Doubly robust identification of treatment effects from multiple environments

1. Enunciazione del Problema

Il paper affronta la sfida di stimare gli Effetti Medi del Trattamento (ATE) utilizzando dati osservazionali in scenari in cui:

• Il grafo causale è sconosciuto: I praticanti non possono fare affidamento su conoscenze a priori per selezionare set di aggiustamento validi.
• Esistono controlli inadeguati: Il dataset include variabili post-trattamento (collinatori o discendenti del trattamento) che, se aggiustate, introducono bias (ad esempio, bias del collinatore).
• Esistono confonditori non osservati: Esistono variabili latenti ($U$) che influenzano sia il trattamento ($T$) che l'esito ($Y$).
• Limitazioni della singola fonte: I metodi standard (come l'aggiustamento per tutte le covariate) falliscono quando sono presenti controlli inadeguati, e i metodi esistenti che si basano su più ambienti richiedono spesso la piena osservabilità del grafo causale o conoscenze strutturali specifiche (ad esempio, genitori noti).

La difficoltà fondamentale è che, senza conoscere la struttura causale, è impossibile distinguere tra "controlli buoni" (confonditori pre-trattamento) e "controlli cattivi" (variabili post-trattamento) utilizzando un singolo dataset.

2. Metodologia: Ramen

Gli autori propongono Ramen (Robust ATE identification from Multiple ENvironments), un algoritmo che sfrutta l'eterogeneità attraverso più ambienti (ad esempio, diversi paesi, periodi temporali o sottopopolazioni) per identificare l'ATE senza necessitare dell'intero grafo causale.

Ipotesi Chiave

1. Assenza di Mediatori: Non esistono mediatori osservati tra $T$ e $Y$ (Ipotesi 3.1).
2. Nodo Invariante (Doppia Robustezza): Almeno una delle seguenti condizioni vale attraverso gli ambienti ($e \in \mathcal{E}$):
   • Invarianza del Trattamento: Tutti i genitori di $T$ sono osservati e la media condizionata $E[T | Pa(T)]$ è invariante attraverso gli ambienti.
   • Invarianza dell'Esito: Tutti i genitori di $Y$ sono osservati e la media condizionata $E[Y | Pa(Y)]$ è invariante attraverso gli ambienti.
   • Nota: Il metodo non richiede di sapere quale nodo è invariante; lo cerca.
3. Condizione di Identificazione (Eterogeneità): Gli ambienti devono esibire sufficienti spostamenti distributivi (eterogeneità) tali che, se un sottoinsieme di covariate produce una media condizionata invariante, tale sottoinsieme deve effettivamente catturare i genitori del nodo invariante (Ipotesi 4.1).

Lo Stimatore

Ramen definisce uno stimando a doppia robustezza $\theta_e(S)$ per un sottoinsieme selezionato di covariate $S$:
$$\theta_e(S) = E\left[ \bar{\mu}_1(X_S) - \bar{\mu}_0(X_S) + \frac{(Y - \bar{\mu}_1(X_S))T}{\bar{\pi}(X_S)} - \frac{(Y - \bar{\mu}_0(X_S))(1-T)}{1-\bar{\pi}(X_S)} \right]$$
Dove $\bar{\mu}_t$ e $\bar{\pi}$ sono funzioni di esito condizionato e di punteggio di propensione aggregati.

Ottimizzazione tramite Perdita di Invarianza

Per trovare il set di aggiustamento valido $S$, Ramen minimizza una perdita di invarianza. L'algoritmo cerca un sottoinsieme $S$ tale che la media condizionata di $T$ o $Y$ dato $S$ sia invariante attraverso gli ambienti.

• Funzione di Perdita: La perdita misura la discrepanza dei momenti condizionati attraverso gli ambienti utilizzando un approccio kernelizzato (Spazio di Hilbert a Kernel Riproduttivo - RKHS).
  $$J_S(Z; V) = \max_{e \in \mathcal{E}} \left\| E_{P_e}[(V - m_S(Z; V)) k(\cdot, Z_S)] \right\|_{\mathcal{H}}^2$$
• Doppia Robustezza: L'algoritmo minimizza $\min_S \{ J_S(Z; T), J_S(Z; Y) \}$. Se $T$ o $Y$ soddisfano l'ipotesi di invarianza, il minimizzatore identificherà un set di aggiustamento valido (i genitori del nodo invariante).

Algoritmi

Il paper propone due implementazioni per risolvere il problema di selezione del sottoinsieme:

1. Ricerca Combinatoria: Esplora esaustivamente i sottoinsiemi (fattibile per dati a bassa dimensionalità).
2. Rilassamento Differenziabile (Trucco Gumbel): Per dati ad alta dimensionalità, rilassa la selezione discreta del sottoinsieme in un problema di ottimizzazione continua. Utilizza un'approssimazione Gumbel-Softmax per creare maschere binarie differenziabili per le covariate, permettendo alla discesa del gradiente di ottimizzare la perdita di invarianza.

