Principal stratification with U-statistics under principal ignorability

Sintesi Tecnica: Stratificazione Principale con U-statistiche sotto l'Ipotesi di Ignorabilità Principale

Definizione del Problema
La stratificazione principale è un quadro standard per l'inferenza causale quando è presente una variabile intermedia (ad esempio, la non-conformità al trattamento o lo stato di sopravvivenza). Mentre la letteratura si concentra prevalentemente sul principal average causal effect (PACE) — definito come la differenza attesa tra i potenziali esiti all'interno di uno specifico strato principale — questa metrica può risultare insufficiente quando l'interesse scientifico risiede nell'ordinamento relativo degli esiti piuttosto che nelle loro differenze medie. Ciò è particolarmente rilevante per esiti ordinali, endpoint compositi o distribuzioni con code pesanti e outlier, dove i contrasti tra le medie sono sensibili. Inoltre, i metodi esistenti per gli effetti causali generalizzati (come gli indici probabilistici o i win ratios) non sono stati pienamente estesi al contesto della stratificazione principale, lasciando una lacuna nell'identificazione non parametrica e nella stima efficiente di questi estimandi.

Metodologia
Gli autori propongono un quadro per stimare il Principal Generalized Causal Effect (PGCE), definito come $\tau^s_h = E[h\{Y_1(1), Y_2(0)\} | S_1 = S_2 = s]$, dove $h$ è una funzione di contrasto arbitraria (potenzialmente non lineare) e $S$ denota lo strato principale. La metodologia procede attraverso i seguenti passaggi:

1. Identificazione: Sotto tre assunzioni strutturali — Ignorabilità del Trattamento, Monotonicità (escludendo lo strato dei "defiers" o "harmed") e Pairwise Mean Principal Ignorability — gli autori derivano formule di identificazione non parametriche. L'assunzione di Pairwise Mean Principal Ignorability generalizza l'assunzione unitaria presente in lavori precedenti (ad esempio, Jiang et al., 2022) per accomodare funzioni di contrasto non lineari. Essa postula che, condizionatamente alle covariate, il contrasto atteso della funzione sia scambiabile tra specifiche coppie di strati principali latenti che mappano sullo stesso strato di dati osservati.
2. Efficient Influence Functions (EIFs): Gli autori derivano le EIF per gli estimandi del PGCE. Queste funzioni caratterizzano il limite di efficienza semiparametrica e servono come base per la costruzione di stimatori ottimali. La derivazione tiene conto della struttura di rapporto di molti PGCE (ad esempio, i win ratios) e della dipendenza da funzioni di disturbo (nuisance functions) definite su coppie di osservazioni.
3. Stima tramite U-statistiche: Poiché le EIF coinvolgono funzioni di disturbo definite su coppie di osservazioni, gli autori costruiscono stimatori utilizzando le U-statistiche.
   • Stimatori Multiplamente Robusti: Sviluppano stimatori che sono "triplamente robusti", ovvero rimangono consistenti e asintoticamente normali se due dei tre modelli di disturbo (propensione al trattamento, punteggio principale o media del contrasto di coppia) sono correttamente specificati.
   • Debiased Machine Learning (DML): Per raggiungere la piena efficienza asintotica e accomodare la stima adattiva dei dati delle funzioni di disturbo, gli autori integrano il framework delle U-statistiche con il cross-fitting (divisione del campione). Ciò consente l'uso di algoritmi di machine learning (ad esempio, random forests, SuperLearner) mantenendo la $n^{1/2}$-consistenza e la normalità asintotica sotto deboli condizioni di regolarità.
4. Analisi di Sensibilità: Il documento affronta la natura non testabile dell'assunzione di monotonicità proponendo una strategia di analisi di sensibilità. Ciò comporta l'introduzione di una funzione di sensibilità $\eta(X)$ per quantificare la proporzione dello strato "harmed", permettendo una stima corretta dal bias in presenza di violazioni della monotonicità.

