Sintesi Tecnica: Analisi di Mediazione Causale Debiased in Ambienti Ultra-High-Dimensional in Presenza di Effetti di Interazione

1. Impostazione del Problema e Motivazione

Questo articolo affronta la sfida di stimare gli effetti diretti naturali (NDE) e gli effetti indiretti naturali (NIE) nell'analisi di mediazione causale quando sia le covariate pre-trattamento ($X \in \mathbb{R}^p$) che i mediatori post-trattamento ($M \in \mathbb{R}^q$) sono ultra-high-dimensional (UHD), ovvero $p \wedge q \gg n$. Fondamentalmente, il framework proposto accoglie effetti di interazione tra il trattamento binario ($A$) e sia le covariate che i mediatori.

La letteratura esistente sull'analisi di mediazione ad alta dimensionalità si è ampiamente basata su screening euristici, riduzione della dimensionalità o selezione dei percorsi, spesso mancando di una rigorosa teoria inferenziale per gli effetti naturali in presenza di variabili UHD. Inoltre, recenti progressi teorici nella mediazione ad alta dimensionalità (ad esempio, Guo et al., 2022–2024; Lin et al., 2025) tipicamente assumono covariate a dimensionalità fissa o escludono interazioni trattamento-covariata/mediatore. La specifica difficoltà affrontata qui è la stima del funzionale di mediazione $\theta_{10} = E[Y(1, M(0))]$, che coinvolge un'interazione "cross-arm": combina parametri appresi dal braccio del trattamento (i coefficienti di regressione dell'outcome $\gamma_1$) con quelli appresi dal braccio di controllo (la matrice di regressione del mediatore $B_0$). Questa struttura impedisce l'applicazione diretta delle tecniche di debiasing standard per funzionali lineari o bilineari, poiché il target coinvolge un termine composito $\bar{X}^\top B_0^\top \gamma_1$ dove $B_0 \bar{X}$ può essere denso e non stimabile coerentemente nella norma $\ell_1/\ell_2$.

2. Metodologia

Gli autori propongono un nuovo stimatore di debiasing multi-step che combina la regressione ad alta dimensionalità con passaggi di bilanciamento accuratamente progettati. Il metodo utilizza una procedura di cross-fitting per dividere i dati in due fold ($D_1, D_2$) per evitare l'overfitting e garantire un'inferenza valida.

La Procedura di Stima (Algoritmo 1)

Il nucleo della metodologia stima il parametro $\theta_{10} = \bar{X}^\top (\beta_1 + B_0^\top \gamma_1)$ attraverso i seguenti passaggi:

1. Bilanciamento per Approssimazione (Step 1): Utilizzando le osservazioni di controllo ($A=0$), il metodo costruisce un vettore di pesi di bilanciamento $\hat{\tau}_2$ risolvendo un problema di ottimizzazione. Questo peso approssima il vettore medio delle covariate $\bar{X}$ nello spazio delle covariate di controllo. Fondamentalmente, il prodotto $\hat{m}_c = M_c^\top \hat{\tau}_2$ funge da approssimazione diretta del vettore ignoto $B_0 \bar{X}$ nella norma $\ell_\infty$, bypassando la necessità di stimare l'intera matrice UHD $B_0$.
2. Regressione dell'Outcome (Step 2): Utilizzando le osservazioni del trattamento ($A=1$), una regressione Lasso stima i coefficienti dell'outcome $\hat{\phi}_1 = (\hat{\beta}_1, \hat{\gamma}_1)$.
3. Primo-Stage Debiasing (Step 3): Lo stimatore $\hat{\phi}_1$ viene debiased nella direzione $a = (\bar{X}^\top, \hat{m}_c^\top)^\top$. Questo passaggio corregge il bias di regolarizzazione del Lasso ma introduce un nuovo bias perché la direzione $\hat{m}_c$ è un'approssimazione di $B_0 \bar{X}$, non il valore vero.
4. Secondo-Stage Debiasing (Step 4): Per rimuovere il bias introdotto dall'approssimazione nello Step 3, viene eseguita una seconda regressione sui dati di controllo. Il pseudo-outcome $M_c^\top \hat{\gamma}_1$ viene regredito su $X_c$ per stimare $b = B_0^\top \hat{\gamma}_1$. Questo stimatore viene poi debiased usando lo stesso peso di bilanciamento $\hat{\tau}_2$ usato nello Step 1.
5. Combinazione (Step 5): Lo stimatore finale viene costruito combinando il termine di outcome debiased e il termine di approssimazione debiased, sottraendo un termine di correzione per tenere conto della sovrapposza (overlap).
6. Cross-Fitting (Step 6): I ruoli di $D_1$ e $D_2$ vengono scambiati e i risultati vengono mediati per ottenere lo stimatore cross-fitted finale $\hat{\theta}_{10}^{cf}$.

Gli stimatori per NDE e NIE sono costruiti combinando $\hat{\theta}_{10}^{cf}$ con stimatori analoghi per $\theta_{11}$ e $\theta_{00}$ (che sono più semplici poiché non coinvolgono interazioni cross-arm).

