método demostró una alta estabilidad de rango a través de múltiples semillas aleatorias.

2. Ensayo Controlado Aleatorizado (Conjunto de Datos ACTG):

   • Cuando se aplicó a un conjunto de datos real de un ECA (ACTG 175) donde el tratamiento se asignó aleatoriamente, ConfoundingSHAP identificó correctamente que la fuerza de confusión desapareció (valores cercanos a cero); incluso cuando la asignación del tratamiento se modificó artificialmente para introducir confusión en una variante semisintética, el método recuperó con éxito los factores de confusión introducidos.

3. Estudio Observacional del Mundo Real (SUPPORT/RHC):

   • Aplicado al estudio de cateterismo cardíaco derecho SUPPORT, el método identificó variables como la Puntuación de Fisiología Aguda (APS1) como teniendo alta fuerza de confusión, alineándose con el conocimiento clínico de que la gravedad de la enfermedad impulsa tanto las decisiones de tratamiento como la mortalidad.
   • Las variables irrelevantes (por ejemplo, ID del paciente) fueron atribuidas correctamente con una fuerza de confusión cercana a cero.

Significado y Afirmaciones

El artículo afirma que ConfoundingSHAP llena una brecha crítica en la explicabilidad del aprendizaje automático causal. Al cambiar el enfoque de "qué impulsa la heterogeneidad del efecto del tratamiento" a "qué impulsa el sesgo de confusión", el método proporciona información procesable para:

• Selección de Variables: Ayudar a los investigadores a elegir conjuntos de ajuste mínimos suficientes en estudios observacionales.
• Diseño de Estudios: Informar el diseño de estudios observacionales prospectivos (por ejemplo, ensayos objetivo emulados) destacando qué covariables son críticas para la comparabilidad.
• Transparencia: Ofrecer una herramienta de diagnóstico para comprender qué covariables medidas crean incomparabilidad entre los grupos de tratamiento.

Los autores enfatizan que ConfoundingSHAP no certifica la imparcialidad causal (que depende de la confusión no medida), sino que cuantifica el sesgo que surge del ajuste restringido de las covariables observadas. Sirve como una herramienta complementaria al conocimiento del dominio, los diagramas causales y el análisis de sensibilidad.