3. Contributi Chiave

1. Prima Identificazione a Doppia Robustezza in questo Contesto: Ramen è il primo algoritmo a raggiungere l'identificazione puntuale degli ATE in presenza di sia controlli inadeguati sia confonditori non osservati utilizzando più ambienti, senza richiedere l'intero grafo causale.
2. Nuova Doppia Robustezza: A differenza della doppia robustezza classica (che protegge contro la specificazione errata del modello), la robustezza di Ramen protegge contro la parziale osservabilità. Ha successo se o i genitori di $T$ o i genitori di $Y$ sono osservati e invarianti.
3. Rilassamento dell'Osservabilità: Migliora lavori precedenti (ad esempio, Shi et al., 2021) non richiedendo che i genitori della variabile di esito siano pienamente osservati; può funzionare se i genitori del trattamento sono osservati invece.
4. Ottimizzazione Scalabile: L'introduzione del trucco Gumbel permette al metodo di scalare a spazi di covariate ad alta dimensionalità dove la ricerca combinatoria è intrattabile.

4. Risultati Sperimentali

Gli autori hanno valutato Ramen su dataset sintetici, semi-sintetici e del mondo reale:

• Esperimenti Sintetici (DAG noti):
  • Ramen ha costantemente ottenuto un basso Errore Assoluto Medio (MAE) attraverso scenari in cui valeva l'invarianza-$T$, l'invarianza-$Y$, o entrambe.
  • I baseline come l'aggiustamento per tutte le covariate ($\hat{\theta}_{all}$) fallivano quando erano presenti controlli inadeguati (collinatori/discendenti).
  • Il baseline IRM ($\hat{\theta}_{irm}$) falliva significativamente quando $T$ era il nodo invariante (poiché IRM assume tipicamente invarianza dell'esito).
• DAG Casuali ad Alta Dimensionalità:
  • Ramen ha superato tutti i baseline attraverso vari numeri di ambienti e topologie di grafi.
  • La versione differenziabile ($\hat{\theta}_{insta-}$) ha performance quasi pari alla versione combinatoria ma scalava a dimensioni superiori.
• Semi-Sintetico (Dataset IHDP):
  • Ramen si allineava con le previsioni teoriche, mostrando robustezza quando specifiche invarianze venivano rotte, mentre i baseline subivano un alto bias.
• Mondo Reale (Fumo Materno e Peso alla Nascita):
  • Applicato al dataset Cattaneo2 (4.642 pazienti).
  • Ramen ha stimato una riduzione del peso alla nascita di ~215 grammi per le madri fumatrici.
  • Questo si allinea con la letteratura epidemiologica consolidata (riduzione di 200–250g).
  • I baseline ($\hat{\theta}_{all}$, $\hat{\theta}_{irm}$) sottostimavano l'effetto, mentre il baseline non aggiustato ($\hat{\theta}_{null}$) lo sovrastimava, dimostrando la capacità di Ramen di correggere i controlli inadeguati (variabili post-trattamento come complicazioni del peso alla nascita).

5. Significato e Limiti

Significato:

• Ramen fornisce una soluzione pratica per l'inferenza causale in contesti reali complessi dove i grafi causali sono sconosciuti e i dati sono disordinati (contenenti variabili post-trattamento).
• Colma il divario tra generalizzazione di dominio (apprendimento dell'invarianza) e inferenza causale (stima dell'effetto del trattamento).
• Offre un'alternativa robusta ai trial randomizzati quando vincoli etici o finanziari ne impediscono la realizzazione.

Limiti:

• Maledizione della Dimensionalità: I metodi basati su kernel possono essere computazionalmente costosi in dimensioni molto elevate.
• Requisito di Eterogeneità: Il metodo richiede sufficienti spostamenti distributivi attraverso gli ambienti (Ipotesi 4.1). Se gli ambienti sono troppo simili, l'identificazione fallisce.
• Ottimizzazione Euristica: Il trucco Gumbel è un rilassamento euristico; sebbene efficace, non garantisce di trovare l'ottimo globale del problema discreto del sottoinsieme.
• Mediatori: Il metodo assume che non esistano mediatori osservati tra $T$ e $Y$. Se sono presenti mediatori, lo stimando cambia da ATE a effetto diretto controllato.

In conclusione, Ramen rappresenta un avanzamento significativo nell'inferenza causale, consentendo una stima non distorta dell'effetto del trattamento in dati osservazionali "disordinati" sfruttando la stabilità strutturale (invarianza) dei meccanismi causali attraverso ambienti diversi.