Resumen Técnico: Aprendizaje de Representaciones para el Análisis de Mediación Causal Semiparamétrico bajo la Ausencia de Heterogeneidad Esencial

1. Planteamiento del Problema

El objetivo principal de muchos experimentos aleatorios es estimar no solo el efecto general del tratamiento, sino también los mecanismos causales subyacentes, específicamente el efecto indirecto mediado por una variable intermedia $M$. Un desafío metodológico significativo surge cuando existen confundidores no medidos entre el mediador y el resultado. En tales casos, la suposición clásica de Ignorabilidad Secuencial (SI)—que requiere la ausencia de confusión no medida entre el mediador y el resultado condicionado a las covariables observadas—se ve violada, lo que conduce a estimaciones inconsistentes.

Si bien los Modelos Estructurales Anidados (SNMs) y la G-estimación ofrecen un marco para manejar la confusión no medida, las aplicaciones tradicionales suelen apoyarse en la suposición de "Preservación de Rango" (Rank Preservation). Esta suposición es frecuentemente criticada por ser excesivamente restrictiva, ya que implica que las desviaciones a nivel individual del modelo estructural son idénticas en todos los regímenes contrafácticos, lo que efectivamente descarta la heterogeneidad individual en los efectos del tratamiento o del mediador.

Para abordar esto, Zheng y Zhou (2015) propusieron un modelo de media estructural más general basado en la suposición de "Ausencia de Heterogeneidad Esencial" (NEH, por sus siglas en inglés). Aunque la NEH permite la confusión no medida y la modificación del efecto arbitraria mediante covariables observadas, depende de una función de peso óptima para la G-estimación que depende del Efecto de Tratamiento Medio Condicional (CATE) del tratamiento sobre el mediador. En entornos con covariables de alta dimensión y efectos del mediador no lineales, estimar este CATE con precisión es difícil. Los enfoques lineales estándar o las regresiones separadas (T-learners) a menudo fallan al capturar la heterogeneidad compleja, lo que resulta en pesos subóptimos y una pérdida de eficiencia en las estimaciones finales de los parámetros estructurales.

2. Metodología: El Marco UNIT

Los autores proponen UNIT (Unmeasured-confounding-robust NEH-based Identification with TARNet), un estimador de dos etapas que integra el aprendizaje de representaciones profundas con la G-estimación.

Marco Teórico

El método opera bajo las siguientes suposiciones clave:

1. Consistencia/SUTVA: Suposiciones estándar respecto a los resultados potenciales.
2. Ignorabilidad del Tratamiento: La asignación del tratamiento es independiente de los resultados potenciales y los mediadores dados los covariables previos al tratamiento (satisfecho por la aleatorización).
3. Ausencia de Heterogeneidad Esencial (NEH): Los confundidores no observados no modifican los efectos medios del tratamiento o del mediador. Esta es una condición más débil que la Preservación de Rango pero más fuerte que la identificación no paramétrica completa.
4. Especificación Estructural Correcta: La forma funcional del modelo de media estructural está correctamente especificada.
5. No degeneración: La matriz de pesos no es degenerada, requiriendo que el tratamiento tenga un efecto heterogéneo sobre el mediador.

Bajo la NEH, la función de peso óptima para la ecuación de G-estimación depende del CATE del mediador, $\tau_M(X) = E[M|T=1, X] - E[M|T=0, X]$.

El Algoritmo de Dos Etapas

Etapa 1: Aprendizaje de Representación para la Estimación de Pesos
En lugar de utilizar regresiones separadas (T-learners) o modelos lineales, UNIT emplea una Red de Representación Agnóstica al Tratamiento (TARNet).

• Arquitectura: La red aprende una representación compartida $\Phi(X)$ de las covariables a través de los brazos de tratamiento, seguida de cabezales de salida específicos para cada tratamiento ($h_0$ para el control, $h_1$ para el tratado).
• Mecanismo: El CATE del mediador se estima como la diferencia entre los dos cabezales: $\hat{\tau}_M(X) = h_1(\Phi(X)) - h_0(\Phi(X))$.
• Cross-fitting: Para evitar el sobreajuste y asegurar propiedades asintóticas válidas, la TARNet se entrena utilizando cross-fitting. El CATE se estima fuera de la muestra (out-of-fold) para cada unidad.
• Construcción de Pesos: El CATE estimado se utiliza para construir el vector de pesos de inserción (plug-in) $\hat{W}(X) = (1, \hat{\tau}_M(X))^\top$, que luego se centra mediante la probabilidad de asignación del tratamiento para formar el instrumento $\hat{A}_i = (T_i - p)\hat{W}(X_i)$.

