Bayesian Nonparametrics for Principal Stratification with Continuous Post-Treatment Variables

1. Il Problema: Stratificazione Principale con Variabili Continue

La stratificazione principale (Frangakis & Rubin, 2002) è un quadro di inferenza causale utilizzato per stimare gli effetti del trattamento in presenza di variabili post-trattamento (o variabili intermedie). L'obiettivo è identificare sottogruppi di unità (strati principali) basati sui valori potenziali della variabile intermedia sotto trattamento e controllo, permettendo così di definire effetti causali omogenei all'interno di ciascun strato.

• Sfida attuale: La letteratura esistente si è concentrata prevalentemente su variabili post-trattamento binarie, dove il numero di strati è limitato (al massimo quattro).
• Il caso continuo: Quando la variabile post-trattamento è continua, il framework induce una collezione potenzialmente infinita di strati principali. Questo rende le strategie di stratificazione classica impraticabili.
• Limiti degli approcci precedenti:
  • Dichotomizzazione: Trasformare la variabile continua in binaria richiede soglie arbitrarie che possono distorcere le conclusioni.
  • Modelli parametrici/semiparametrici: Impongono strutture rigide o richiedono criteri esterni per "coarsenare" (raggruppare) gli strati infiniti, costringendo l'analista a scegliere tra arbitrarietà e rigidità.
  • Mancanza di incertezza: Molti metodi non quantificano adeguatamente l'incertezza sull'appartenenza agli strati.

2. Metodologia: Il modello CASBAH

Gli autori propongono un nuovo approccio bayesiano non parametrico chiamato CASBAH (Confounders-Aware SHared-atoms BAyesian mixture).

Struttura del Modello

1. Priori Non Parametrici Dipendenti: CASBAH si basa su un processo di Dirichlet dipendente (DDP) con un'architettura innovativa di "atomi condivisi" (shared atoms).
2. Atomi Condivisi: Il modello assume che le distribuzioni delle variabili post-trattamento potenziali sotto trattamento ($t=1$) e controllo ($t=0$) condividano gli stessi atomi (componenti della miscela) $\psi_l$, ma con pesi diversi.
   • $G^{(t)}_{x_i} = \sum_{l \ge 1} \pi^{(t)}_l(x_i) \delta_{\psi_l}$
   • Gli atomi $\psi_l$ sono condivisi tra i due regimi di trattamento, permettendo di modellare la distribuzione congiunta latente $\{P_i(0), P_i(1)\}$.
3. Adattamento ai Confondenti: I pesi della miscela $\pi^{(t)}_l(x_i)$ sono modellati tramite un processo di stick-breaking basato su una regressione probit, che dipende direttamente dalle covariate osservate $x_i$. Questo permette un aggiustamento flessibile per i confondenti misurati senza assumere una forma funzionale rigida per la distribuzione intermedia.
4. Definizione degli Strati:
   • Strato Dissociativo: Unità dove il trattamento non cambia la variabile intermedia ($P_i(0) = P_i(1)$). Nel modello CASBAH, questo corrisponde a unità assegnate allo stesso atomo ($S_i^{(0)} = S_i^{(1)}$).
   • Strato Associativo: Unità dove il trattamento cambia la variabile intermedia ($S_i^{(0)} \neq S_i^{(1)}$), ulteriormente suddiviso in positivo o negativo.

Inferenza e Identificabilità

• Probabilità A Priori: Un risultato teorico chiave (Teorema 1) dimostra che, grazie alla struttura degli atomi condivisi, la probabilità a priori di appartenere allo strato dissociativo è non nulla e dipende dalle covariate osservate. Questo risolve il problema della probabilità zero tipica delle distribuzioni continue.
• Inferenza Bayesiana: L'inferenza avviene tramite campionamento Gibbs. Il modello imputa simultaneamente le risposte potenziali mancanti ($P_i(0)$ o $P_i(1)$) e le variabili latenti di assegnazione agli strati, propagando l'incertezza attraverso la distribuzione a posteriori.
• Stima degli Effetti Causali: Gli effetti causali principali (PCE) sono stimati condizionando l'outcome sulla distribuzione a posteriori dell'appartenenza agli strati.

