Resumen Técnico: Hacia una Comprensión Holística del Sesgo de Selección para la Identificación del Efecto Causal

1. Planteamiento del Problema

El sesgo de selección es un desafío omnipresente en los estudios observacionales, donde los puntos de datos se incluyen preferentemente basándose en variables observadas, lo que genera una discrepancia entre la subpoblación seleccionada y la población objetivo. Un ejemplo clásico es el "sesgo del voluntario sano" en los biobancos, donde los encuestados suelen poseer un estatus socioeconómico más alto y una mejor salud que la población general.

El problema central abordado es la identificabilidad del Efecto Promedio del Tratamiento (ATE) en presencia de dicho sesgo. Específicamente, el artículo distingue entre dos objetivos:

1. s-ATE-sub: Estimar el ATE dentro de la subpoblación seleccionada.
2. s-ATE-full: Estimar el ATE para toda la población objetivo utilizando únicamente datos de la subpoblación seleccionada.

Los autores argumentan que estimar el s-ATE-full es significativamente más desafiante porque requiere extrapolar más allá de la distribución de datos observada. Los métodos existentes a menudo dependen de supuestos fuertes, como identificar la ubicación exacta de la selección en un Grafo Acíclico Dirigido (DAG) causal (por ejemplo, criterios de puerta trasera de selección) o imponer supuestos distribucionales restrictivos (por ejemplo, ruido no gaussiano en modelos de ruido aditivo). Estos enfoques suelen fallar en escenarios donde la selección depende de interacciones complejas o donde el mecanismo de selección no es completamente conocido.

2. Metodología

2.1. Marco Teórico

El artículo propone un marco basado en distribuciones en lugar de depender exclusivamente de criterios gráficos. Define el problema utilizando tres clases de distribuciones:

• Puntajes de Propensión ($P_{t|x}$): La probabilidad de tratamiento dados los covariables.
• Distribuciones Covariables-Resultado ($P_{xy(t)}$): La distribución conjunta de los covariables y los resultados potenciales.
• Probabilidades de Selección ($P_{s|xyt}$): La probabilidad de que un punto de datos sea incluido en el conjunto de datos.

Los autores introducen la Condición 1, una condición necesaria y suficiente para la identificabilidad del s-ATE-full. Esta condición establece que para cualquier par de tuplas compatibles de distribuciones que produzcan diferentes ATE, sus distribuciones observadas (condicionadas a la selección $S=1$) deben diferir. Formalmente, si dos distribuciones subyacentes $P$ y $Q$ tienen diferentes ATE, debe existir un punto $(x, y, t)$ en el soporte donde el producto de la probabilidad de selección, el puntaje de propensión y la distribución del resultado difiera entre $P$ y $Q$.

2.2. Resultados Teóricos Clave

El artículo demuestra que la Condición 1 se cumple bajo supuestos específicos y relativamente débiles:

• Selección Determinista: Si la selección es determinista (es decir, ciertas regiones de los datos están completamente censuradas), el ATE es identificable si las distribuciones covariables-resultado pertenecen a una familia suave (por ejemplo, parametrizaciones polinómicas) y los puntajes de propensión satisfacen una condición de superposición débil (superposición-$c$). Esto aprovecha resultados de estadística truncada para extrapolar la distribución original a partir de la truncada (observada).
• Selección No Determinista: Si la selección es probabilística pero acotada lejos de cero (superposición-d-selección), el ATE es identificable para una amplia gama de familias de distribuciones comunes, incluidas las distribuciones Gaussiana, Laplace, Pareto y Log-normal. La intuición es que para estas familias, las diferencias en los resultados medios se manifiestan como diferencias ilimitadas en las razones de densidad, asegurando que las distribuciones observadas difieran si los ATE difieren.

2.3. Conexión con Criterios Gráficos

Los autores muestran que sus condiciones distribucionales generalizan los criterios gráficos existentes. Por ejemplo:

• El criterio de Puerta Trasera de Selección (Correa et al., 2019) es un caso especial de la Condición 1.
• Los resultados de selección dependiente del resultado (Zhang et al., 2016), que anteriormente requerían modelos de ruido aditivo no gaussiano, se extienden para incluir distribuciones gaussianas y otras de cola pesada bajo el marco propuesto.
• El marco no requiere localizar la ubicación exacta de la selección en el DAG, evitando una limitación práctica importante de los enfoques gráficos anteriores.