Etapa 2: G-Estimación Estructural
Utilizando los pesos derivados en la Etapa 1, se estiman los parámetros estructurales $\theta$ resolviendo la ecuación de G-estimación empírica:
$$\sum_{i=1}^n \hat{A}_i \left( Y_i - \hat{g}^{(-)}(X_i) - H_i^\top \theta \right) = 0$$
donde $H_i$ representa las funciones base del modelo estructural (por ejemplo, indicadores de tratamiento y mediador) y $\hat{g}^{(-)}$ es una estimación de cross-fitting del resultado basal. Los autores señalan que, bajo un modelo de trabajo lineal para la base, este sistema tiene una solución de forma cerrada.

3. Principales Contribuciones

El artículo realiza tres contribuciones primordiales:

1. Vincular la Calidad de la Representación con la Eficiencia: Los autores establecen un vínculo teórico y empírico claro entre la calidad de la representación aprendida $\Phi$ y la eficiencia del estimador del parámetro estructural. Demuestran que una estimación más precisa del CATE produce una matriz de pesos de inserción más informativa, reduciendo la varianza asintótica de $\hat{\theta}$.
2. El Algoritmo UNIT: Proponen un algoritmo práctico de dos etapas que combina la estimación de TARNet con cross-fitting y la G-estimación. Este enfoque relaja la fuerte suposición de Preservación de Rango en favor de la más plausible suposición de NEH, mientras maneja la confusión no medida entre el mediador y el resultado.
3. Validación Empírica: A través de un estudio de simulación exhaustivo que involucra covariables no gaussianas, efectos de tratamiento no lineales complejos y confusión no medida, los autores demuestran que los pesos basados en TARNet mejoran significativamente la precisión de las estimaciones de los coeficientes de mediación en comparación con los enfoques clásicos (T-learners lineales, Random Forests) sin introducir sesgo ni comprometer las tasas de cobertura.

4. Resultados de la Simulación

Los autores evaluaron UNIT a través de siete escenarios que varían en el grado de no linealidad, la fuerza del instrumento y la validez de la suposición NEH.

• Estimación del CATE (Etapa 1): En escenarios con efectos no lineales del mediador, TARNet superó significativamente a la regresión Ridge lineal y a los Random Forests separados (T-learners) en la estimación del CATE del mediador. TARNet logró correlaciones más altas con el CATE real y un menor Error Cuadrático Medio Normalizado (NRMSE), particularmente en muestras moderadas ($n \ge 1000$).
• Estimación Estructural (Etapa 2):
  • Eficiencia: En entornos no lineales, los pesos basados en TARNet redujeron el error estándar del coeficiente de mediación aproximadamente entre un 30% y un 50% en comparación con los T-learners lineales (razones de SE medianas de 1.45–1.51 en $n \ge 2000$).
  • Sesgo y Cobertura: Cuando la suposición de NEH se cumplía, todos los G-estimadores (independientemente del aprendiz de la Etapa 1) fueron insesgados y alcanzaron una cobertura nominal (aprox. 95%). El estimador ingenuo de Baron–Kenny, que ignora la confusión no medida, exhibió un sesgo positivo sustancial y una cobertura del 0%.
  • Robustez: Cuando la NEH fue violada (presencia de heterogeneidad esencial), todos los métodos convergieron al mismo límite sesgado, confirmando que la validez del método depende de la suposición de NEH, no del aprendiz específico utilizado.
  • Representación Compartida: Al comparar TARNet (representación compartida) con TNet (redes neuronales separadas), TARNet mostró una ventaja distintiva en muestras finitas, reduciendo los errores estándar entre un 30% y un 40% en muestras moderadas. Esta brecha disminuyó a medida que el tamaño de la muestra aumentó, lo que sugiere que el beneficio de las representaciones compartidas es más crítico en muestras finitas.

5. Significado y Reivindicaciones

El artículo afirma que UNIT ofrece una ganancia sustancial de eficiencia para los análisis de mediación aplicados donde la asignación del tratamiento es aleatoria pero la confusión entre el mediador y el resultado no es medida. Al aprovechar el aprendizaje de representaciones profundas para estimar los pesos óptimos para la G-estimación, el método supera las limitaciones de las aproximaciones lineales en entornos de alta dimensión y no lineales.

Los autores enfatizan que su contribución no es la estrategia de identificación en sí (que es heredada de Zheng y Zhou, 2015), sino la demostración de que un mejor aprendizaje de representación en la primera etapa conduce a una estimación estructural más eficiente. Argumentan que para los investigadores que lidian con relaciones complejas entre covariables y mediadores, UNIT proporciona un marco semiparamétrico con principios sólidos que supera a los aprendices tradicionales en precisión, manteniendo la robustez contra la confusión no medida bajo la suposición de NEH.

El estudio concluye que, si bien el método es robusto, no es una panacea para las violaciones de la suposición de NEH, y su aplicación a datos observacionales requeriría una extensión adicional para estimar los puntajes de propensión (propensity scores). Los autores también señalan la actual falta de conjuntos de datos de referencia públicos para el análisis de mediación como una barrera para una validación empírica más amplia.