📊 statistics

Causal Effects of Modified Treatment Policies under Positivity Violations: A Partial Identification Approach

Este artículo propone un marco de identificación parcial para estimar efectos causales de políticas de tratamiento modificadas bajo violaciones de positividad mediante la acotación de resultados no observados vía continuidad de Lipschitz e introduciendo un novedoso método de proyección de desplazamiento interior para asegurar estimadores diferenciables por trayectoria y asintóticamente normales que proporcionen intervalos de confianza robustos donde los métodos tradicionales que asumen positividad fallan.

Autores originales: Taehyeon Koo, Elizabeth A. Stuart, Kara E. Rudolph, Caleb H. Miles

Publicado 2026-08-26

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Taehyeon Koo, Elizabeth A. Stuart, Kara E. Rudolph, Caleb H. Miles

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina intentar comprender el efecto de una nueva política observando lo que les sucedió a las personas en el pasado. Si la política dice: "Todos deben reducir su exposición a los pesticidas en un veinte por ciento", los investigadores generalmente pueden predecir el resultado encontrando a personas que naturalmente tenían ese nivel de exposición más bajo y viendo qué les sucedió. Esto funciona bien cuando los datos son abundantes y cubren todo el terreno necesario. Sin embargo, en el mundo real, especialmente cuando se trata de mezclas complejas de sustancias químicas o variables continuas como las dosis de medicamentos, los datos suelen tener vacíos. Existen combinaciones de factores que simplemente no existen en los registros históricos. Cuando una política exige un cambio que cae en una de estas zonas vacías, los métodos estándar se ven obligados a adivinar qué sucedería, recurriendo a menudo a modelos matemáticos que se extienden mucho más allá de la evidencia disponible. Este juego de adivinanzas es arriesgado porque los modelos pueden estar equivocados, lo que conduce a conclusiones erróneas sobre si una política es segura o perjudicial.

Un equipo de investigadores de la Universidad de Columbia y la Universidad Johns Hopkins ha desarrollado una nueva forma de manejar estos vacíos sin realizar conjeturas peligrosas. En lugar de intentar llenar las piezas faltantes con una fórmula única y rígida, tratan la zona desconocida como una zona de incertidumbre. Aceptan que no pueden saber el resultado exacto para cada persona a la que la política podría afectar, pero pueden calcular un rango de resultados posibles que garantice contener la verdad. Su enfoque divide el problema en dos partes: la parte donde existen datos y la parte donde no los hay. Para la parte con datos, utilizan métodos estándar y fiables para encontrar la respuesta. Para la parte sin datos, no adivinan un número específico. En su lugar, buscan a la persona más cercana en los datos que sea similar al caso faltante y se preguntan: ¿cuánto podría cambiar el resultado si nos alejáramos solo un poco más?

Para responder a esto, los investigadores imponen una regla de suavidad. Asumen que el resultado no cambia drásticamente en distancias cortas; si dos situaciones son muy similares, sus resultados también deberían ser algo similares. Al medir la distancia entre el caso faltante y el caso conocido más cercano, y multiplicando esa distancia por un factor de seguridad que representa cuánto podría variar el resultado, crean un límite seguro. Este límite actúa como una cerca, asegurando que la respuesta verdadera se encuentre en algún lugar dentro del rango calculado. Los investigadores llaman a esto un enfoque de "identificación parcial", porque identifica un rango de posibilidades en lugar de un solo punto. Descubrieron que este método es particularmente importante cuando se trata de mezclas de sustancias químicas, como los diversos pesticidas que se encuentran en el medio ambiente. En estos casos, las sustancias químicas suelen moverse juntas en los datos, lo que hace muy difícil encontrar ejemplos donde uno sea bajo mientras otro es alto, creando grandes vacíos en la información.

El equipo probó su método utilizando simulaciones por computadora donde conocían la respuesta real de antemano. En escenarios donde los métodos estándar, que dependen de adivinar los datos faltantes, no lograron capturar la respuesta real, el nuevo método logró mantener el resultado correcto dentro de su rango calculado. También aplicaron su técnica a un estudio del mundo real que involucraba la exposición a pesticidas e hipertensión materna en una comunidad específica. Los métodos estándar sugerían un efecto protector, implicando que reducir la exposición a los pesticidas disminuiría el riesgo de presión arterial alta. Sin embargo, cuando los investigadores aplicaron su nuevo enfoque, más cauteloso, descubrieron que esta sugerencia de protección no era robusta. Una vez que tuvieron en cuenta la incertidumbre en los vacíos de los datos, la evidencia de un efecto protector desapareció. Esto no significa que la política sea mala, sino que los datos no son lo suficientemente sólidos como para respaldar una afirmación de confianza de que es buena.

