Sintesi Tecnica: Stima Bayesiana degli Effetti Causali Utilizzando Proxy di una Rete di Interferenza Latente

Definizione del Problema

Nell'inferenza causale, l'interferenza di rete si verifica quando il trattamento assegnato a un'unità influenza gli esiti di altre unità. Gli approcci tradizionali assumono tipicamente che la rete osservata specifichi correttamente la struttura dell'interferenza. Tuttavia, nella pratica, i ricercatori spesso non hanno accesso alla vera rete di interferenza ($A^*$). Possiedono invece solo misurazioni proxy ($A$) a causa di limitazioni nella raccolta dei dati (ad esempio, errori di auto-segnalazione, bias di memoria) o perché i legami sociali osservati non corrispondono ai reali percorsi di interferenza (ad esempio, connessioni online rispetto al contatto fisico).

Trattare una rete proxy come la vera struttura di interferenza può portare a una specificazione errata del modello e a stime degli effetti causali distorte. Le soluzioni esistenti si affidano spesso ad assunzioni strutturali specifiche (ad esempio, modelli lineari nelle medie con meccanismi di errore specifici) o ad approcci in due fasi che prima inferiscono la rete e poi la trattano come fissa. Quest'ultimo approccio non riesce a propagare l'incertezza dalla fase di inferenza della rete alle stime causali, portando a una sottostima dell'incertezza. Inoltre, la vera rete di interferenza è spesso latente, creando uno spazio discreto ad alta dimensionalità che rende l'inferenza bayesiana standard computazionalmente intrattabile.

Metodologia

Modelli Causali Strutturali (SCM)

Gli autori propongono un framework generale di Modelli Causali Strutturali in cui la vera rete di interferenza $A^*$ è trattata come una variabile latente generata da un modello di rete casuale. Il framework accoglie diverse configurazioni strutturali:

1. Proxy Causali: Le reti osservate $A$ sono discendenti diretti di $A^*$ (ad esempio, misurazioni rumorose).
2. Proxy Non Causali: Sia $A^*$ che $A$ dipendono da variabili latenti condivise $V$ (ad esempio, reti multilayer che condividono posizioni latenti), senza un legame causale diretto tra loro.
3. Assegnazione del Trattamento: Il framework modella l'assegnazione del trattamento ($Z$) come potenzialmente dipendente o dalla rete latente $A^*$ (contesti osservazionali) o dai proxy osservati $A$ (esperimenti controllati con randomizzazione per cluster basata sui proxy).

Il modello dell'esito ($Y$) incorpora l'interferenza attraverso funzioni riassuntive (mappature di esposizione) che aggregano i trattamenti e le covariate dei vicini sulla base della vera rete $A^*$. Gli estimandi causali sono definiti tramite interventi su politiche di trattamento a livello di popolazione (statiche, dinamiche o stocastiche), distinti dagli interventi sui livelli di esposizione.

Identificabilità

Il documento investiga l'identificabilità dei parametri strutturali in contesti semplificati. Dimostra che, sebbene la natura latente di $A^*$ ponga delle sfide, i parametri strutturali sono recuperabili a condizione che vi sia sufficiente informazione dalla distribuzione congiunta di esiti, trattamenti e reti proxy. L'analisi mostra che ogni modulo di dati (esiti, trattamenti, proxy) contribuisce all'identificazione dei parametri, richiedendo spesso meno reti proxy indipendenti rispetto a quanto sarebbe necessario se venissero utilizzati solo i proxy.

Inferenza Bayesiana e Algoritmo di Campionamento

Per stimare gli effetti causali, gli autori sviluppano un framework di inferenza bayesiana. La distribuzione a posteriori coinvolge uno spazio misto di parametri continui ($\Theta$) e la rete discreta latente ($A^*$). La marginalizzazione diretta di $A^*$ è computazionalmente impraticabile a causa della crescita super-esponenziale dello spazio degli stati ($O(2^{N^2})$).

