Resumen Técnico: Inferencia Conformal Adaptativa Doblemente Robusta para Efectos Causales bajo Dependencia Temporal

1. Planteamiento del Problema

El artículo aborda el desafío de cuantificar la incertidumbre para los efectos de tratamiento heterogéneos (específicamente, el Efecto Promedio de Tratamiento Condicional, CATE, $\tau(X)$) en entornos caracterizados por la dependencia temporal.

Los métodos de predicción conformal estándar (por ejemplo, split conformal) dependen del supuesto de intercambiabilidad (datos independientes e idénticamente distribuidos). Este supuesto falla en contextos de series temporales comunes en finanzas y epidemiología, donde las observaciones adyacentes están correlacionadas. En consecuencia, la aplicación ingenua de métodos conformales a estimadores causales conduce a garantías de cobertura inválidas. Además, los intervalos de inferencia causal estándar (asintóticos, bootstrap, bayesianos) suelen perder sus garantías de calibración libres de distribución bajo dependencia o requieren una especificación de modelo correcta, algo que los estimadores de aprendizaje automático no pueden garantizar fácilmente.

El objetivo específico es construir intervalos de predicción de muestra finita y libres de distribución para estimaciones de efectos de tratamiento individuales sin asumir observaciones independientes, utilizando simultáneamente pseudo-resultados doblemente robustos (DR) para mitigar los errores de estimación de los parámetros de molestia (nuisance).

2. Metodología: DR-ACI

El método propuesto, Inferencia Conformal Adaptativa Doblemente Robusta (DR-ACI), integra tres componentes principales:

A. Pseudo-resultados Doblemente Robustos (DR)

En lugar de calibrar sobre los resultados brutos $Y_t$ o los CATE latentes $\tau(X_t)$, el método construye pseudo-resultados doblemente robustos $\psi^{DR}_t$:
$$\psi^{DR}_t = \hat{\mu}_1(X_t) - \hat{\mu}_0(X_t) + \frac{W_t(Y_t - \hat{\mu}_1(X_t))}{\hat{e}(X_t)} - \frac{(1-W_t)(Y_t - \hat{\mu}_0(X_t))}{1 - \hat{e}(X_t)}$$
donde $\hat{e}$ es el propensity score estimado y $\hat{\mu}_w$ son los modelos de resultados condicionales estimados. Bajo la correcta especificación de al menos un modelo de molestia, $\psi^{DR}_t$ es una estimación insesgada de $\tau(X_t)$ con un error acotado por el producto de los errores de estimación de las variables de molestia.

B. Validación Cruzada por Bloques Temporales con Bandas de Guarda

Para manejar la dependencia temporal ($\beta$-mezcla) preservando las propiedades de ortogonalidad de la estimación DR, los autores proponen la validación cruzada por bloques temporales con bandas de guarda:

1. Partición: La serie temporal se divide en $K$ bloques contiguos.
2. Bandas de Guarda: Al entrenar los modelos de molestia en un conjunto de bloques, se excluye una "banda de guarda" de $g$ observaciones adyacentes al bloque de calibración mantenido fuera (held-out).
3. Propósito: Esto asegura una separación temporal de al menos $g$ pasos entre los datos de entrenamiento y los de calibración. Bajo $\beta$-mezcla, esto reduce la dependencia residual (error de acoplamiento) entre el conjunto de entrenamiento y el de calibración a $O(\beta(g)^{\delta/(2+\delta)})$.

C. Inferencia Conformal Adaptativa (ACI)

El método emplea el marco de trabajo ACI (Gibbs y Candès, 2021) para actualizar dinámicamente el nivel de falta de cobertura $\alpha_t$:
$$\alpha_{t+1} = \alpha_t + \gamma(\alpha - \mathbb{1}\{\psi^{DR}_t \notin \hat{C}_t\})$$
Esto proporciona una garantía de cobertura determinista a largo plazo incluso cuando la secuencia de puntuaciones no es intercambiable.

D. DR-ACI Estandarizado por Varianza (VS-DR-ACI)

Para abordar el problema de que los pseudo-resultados DR incluyen la varianza del ruido ($\xi_t$) que infla la anchura del intervalo, los autores proponen la estandarización de la varianza:
$$s^{VS}_t = \frac{|\psi^{DR}_t - \hat{\tau}(X_t)|}{\hat{\sigma}_\xi(X_t)}$$
donde $\hat{\sigma}_\xi(X_t)$ estima la desviación estándar local del ruido DR. Esto adapta la anchura del intervalo a los niveles de ruido locales, evitando un ensanchamiento innecesario en regiones de bajo ruido.

3. Principales Contribuciones Teóricas

A. Descomposición de Cobertura de Tres Términos

El principal resultado teórico (Teorema 2) descompone la brecha de cobertura en tres términos distintos:

1. Brecha de Mezcla (Mixing Gap): $\min_\tau \{ \tau/T + 2\beta(\tau) \}$. Este término surge de la dependencia temporal y se controla mediante el límite del coeficiente de conmutación (switch-coefficient).
2. Impuesto por Sesgo de Molestia (Nuisance-Bias Tax): $\|\hat{e} - e\|_2 \cdot \|\hat{\mu} - \mu\|_2$. Este término representa el producto de los errores de estimación de las variables de molestia. El artículo demuestra que la validación cruzada por bloques temporales con bandas de guarda preserva la tasa de sesgo de producto estándar de DML bajo $\beta$-mezcla, añadiendo solo un remanente de acoplamiento explícito $O(\beta(g)^{\delta/(2+\delta)})$.
3. Tasa de Adaptación: $O(T^{-1/2})$. Este término surge del mecanismo de actualización de ACI.