Un obstáculo importante que los investigadores tuvieron que superar fue un problema técnico relacionado con cómo definieron el límite entre los datos conocidos y los desconocidos. En su diseño inicial, el límite era una línea nítida, lo que hacía matemáticamente difícil calcular qué tan precisos eran sus estimaciones. Para resolverlo, introdujeron un ajuste ingenioso que movió el límite ligeramente hacia adentro, creando una capa delgada y suave donde ocurre la transición. Este pequeño cambio geométrico les permitió utilizar poderosas herramientas estadísticas para demostrar que sus estimaciones son fiables y para construir intervalos de confianza que sean válidos a través de diferentes niveles de incertidumbre. Demostraron que, al aceptar una pequeña cantidad de incertidumbre en el cálculo, podían obtener una imagen mucho más clara y honesta de lo que los datos realmente respaldan.

El trabajo destaca un cambio fundamental en cómo debemos pensar sobre el análisis de políticas en entornos complejos. En lugar de forzar un solo número a partir de datos incompletos, lo que a menudo conduce a la sobreconfianza, es mejor reconocer los límites de lo que sabemos. Los investigadores demostraron que, al declarar explícitamente los supuestos sobre cuánto pueden cambiar los resultados según la distancia, y al calcular un rango que respete esos supuestos, podemos evitar la trampa de la falsa certeza. Su método proporciona una herramienta para que científicos y responsables de políticas vean claramente cuándo los efectos de una política están respaldados por la evidencia y cuándo son simplemente el resultado de una conjetura matemática. Al final, el objetivo no es eliminar la incertidumbre, lo cual suele ser imposible, sino medirla con precisión para que las decisiones puedan tomarse con una comprensión plena de los riesgos involucrados.

Resumen Técnico: Efectos Causales de Políticas de Tratamiento Modificadas bajo Violaciones de Positividad

Planteamiento del Problema
Las Políticas de Tratamiento Modificadas (MTP, por sus siglas en inglés) definen intervenciones que mapean el valor de tratamiento "natural" observado de un individuo hacia un valor específico de la política (por ejemplo, reducir la exposición a pesticidas en un 20% para todos). Si bien las MTP son valiosas para tratamientos continuos y multivariados, sus efectos causales suelen identificarse únicamente bajo el supuesto de positividad: los valores de tratamiento generados por la política deben encontrarse dentro del soporte de la distribución de tratamiento observada dado los covariables.

En la práctica, particularmente con tratamientos multivariados o covariables continuas, el espacio conjunto tratamiento–covariable suele volverse disperso. Esto conduce a violaciones de positividad en dos formas:

Estructural: Los valores generados por la política se encuentran fuera del soporte condicional por completo.
Práctica: Los valores están formalmente soportados, pero están representados de forma tan dispersa que las estimaciones de la regresión de resultados dependen fuertemente de la estructura del modelo (extrapolación) en lugar de los datos.

Las respuestas estándar suelen implicar la redefinición de la intervención para evitar valores no soportados (por ejemplo, "intervenciones factibles" o recorte/trimming), lo cual altera el estimando. Este artículo propone retener la política original mientras se reconoce que la media del resultado no puede ser identificada puntualmente sin supuestos de extrapolación.

Metodología
Los autores desarrollan un marco de identificación parcial que descompone la media del resultado objetivo, $\theta_d$ , en contribuciones de los valores generados por la política dentro de una región preespecificada de positividad adecuada, $H$ , y aquellos fuera de ella.

