Generalized propensity score weighting for functional causal inference framework

Resumen Técnico: Ponderación de la Puntuación de Propensión Generalizada para la Inferencia Causal Funcional

Planteamiento del Problema
La inferencia causal en estudios observacionales depende típicamente de métodos de puntuación de propensión para ajustar el confusión entre el tratamiento y el resultado. Sin embargo, las metodidades existentes están diseñadas para tratamientos, covariables y resultados de dimensión escalar o de vectores de baja dimensión. Las aplicaciones modernas involucran cada vez más variables observadas repetidamente a lo largo del tiempo, que se representan más naturalmente como funciones (datos funcionales). Los enfoques estándar de puntuación de propensión fallan en estos entornos porque dependen del equilibrio de representaciones de covariables de dimensión finita, mientras que los tratamientos funcionales existen en espacios de dimensión infinita ($L^2(T)$). Aunque trabajos recientes (Zhang, Xue y Wang, 2021) introdujeron una Puntuación de Propensión Funcional (FPS, por sus siglas en inglés) mediante expansiones de Karhunen–Loève, esta sufre de dos limitaciones críticas: (1) la estimación de los pesos depende de una optimización con restricciones mediante el ajuste secuencial y restricciones de proporcionalidad, lo que crea cargas computacionales para muestras grandes; y (2) el marco está restringido a covariables y resultados escalares, fallando al no poder acomodar simultáneamente confundidores funcionales o resultados funcionales.

Metodología
Los autores proponen un marco unificado para la inferencia causal con datos funcionales que extiende la ponderación de la puntuación de propensión a tratamientos, covariables y resultados funcionales.

1. Representación Funcional: Los tratamientos funcionales $X(t)$ y las covariables se aproximan mediante expansiones de Karhunen–Loève (PCA funcional truncado, FPCA) en vectores de puntuación de dimensión finita $A$ y $B$.
2. Formulación Dual de la Estimación de Pesos: En lugar de la optimización con restricciones utilizada en trabajos previos, los autores derivan una formulación dual del problema de equilibrio de verosimilitud empírica.
   • El problema primal minimiza $\sum \log(w_i)$ sujeto a restricciones de equilibrio (puntuaciones de tratamiento y de confundidores con media cero y no correlacionadas).
   • El problema dual transforma esto en una minimización convexa, suave y sin restricciones sobre un vector de parámetros $\theta$.
   • Los pesos se recuperan mediante una transformación softmax: $w_i = \exp(-\theta^\top g_i) / \sum \exp(-\theta^\top g_j)$, donde $g_i$ apila los momentos de equilibrio.
   • Este enfoque elimina la necesidad de ajuste secuencial o restricciones de proporcionalidad, mejorando significativamente la escalabilidad computacional.
3. Extensión a Covariables Funcionales: Los confundidores funcionales se incorporan aumentando el vector de restricción de equilibrio con sus puntuaciones FPC. Esto preserva la estructura de la optimización dual, aumentando la dimensión del problema de optimización solo por el número de componentes retenidos, no por el tamaño de la muestra.
4. Extensión a Resultados Funcionales: Para resultados funcionales $Y(t)$, los autores desarrollan un modelo estructural marginal función-sobre-función. El efecto causal se caracteriza por una superficie bivariada $\mu(s,t)$. Al expandir tanto el tratamiento como el resultado en sus respectivos entornos de FPCA, la ecuación integral se reduce a un sistema de problemas de mínimos cuadrados ponderados independientes para cada componente del resultado.
5. Restricciones Temporales: Cuando los dominios del tratamiento y el resultado se traslapan, los autores imponen una restricción de "no anticipación" ($\mu(s,t) = 0$ para $s > t$), utilizando una base triangular de funciones lineales por tramos, asegurando la validez causal donde el tratamiento pasado afecta los resultados futuros.

Contribuciones Clave

• Marco Unificado: El artículo proporciona el primer marco general para la inferencia causal con equilibrio de covariables que maneja simultáneamente tratamientos funcionales, covariables funcionales y resultados funcionales.
• Eficiencia Computacional: La propuesta formulación dual produce un problema de optimización suave y sin restricciones. Esto elimina los cuellos de botella computacionales de los métodos existentes, haciendo que el enfoque sea escalable a grandes conjuntos de datos observacionales (por ejemplo, $n=3000$) y espacios de covariables de alta dimensión sin el rendimiento errático de los resolvedores restringidos anteriores.
• Extensión Teórica: El trabajo extiende la teoría de la Puntuación de Propensión Generalizada (GPS) a entornos de dimensión infinita a través de sustitutos de FPCA y establece condiciones de identificación (Ignorabilidad Fuerte y Positividad) para modelos estructurales marginales funcionales.

Resultados

• Estudios de Simulación:
  • Reducción de Sesgo: En varios entornos (relaciones de tratamiento-covariable/resultado lineales y no lineales), el procedimiento de ponderación propuesto reduce sustancialmente el sesgo en comparación con los estimadores no ponderados y los métodos FPS existentes.
  • Equilibrio de Covariables: El método logra un equilibrio de covariables estable (correlaciones $<0.1$) a través de diversos tamaños de muestra y dimensiones de covariables, mientras que el método FPS existente mostró un comportamiento errático.
  • Escalabilidad: El método propuesto demostró una reducción masiva en el tiempo de computación (aproximadamente 1890 veces más rápido en un entorno) en comparación con Zhang, Xue y Wang (2021). Su costo computacional permanece estable a medida que aumentan el tamaño de la muestra ($n$) y la dimensión de la covariable ($p$), a diferencia del enfoque existente que escala pobremente.
• Aplicación a Datos Reales (UK Biobank):
  • Análisis 1 (IMC $\to$ DT2): Estimación del efecto causal de las trayectorias del IMC en la incidencia de Diabetes Tipo 2. El análisis ponderado reveló que el efecto es más fuerte en la mediana edad temprana (edades 50–57) y deja de ser significativo más tarde, mientras que el análisis no ponderado mostró efectos inflados uniformemente debido a la confusión por el estado de salud basal.
  • Análisis 2 (IMC $\to$ HbA1c): Estimación de la superficie de efecto causal de las trayectorias del IMC sobre las trayectorias longitudinales de HbA1c. Los resultados indicaron que un IMC más alto en la mediana edad temprana impulsa el mayor incremento en las trayectorias de HbA1c posteriores, con efectos que se atenúan para edades de exposición más tardías.

Significancia y Reivindicaciones
Los autores afirman que este marco aborda una brecha crítica en la inferencia causal para datos longitudinales modernos. Al pasar de una optimización con restricciones a una sin restricciones, el método hace que la inferencia causal funcional sea computacionalmente factible para estudios a gran escala. La aplicación a los datos del UK Biobank demuestra que tratar la exposición como una función (en lugar de un resumen escalar) revela efectos causales matizados y variables en el tiempo que quedan ocultos en los análisis estándar. Los autores señalan que, si bien el método asume ignorabilidad fuerte y depende de FPCA (lo que requiere datos razonablemente densos), ofrece una herramienta robusta para campos como la epidemiología metabólica, la farmacoeepidemiología y la epidemiología ambiental, donde las exposiciones basadas en trayectorias son comunes. El artículo reconoce explícitamente las limitaciones, incluyendo la necesidad de extensiones para datos dispersos/irregulares (por ejemplo, vía PACE o probabilidades de pequeña bola), sugiriendo estas como direcciones para la investigación futura.