3. Contributi Teorici e Risultati

L'articolo stabilisce che lo stimatore proposto è $\sqrt{n}$-consistente e asintoticamente normale sotto condizioni di sparsità, regolarità e vincoli di autovalore ristretto (restricted eigenvalue) piuttosto generali.

• Struttura del Bias: Gli autori dimostrano che l'errore di stima si decompone in un termine stocastico principale e un termine residuo $\Delta_n$. Il termine residuo presenta una forma prodotto (ad esempio, $\|\text{errore di approssimazione}\|_\infty \times \|\text{errore di stima}\|_1$). Questa struttura assicura che il bias sia asintoticamente trascurabile ($o_p(n^{-1/2})$) anche quando gli errori di stima individuali sono grandi, a patto che le condizioni di sparsità $(1+s)(1+k)\log(p+q)/\sqrt{n} \to 0$ siano soddisfatte.
• Normalità Asintotica: L'articolo deriva la varianza asintotica e costruisce stimatori consistenti per essa, consentendo la costruzione di intervalli di confidenza validi per NDE, NIE e l'effetto totale. I risultati valgono sia per i target di media campionaria che per quelli di media di popolazione, e sono estesi per gestire errori condizionatamente eterosedastici.
• Confronto con i Metodi Esistenti: Gli autori dimostrano che il loro approccio evita le forti assunzioni di "beta-min" (forza del segnale minimo) e di recupero del supporto richieste da alcuni metodi di inferenza ad alta dimensionalità esistenti (ad esempio, Guo et al., 2023). Il loro metodo permette segnali più deboli e livelli di sparsità più elevati, a patto che il prodotto di sparsità e dimensione cresca lentamente rispetto alla dimensione del campione.

4. Valutazione Empirica

La metodologia è stata valutata attraverso estesi studi di simulazione e un'applicazione su dati reali.

• Simulazioni: Lo stimatore debiased proposto ($\hat{\theta}_{10}^{cf}$) è stato confrontato con uno stimatore plug-in standard e una versione modificata del metodo di Guo et al. (2022).
  • Lo stimatore debiased ha costantemente raggiunto un RMSE inferiore e probabilità di copertura vicine al livello nominale (95%) in vari regimi, inclusi l'aumento della sparsità, la scomparsa del segnale minimo e il rumore eterosedastico.
  • Al contrario, lo stimatore standard ha mostrato un bias sostanziale e il metodo modificato di Guo et al. ha mostrato instabilità e scarsa copertura in ambienti ultra-high-dimensional, specialmente quando la sparsità era elevata o i segnali erano deboli.
• Applicazione su Dati Reali: Il metodo è stato applicato al dataset TCGA sul cancro ai polmoni per stimare l'effetto del fumo sulla sopravvivenza, mediato dalla metilazione del DNA.
  • L'analisi ha coinvolto $n=738$ pazienti con $p=42$ covariate e $q=264.797$ mediatori.
  • I risultati hanno indicato che l'effetto totale del fumo sulla sopravvivenza era mediato principalmente attraverso la metilazione del DNA (NIE), con l'effetto indiretto statisticamente significativo mentre l'effetto diretto non lo era.
  • Un confronto con un approccio OLS a dimensionalità fissa (utilizzando solo 6 siti CpG pre-selezionati) ha prodotto risultati contraddittori e controintuitivi (suggerendo che il fumo aumentasse la sopravvivenza), evidenziando l'importanza della metodologia ad alta dimensionalità in sistemi biologici complessi.

5. Significato e Rivendicazioni

L'articolo rivendica di essere il primo lavoro a fornire una metodologia per stimare gli effetti diretti naturali e gli effetti indiretti naturali in presenza di covariate simultaneamente ultra-high-dimensional, mediatori ultra-high-dimensional e le loro interazioni con la variabile di trattamento.

Le principali rivendicazioni riguardanti la significatività del paper includono:

1. Innovazione Strutturale: La strategia di debiasing multi-step proposta affronta una sfida strutturale unica (parametri di disturbo cross-arm che coinvolgono matrici e vettori UHD) che le tecniche di debiasing esistenti per funzionali lineari o bilineari non possono gestire direttamente.
2. Assunzioni Più Deboli: Il framework teorico opera sotto assunzioni di forza del segnale più deboli rispetto ai metodi di inferenza di mediazione ad alta dimensionalità concorrenti, permettendo la rilevazione di effetti anche quando alcuni coefficienti sono deboli.
3. Utilità Pratica: Il metodo fornisce un'inferenza valida per meccanismi biologici complessi (come la mediazione epigenetica) dove il numero di potenziali mediatori supera di gran lunga la dimensione del campione, uno scenario in cui i metodi di selezione tradizionali a bassa dimensionalità potrebbero fallire o produrre risultati distorti.

Gli autori concludono che, sebbene il presente lavoro si concentri su modelli lineari, il framework sviluppato offre una base per future estensioni ai modelli lineari generalizzati e ad altri modelli di equazioni strutturali con simili complessità cross-arm.