A Diagnostic to Find and Help Combat Stochastic Positivity Issues -- with a Focus on Continuous Treatments

Sintesi Tecnica: Una Diagnostica per Individuare e Aiutare a Combattere i Problemi di Positività Stocastica

Problema
L'assunto di positività è fondamentale per l'identificazione degli effetti causali, ma la sua variante stocastica — in cui determinati valori di trattamento sono raramente o mai osservati per specifici sottogruppi a causa del caso o di una bassa probabilità — è spesso trascurata, in particolare negli studi che coinvolgono trattamenti continui o Politiche di Trattamento Modificate (MTP). Le violazioni teoriche (deterministiche) sono spesso identificabili attraverso la logica, ma le violazioni stocastiche in contesti continui sono difficili da diagnosticare perché il numero di potenziali valori di trattamento supera il numero di punti dati disponibili.

Gli approcci attuali per affrontare questo problema sono limitati. Gli strumenti esistenti, come i bootstrap parametrici, sono spesso specifici per lo stimatore e non riescono a distinguere tra il fallimento dello stimatore e la scarsità dei dati. Gli approcci basati sulla propensione generalizzata (GPS) richiedono la stima della densità, che è problematica in alta dimensione e non rivela facilmente i problemi di positività. Inoltre, sebbene cambiare l'estimand (ad esempio, in un MTP) sia una raccomandazione comune per mitigare il bias, i ricercatori mancano di un modo sistematico per determinare quale estimand alternativo riuscirà a bilanciare la vicinanza alla domanda di ricerca originale con la fattibilità della stima, dato il set di dati disponibile.

Metodologia
Gli autori propongono una nuova diagnostica basata su kernel, progettata per essere specifica per l'estimand e indipendente dallo stimatore. Il presupposto fondamentale è che le violazioni di positività stocastica si manifestino come una mancanza di supporto dei dati nelle regioni dello spazio covariate-trattamento richieste per una specifica intervento.

1. Concetto Centrale (Punti Dati Effettivi - EDP): La diagnostica quantifica i "punti dati effettivi" disponibili per stimare l'outcome per ogni osservazione sotto uno specifico schema di intervento. Utilizza una misura di prossimità (funzione kernel) per pesare i punti dati osservati ($o^{obs}$) in base alla loro distanza dai punti di intervento controfattuale ($o^{int}$).

   • Scelta del Kernel: Gli autori raccomandano un kernel gaussiano, dove la pendenza (larghezza di banda) è determinata da quanto un ricercatore è disposto a estrapolare. Gli iperparametri sono impostati in base alla conoscenza del dominio o a regole empiriche (ad esempio, metà di una deviazione standard della variabile di trattamento).
   • Calcolo: Per ogni osservazione $i$, la diagnostica somma i pesi del kernel di tutti i punti dati osservati $j$ rispetto al valore di intervento intervenuto $o^{int}_i$. Ciò produce un punteggio EDP per ogni osservazione.

2. Due Varianti:

   • Diagnostica Centrata sui Dati: Una versione semplificata che valuta il supporto dei dati per il modello di outcome ($\bar{Q}_n$) attraverso la distribuzione congiunta di trattamento e covariate. Viene visualizzata tramite boxplot per identificare le osservazioni con basso supporto (basso EDP).
   • Diagnostica Focalizzata sulla Stima: Una versione più complessa che valuta separatamente il supporto per il modello di outcome ($\bar{Q}_n$) e il modello di trattamento ($g_n$). Essa stima anche l'entità potenziale dei pesi ($1/g_n$) per i punti intervenuti, aiutando a identificare dove il pesatura della probabilità inversa (inverse probability weighting) potrebbe amplificare il bias a causa di pesi estremi.

3. Applicazione agli MTP: La diagnostica viene applicata a vari schemi di intervento, inclusi interventi statici, curve di risposta a spostamento ingenuo (naive shift-response curves), spostamenti stocastici, curve di risposta a soglia e curve di risposta a spostamento condizionale.

Risultati Chiave
Il documento valida la diagnostica attraverso studi di simulazione e un'applicazione pratica utilizzando i dati del trial CHAPAS-3 (bambini con HIV).

• Studio di Simulazione:

  • Lo studio ha simulato tre scenari di dati: distribuzioni di trattamento sovrapposte, adiacenti e divise (senza sovrapposizione) attraverso i livelli dei confonditori.
  • Interventi Statici: La diagnostica ha identificato correttamente che le curve dose-risposta statiche soffrono di un grave bias negli scenari di dati "divisi" dove è richiesta l'estrapolazione attraverso regioni vuote.
  • MTP: La diagnostica ha rivelato che non tutti gli MTP risolvono i problemi di positività. Ad esempio, uno "spostamento ingenuo" (aggiungere una costante a tutte le dosi) spesso sposta i dati in regioni non supportate, portando a bias. Al contrario, le politiche di "spostamento condizionale" o "a soglia", che restringono gli interventi ai range osservati, hanno mostrato un alto supporto e un bias atteso inferiore.
  • Potere Predittivo: La diagnostica ha previsto con successo dove si sarebbe verificato il bias nelle curve stimate senza accedere al vero processo generatore dei dati, evidenziando le regioni in cui l'estrapolazione era instabile.

• Applicazione Pratica (CHAPAS-3):

  • Applicata a uno studio sulla concentrazione di efavirenz e il fallimento virale, la diagnostica ha identificato specifici sottogruppi (pazienti non aderenti e metabolizzatori rapidi) con punteggi EDP estremamente bassi al limite inferiore della finestra terapeutica.
  • Ha dimostrato come i ricercatori possano raffinare iterativamente l'estimand: escludendo i pazienti non aderenti o restringendo la popolazione target a specifici gruppi di metabolizzazione, i punteggi EDP sono migliorati, indicando una stima più fattibile.
  • In un'estensione longitudinale, la diagnostica ha mostrato che l'introduzione di un "picco" nella concentrazione di trattamento in un punto temporale specifico ha portato a un supporto quasi nullo per i punti temporali successivi, segnalando correttamente l'estimand come non stimabile senza un massiccio bias.

Significatività e Rivendicazioni
Gli autori affermano che questa diagnostica fornisce uno strumento pre-modellazione cruciale per i ricercatori applicati. La sua significatività primaria risiede in:

1. Valutazione della Fattibilità: Permette ai ricercatori di determinare prima dell'adattamento del modello se un determinato estimand è stimabile date le loro disponibilità di dati, risparmiando tempo e risorse computazionali.
2. Selezione dell'Estimand: Guida la selezione delle Politiche di Trattamento Modificate visualizzando il compromesso tra la vicinanza dell'intervento alla domanda di ricerca e la scarsità del supporto dei dati.
3. Diagnosi del Bias: Aiuta a distinguere tra il bias causato dallo stimatore e il bias causato dalla struttura dei dati (scarsità), affrontando una lacuna nella letteratura attuale dove gli strumenti sono spesso legati a specifici stimatori.
4. Generalità: A differenza dei metodi basati sulla densità, questo approccio lavora direttamente con la distribuzione dei dati e si applica a estimand statici, dinamici e MTP sia in contesti di trattamento binario che continuo.

Il documento conclude che, sebbene la diagnostica dipenda da iperparametri definiti dall'utente (larghezza di banda del kernel) che richiedono conoscenza del dominio, essa offre un quadro trasparente e intuitivo per navigare le complessità della positività stocastica nell'inferenza causale continua.