Contributi Chiave

• Generalizzazione degli Estimandi: Il lavoro introduce il PGCE, una classe di estimandi che accomoda arbitrarie funzioni di contrasto all'interno degli strati principali, estendendosi oltre il classico PACE per includere indici probabilistici e win ratios.
• Estensione Teorica: Espande i risultati teorici di Jiang et al. (2022) dai contrasti lineari a una classe più ampia di contrasti non lineari sotto l'ignorabilità principale, fornendo le prime formule di identificazione non parametrica per questi effetti generalizzati in presenza di una variabile intermedia binaria.
• Efficient Influence Functions: La derivazione delle EIF per i PGCE stabilisce i limiti inferiori di efficienza semiparametrica per questi estimandi.
• U-statistiche Triplamente Robuste: Gli autori dimostrano che i stimatori basati sulle U-statistiche proposti possiedono una proprietà di tripla robustezza (consistenti se i tre modelli sono corretti) e raggiungono l'efficienza locale quando tutti i modelli sono corretti.
• Integrazione con il Machine Learning: Il lavoro fornisce una solida base teorica per l'applicazione del debiased machine learning alla stratificazione principale con contrasti non lineari, provando che le U-statistiche con cross-fitting raggiungono il limite di efficienza sotto standard tassi di convergenza del machine learning.

Risultati
I metodi proposti sono stati valutati attraverso studi di simulazione e un'applicazione su dati reali:

• Simulazioni: In scenari con esiti continui e ordinali, gli stimatori triplamente robusti e di debiased machine learning (DML) hanno dimostrato consistenza anche quando uno dei tre modelli di disturbo era specificato erroneamente. Al contrario, gli stimatori di momento plug-in standard erano distorti sotto tale errata specificazione. Gli stimatori DML hanno generalmente mostrato un bias leggermente inferiore e una migliore accuratezza rispetto agli stimatori parametrici triplamente robusti, particolarmente in campioni finiti.
• Esempio di Dati (Jobs Corps): I metodi sono stati applicati allo studio statunitense Jobs Corps per stimare l'effetto causale della formazione professionale sui guadagni, tenendo conto della non-conformità e dello stato di occupazione (troncamento per decesso).
  • Per il Survivor Probabilistic Index (SPI) tra i partecipanti sempre occupati, i metodi DML e triplamente robusti hanno stimato una probabilità di 0,539 che un individuo trattato abbia guadagni superiori rispetto a un individuo di controllo (95% CI che esclude 0,5), suggerendo un effetto positivo del trattamento.
  • Per il Principal Win Ratio (PWR) con guadagni ordinali, l'analisi ha rivelato effetti eterogenei tra gli strati. I compliers hanno mostrato un effetto positivo significativo (win ratio ~1,27), mentre i never-takers hanno mostrato un effetto neutro. Significativamente, anche gli always-takers hanno mostrato un effetto positivo significativo, suggerendo un potenziale impatto psicologico dell'assegnazione stessa.
  • Analisi di Sensibilità: Gli stimatori del PWR hanno mostrato una forte robustezza alle violazioni dell'assunzione di monotonicità, mentre gli stimatori SPI hanno mostrato uno spostamento contenuto nella magnitudo man mano che la proporzione di strati "harmed" aumentava.

Significatività e Rivendicazioni
Il documento rivendica di fornire un quadro completo per l'inferenza causale nella stratificazione principale che va oltre i contrasti medi per accomodare esiti ordinali e compositi. Stabilendo le efficient influence functions e sviluppando stimatori a U-statistica triplamente robusti, il lavoro colma una lacuna critica nella letteratura riguardante l'identificazione e la stima efficiente degli effetti causali generalizzati. Gli autori sottolineano che il loro approccio offre un modo rigoroso per gestire i contrasti non lineari e gli endpoint compositi mantenendo la robustezza contro la misspecificazione del modello. L'integrazione del machine learning tramite cross-fitting permette una modellazione flessibile delle complesse funzioni di disturbo, rendendo il framework applicabile a contesti di dati moderni ad alta dimensionalità. Gli autori notano con modestia che lo sviluppo attuale assume dati indipendenti e identicamente distribuiti (i.i.d.) e che l'estensione di questi metodi a strutture di dati clusterizzate o longitudinali rimane una direzione per la ricerca futura.