B. Herencia del Coeficiente de Conmutación

El artículo establece (Lema 9) que las puntuaciones de conformidad construidas a partir de los pseudo-resultados DR heredan los límites del coeficiente de conmutación del proceso subyacente. Esto permite que la brecha de cobertura esté acotada por el coeficiente de mezcla de los datos, incluso cuando los modelos de molestia son estimados.

C. Contención Asintótica del CATE

Aunque el procedimiento conformal apunta directamente al pseudo-resultado $\psi^{DR}_t$, el artículo muestra (Corolario 6) que bajo consistencia del estimador ($\|\hat{\tau} - \tau\|_{L2} = o_p(1)$), los intervalos resultantes proporcionan una contención asintóticamente conservadora para el CATE latente $\tau(X_t)$. El intervalo sobre-cubre a $\tau(X_t)$ porque está calibrado para el objetivo más amplio $\psi^{DR}_t = \tau(X_t) + \xi_t$.

4. Resultados Empíricos

Estudio de Simulación

• Brecha de Mezcla: Bajo condiciones estacionarias con variaciones en la autocorrelación ($\rho$), todos los métodos conformales mantuvieron una cobertura válida. Se encontró que el límite de mezcla teórico es altamente conservador (prediciendo caídas de cobertura al 67% con $\rho=0.99$, mientras que la cobertura observada se mantuvo cerca del 90%).
• Sesgo de Molestia: El método Oracle y el DR-ACI estimado mostraron una cobertura idéntica, confirmando que el impuesto por sesgo de molestia es insignificante para tamaños de muestra estándar y modelos de aprendizaje.
• Deriva y Dependencia (Regimen D): En un escenario que combina alta dependencia ($\rho=0.95$) y deriva de covariables:
  • VS-DR-ACI mantuvo una cobertura válida (89.9%) con una anchura de intervalo estable.
  • El DR-ACI estándar mantuvo la cobertura pero sufrió una inflación masiva del intervalo (la anchura aumentó ~170 veces).
  • Los intervalos de Split Conformal y DML-Wald perdieron cobertura significativa (cayendo aproximadamente 29 pp y 35 pp, respectivamente).
  • Mecanismo: La estandarización de la varianza evitó la "espiral" del cuantil adaptativo bajo no-estacionariedad al mantener las puntuaciones con una varianza aproximadamente unitaria.
• Eficiencia: El método VS-DR-ACI produjo intervalos un 63% más estrechos que el split conformal manteniendo una cobertura válida.

Aplicación Empírica: Nasdaq Dynamic M-ELO

El método se aplicó a un experimento natural sobre el despliegue de las órdenes de vida extendida de punto medio dinámico (M-ELO) de Nasdaq.

• Contexto: Adopción escalonada de temporizadores de retención dinámicos a través de cohortes de acciones.
• Resultado: El DR-ACI identificó una heterogeneidad significativa en los efectos de tratamiento. Mientras que la inferencia asintótica base encontró solo un 12.3% de acciones con efectos significativos, el DR-ACI identificó un 33.2% (un aumento de 2,000 acciones con información accionable).
• Precisión: Los intervalos de DR-ACI fueron un 50% más estrechos que los intervalos asintóticos base, permitiendo una clasificación más precisa de los efectos de tratamiento a nivel de acción individual.

5. Significación y Reivindicaciones

El artículo afirma ocupar una intersección única en la literatura: la combinación de puntuaciones doblemente robustas, cobertura válida bajo $\beta$-mezcla y adaptación en línea.

• Significación Teórica: Proporciona la primera garantía de cobertura para pseudo-resultados DR bajo $\beta$-mezcla, cuantificando explícitamente el costo de la dependencia (brecha de mezcla) y la preservación de las tasas de sesgo de DML mediante bandas de guarda.
• Significación Práctica: Ofrece un método de muestra finita, libre de distribución y válido para la inferencia causal en datos de series temporales donde los supuestos estándar fallan. Se demuestra que la variante estandarizada por varianza (VS-DR-ACI) es robusta tanto a la dependencia como a la deriva, superando a los métodos existentes en estabilidad y anchura de intervalo.
• Limitaciones: Los autores señalan explícitamente que las garantías teóricas asumen estacionariedad. La robustez a la deriva observada en las simulaciones y en la aplicación de Nasdaq es evidencia empírica, no está cubierta por el teorema principal. Se reconoce que el límite de mezcla es conservador para funciones de puntuación suaves, y se identifica la derivación de un límite más ajustado para tales casos como un trabajo futuro. El método también asume el Supuesto de Valor de Tratamiento de Unidad Estable (SUTVA), el cual es aproximado en los mercados financieros debido a posibles efectos de desbordamiento (spillovers).