2.4. Algoritmo de Estimación

Cuando las clases de distribuciones satisfacen las condiciones identificadas, el artículo propone un procedimiento de estimación en tres etapas (Algoritmo 1):

1. Estimación de Propensión: Estimar el puntaje de propensión $\hat{e}(x)$ e identificar la región de superposición $B$ donde $c < \hat{e}(x) < 1-c$.
2. Modelado: Estimar la distribución condicional del resultado $\hat{P}(y|x, t)$ y la función de sesgo de selección $\hat{\beta}(x, y, t)$. Esto se logra mediante:
   • Máxima Verosimilitud (MLE): Minimizar la log-verosimilitud negativa con regularización para prevenir la indeterminación.
   • Emparejamiento de Puntuaciones (Score Matching): Minimizar la distancia entre el gradiente de la log-densidad del modelo y los datos observados, lo cual es invariante a factores de escala.
3. Extrapolación: Re-pesar las muestras observadas por $1/\hat{\beta}$ para recuperar la densidad poblacional y calcular el ATE contrafactual.

3. Contribuciones Clave

1. Definición y Condiciones Generales: El artículo proporciona una definición general del sesgo de selección y establece condiciones necesarias y suficientes (Condición 1) para la identificabilidad del ATE bajo selección, yendo más allá de estructuras gráficas específicas.
2. Supuestos Más Débiles: A diferencia de trabajos anteriores que requieren ruido no gaussiano o formas funcionales específicas, este marco permite una selección dependiente de variables observadas arbitrarias y funciona con familias de distribuciones comunes (Gaussiana, Laplace, etc.) bajo supuestos de suavidad leves.
3. Extensión de la Identificabilidad: Los resultados extienden el alcance de los escenarios identificables para incluir configuraciones previamente consideradas no identificables en la literatura, particularmente aquellas que involucran selección dependiente del resultado con ruido gaussiano.
4. Estimadores Prácticos: El artículo introduce métodos concretos de estimación (MLE y Emparejamiento de Puntuaciones con corrección de sesgo) que aprovechan la estadística truncada para extrapolar desde muestras seleccionadas hasta la población completa.

4. Resultados Experimentales

Los autores evalúan sus métodos en conjuntos de datos sintéticos y semisintéticos:

• Datos Sintéticos: Se realizaron experimentos con diversas distribuciones de ruido (Gaussiana, Laplace) y formas funcionales (aditiva, multiplicativa). Los métodos propuestos (MLE+β y SM+β) superaron consistentemente a las líneas base como la Ponderación Inversa de Propensión Ingenua (IPW) y la Regresión Polinómica. Los métodos corregidos redujeron significativamente el sesgo, mientras que las líneas base no lograron tener en cuenta el mecanismo de selección.
• Datos Semisintéticos (All of Us): Utilizando distribuciones de covariables del mundo real del conjunto de datos "All of Us" de los NIH (Diabetes Tipo 2 e IMC), los autores generaron resultados sintéticos. Aunque el sesgo no se eliminó completamente debido a la complejidad de las distribuciones del mundo real (por ejemplo, puntajes de propensión muy bajos que conducen a una superposición débil), los métodos propuestos disminuyeron sustancialmente el sesgo en comparación con las líneas base, demostrando robustez en configuraciones realistas y desafiantes.

5. Significado y Afirmaciones

El artículo afirma ofrecer una comprensión holística del sesgo de selección al desplazar el enfoque de la topología gráfica a las propiedades distribucionales. Su significado radica en:

• Ampliación de la Aplicabilidad: Al relajar la necesidad de estructuras gráficas específicas y supuestos paramétricos fuertes (como ruido no gaussiano), el marco hace factible la identificación de efectos causales en una gama más amplia de escenarios prácticos.
• Rigor Teórico: Proporciona las primeras condiciones necesarias y suficientes para la identificabilidad del s-ATE-full bajo sesgo de selección general, aclarando exactamente cuándo y por qué es posible la identificación.
• Avance Metodológico: La integración de estadística truncada y emparejamiento de puntuaciones ofrece una vía viable para estimar efectos causales en presencia de mecanismos de selección complejos donde los métodos de ajuste tradicionales fallan.

Los autores reconocen modestamente las limitaciones, señalando que los supuestos respecto a las clases de distribuciones, aunque más débiles que en trabajos anteriores, siguen siendo necesarios para las garantías teóricas. Sugieren que el trabajo futuro podría centrarse en relajar estos supuestos, aplicar el marco al descubrimiento causal y mejorar las técnicas de estimación para distribuciones de datos del mundo real altamente complejas.