Descomposición y Acotación:
- Dentro de $H$ : La contribución se identifica puntualmente utilizando la regresión de resultados estándar $Q(W_d)$ .
- Fuera de $H$ : La contribución se acota en lugar de estimarse. Los autores imponen un supuesto de continuidad de Lipschitz (Supuesto 3) sobre la media condicional del resultado potencial $\mu$ . Este supuesto acota la diferencia en los resultados entre un valor de política fuera de $H$ y un valor "ancla" dentro de $H$ mediante un parámetro de sensibilidad $L$ multiplicado por la distancia entre ellos.
- Selección del Ancla: Para minimizar el ancho del intervalo resultante, el método utiliza la proyección métrica ( $\Pi_H$ ), mapeando cada valor exterior al punto más cercano en $H$ .
La Obstrucción de la Inferencia:
- La proyección métrica estándar mapea los puntos exteriores hacia la frontera $\partial H$ . Dado que la frontera tiene una dimensión menor que el espacio tratamiento–covariable, los anclajes proyectados tienen una probabilidad cero bajo la distribución observada. Esto destruye la existencia de una razón de densidad, haciendo que los extremos de los límites sean no diferenciables por trayectoria (non-pathwise differentiable) y previniendo la inferencia estándar de orden $n^{1/2}$ .
Proyección Desplazada al Interior:
- Para resolver el problema de la diferenciabilidad, los autores introducen una novedosa proyección desplazada al interior ( $\tilde{\Pi}_\epsilon$ ). En lugar de colapsar los anclajes sobre la frontera, este mapa los desplaza ligeramente hacia el interior de una fina capa interna de espesor $\epsilon$ .
- Esto preserva la dimensionalidad completa de la distribución de anclajes, permitiendo la construcción de razones de densidad válidas y restaurando la diferenciabilidad por trayectoria.
Estimación e Inferencia:
- Los autores derivan funciones de influencia semiparamétricamente eficientes para los límites bajo la proyección desplazada al interior.
- Construyen estimadores de un solo paso con validación cruzada (cross-fitted one-step estimators) para los límites.
- Para manejar el compromiso entre la estrechez del límite (pequeño $\epsilon$ ) y la estabilidad del estimador (grande $\epsilon$ ), proponen un procedimiento de bootstrap de multiplicadores que proporciona intervalos de confianza simultáneos sobre una rejilla preespecificada de niveles de desplazamiento $\{\epsilon_1, \dots, \epsilon_J\}$ .

Contribuciones Clave

Límites de Identificación Parcial: El artículo proporciona límites de identificación parcial basados en Lipschitz para las MTP que no requieren redefinir la intervención. Establece la optimalidad de la proyección métrica entre los métodos de un solo ancla y cuantifica la brecha entre este "intervalo de proyección" y el intervalo de Lipschitz teóricamente "agudo" (la intersección de todos los intervalos de ancla válidos).
Solución Geométrica a la No Diferenciabilidad: Los autores identifican la fuente geométrica de la falla de la diferenciabilidad por trayectoria (el colapso de una distribución de dimensión completa sobre una frontera de dimensión inferior) e introducen la proyección desplazada al interior para restaurar la diferenciabilidad sin recurrir al suavizado de indicadores o extremums.
Marco de Inferencia: Derivan funciones de influencia, establecen la normalidad asintótica para los estimadores de validación cruzada y proporcionan intervalos de confianza simultáneos que son válidos sobre una rejilla de parámetros de desplazamiento.

Resultados y Aplicaciones

Simulaciones: Los intervalos propuestos logran una cobertura nominal en entornos donde los estimadores estándar que dependen de la extrapolación de regresión subestiman la cobertura.
Aplicación Empírica: El método se aplica para reanalizar el efecto de las mezclas de pesticidas en la hipertensión materna en la cohorte CHAMACOS. Los resultados indican que las asociaciones protectoras sugeridas por métodos que asumen positividad no son robustas a variaciones modestas en los resultados más allá de la región de positividad estimada.

Significado y Reivindicaciones
El artículo afirma ofrecer un marco riguroso para la inferencia causal bajo MTP cuando la positividad se viola, separando explícitamente la identificación basada en datos de los supuestos de extrapolación. Al retener la política original y utilizar la identificación parcial, evita alterar el estimando. La introducción de la proyección desplazada al interior se presenta como una modificación geométrica necesaria para permitir la inferencia semiparamétrica válida para límites que, de otro modo, serían no estimables a las tasas estándar. Los autores enfatizan que, si bien el marco hace explícitos los supuestos de extrapolación (a través de la constante de Lipschitz $L$ ), esto no elimina la dificultad de estimar la región de positividad y las funciones de perturbación (nuisance functions), lo cual escala con la dimensionalidad de los tratamientos y los covariables.

Resumen Técnico: Efectos Causales de Políticas de Tratamiento Modificadas bajo Violaciones de Positividad

Más como este