3. Contributi Chiave

1. Gestione Nativa delle Variabili Continue: Elimina la necessità di discretizzare arbitrariamente la variabile post-trattamento, trattando gli strati come sottopopolazioni latenti con valori attesi comuni.
2. Identificazione Endogena degli Strati: Il modello identifica automaticamente gli strati dissociativi e associativi attraverso i dati, senza regole di soglia esterne.
3. Quantificazione dell'Incertezza: Fornisce una quantificazione completa dell'incertezza sull'appartenenza agli strati e sugli effetti causali, a differenza di molti approcci frequentisti o parametrici.
4. Flessibilità e Robustezza: L'uso di processi di Dirichlet dipendenti e la condivisione degli atomi permettono di catturare strutture complesse di cluster e di adattarsi a diverse configurazioni di dati.

4. Risultati

Studio di Simulazione

Il modello CASBAH è stato confrontato con due approcci esistenti: il modello parametrico di Schwartz et al. (2011) e il modello a copula di Lu et al. (2023).

• Imputazione dei Dati Mancanti: CASBAH ha mostrato un bias mediano vicino allo zero per la stima delle differenze nelle variabili post-trattamento ed outcome, superando significativamente gli altri metodi (che presentavano bias elevati, fino a -1.98 per l'outcome).
• Identificazione degli Strati: L'indice di Rand aggiustato (ARI) ha mostrato valori molto alti (vicini a 1), indicando che CASBAH ricostruisce correttamente la partizione degli strati principali.
• Stima degli Effetti Causali: CASBAH ha stimato accuratamente gli effetti causali principali ($\tau_0, \tau_+, \tau_-$) in tutti gli scenari simulati, mentre i modelli concorrenti fallivano nell'identificare correttamente gli strati o presentavano bias sostanziali.

Applicazione Reale: Qualità dell'Aria e Salute

Il modello è stato applicato per valutare l'impatto della revisione del 2005 degli standard nazionali sulla qualità dell'aria (NAAQS) sui livelli di PM2.5 e sulla mortalità negli USA.

• Dati: 384 contee nell'Est degli USA, con variabili demografiche, socioeconomiche e meteorologiche.
• Risultati della Stratificazione:
  • Strato Dissociativo (32%): Contee dove la revisione NAAQS non ha avuto un impatto misurabile sui livelli di PM2.5.
  • Strato Associativo Negativo (56%): Contee dove la revisione ha ridotto significativamente il PM2.5 (mediana: -1.09 µg/m³).
  • Strato Associativo Positivo (12%): Contee dove i livelli di PM2.5 sono aumentati.
• Effetti sulla Salute:
  • Una riduzione significativa della mortalità è stata osservata solo nello strato associativo negativo (dove l'inquinamento è diminuito), con una diminuzione mediana del tasso di mortalità dell'8.12 per mille.
  • Gli strati dissociativo e associativo positivo non hanno mostrato effetti significativi sulla mortalità.
• Caratterizzazione: L'analisi ha rivelato che le contee nello strato dissociativo e positivo tendono ad essere più rurali, con redditi più bassi e minoranze specifiche, mentre quelle nello strato associativo negativo sono più urbane e ad alto reddito.

5. Significato e Conclusioni

Il paper rappresenta un avanzamento significativo nell'inferenza causale per variabili intermedie continue.

• Superamento delle limitazioni: CASBAH risolve il dilemma tra arbitrarietà (soglie) e rigidità (modelli parametrici) nella definizione degli strati principali.
• Impatto Pratico: L'applicazione alla salute pubblica dimostra come la stratificazione principale possa rivelare eterogeneità nascoste negli effetti delle politiche, mostrando che l'efficacia delle normative ambientali dipende criticamente dalla capacità di ridurre l'inquinamento in specifiche sottopopolazioni.
• Futuro: Gli autori suggeriscono estensioni future verso modelli di outcome non lineari, trattamenti continui e setting di sopravvivenza, ma il modello attuale offre già un quadro robusto e interpretabile per problemi complessi di stratificazione.