Per affrontare questo problema, gli autori propongono un campionatore Block Gibbs con Proposte Localmente Informate (LIP):

1. Struttura Block Gibbs: L'algoritmo alterna l'aggiornamento dei parametri continui (utilizzando tecniche MCMC standard come NUTS) e l'aggiornamento della rete discreta latente $A^*$.
2. Proposte Localmente Informate (LIP): Le proposte di random walk standard per gli aggiornamenti di rete soffrono di un cattivo mixing negli spazi discreti ad alta dimensionalità. Gli autori impiegano la tecnica LIP, che orienta i ribaltamenti degli archi (edge flips) verso stati con una maggiore probabilità a posteriori.
3. Approssimazione basata sul Gradiente: La LIP esatta richiede la valutazione della posterior per ogni possibile ribaltamento dell'arco, il che è $O(N^2)$ per iterazione. Per rendere la cosa fattibile, gli autori approssimano le differenze della log-posterior utilizzando i gradienti (tramite una serie di Taylor del primo ordine). Ciò riduce il costo computazionale a una singola valutazione del gradiente per iterazione, sfruttando la differenziazione automatica.
4. Inizializzazione: Viene utilizzato un procedimento di inizializzazione a più stadi per garantire che la catena di Markov parta da una regione ad alta probabilità, utilizzando distribuzioni cut-posterior per stimare la rete e i parametri dei proxy prima di raffinare lo stato della rete con il feedback completo del modello.

Stima dell'Effetto Causale

Gli estimandi causali sono stimati mediando sui campioni a posteriori della rete latente e dei parametri. Per una politica statica, l'esito atteso è approssimato mediando le aspettative condizionate sui campioni a posteriori di $A^*$ e $\Theta$. Questo approccio propaga naturalmente l'incertezza dall'inferenza della rete agli stimi causali.

Contributi Chiave

1. Modelli Causali Strutturali Flessibili: Il documento introduce un framework SCM generale che tratta la rete di interferenza come una variabile latente, accogliendo sia meccanismi di proxy causali che non causali e diverse dipendenze di assegnazione del trattamento.
2. Stima Congiunta: A differenza degli approcci euristici in due fasi, il framework proposto stima congiuntamente la rete latente e i parametri causali. Ciò garantisce che l'incertezza nella struttura della rete sia correttamente propagata agli stimi degli effetti causali.
3. Inferenza Efficiente per Reti Latenti Discrete: Gli autori sviluppano un campionatore Block Gibbs dotato di Proposte Localmente Informate e approssimazioni basate sul gradiente. Ciò consente un'esplorazione efficiente dello spazio a posteriori discreto ad alta dimensionalità, rendendo fattibile l'inferenza bayesiana per dimensioni di rete dove la marginalizzazione brute-force è impossibile. Il documento fornisce anche un'analisi formale dell'errore di approssimazione, dimostrando che rimane indipendente dalla dimensione della rete in determinate condizioni.

Risultati

Gli autori valutano il metodo utilizzando dati completamente sintetici e semi-sintetici:

• Dati Completamente Sintetici: Simulazioni con $N=500$ unità dimostrano che l'algoritmo Block Gibbs (BG) proposto raggiunge costantemente un Mean Absolute Percentage Error (MAPE) inferiore rispetto ai baseline, inclusi gli approcci naif (trattare i proxy come verità), i metodi di rilassamento continuo e gli approcci in due fasi. Crucialmente, il metodo BG raggiunge tassi di copertura empirica degli intervalli di credibilità vicini al livello nominale, mentre i metodi in due fasi e i baseline basati sull'aggregazione tendono a sottostimare l'incertezza.
• Dati Semi-Sintetici: Utilizzando un dataset di rete multilayer del mondo reale (dipendenti dell'Università di Aarhus), il metodo è stato testato designando uno strato come rete latente e altri come proxy. Il metodo BG ha nuovamente superato i metodi in due fasi e le semplici strategie di aggregazione (unione/intersezione di strati) in termini di accuratezza della stima e quantificazione dell'incertezza.

Significato e Rivendicazioni

Il documento sostiene di far avanzare la letteratura sull'inferenza causale con interferenza di rete fornendo un framework unificato per scenari in cui la rete di interferenza è latente e sono disponibili solo misurazioni proxy. Il significato risiede nel:

• Affrontare la Misspecificazione: Modella esplicitamente la discrepanza tra i proxy osservati e la vera struttura di interferenza, mitigando i bias causati dalla misspecificazione della rete.
• Quantificazione dell'Incertezza: Stimando congiuntamente la rete e gli effetti causali, il framework evita la sottostima dell'incertezza inerente agli approcci in due fasi.
• Fattibilità Computazionale: Lo sviluppo della LIP basata sul gradiente all'interno di un campionatore Block Gibbs rende fattibile l'inferenza bayesiana su reti latenti di dimensioni pratiche, un compito precedentemente ostacolato dalla natura discreta del problema.

Gli autori osservano che il loro approccio dipende da una corretta specificazione del modello, che può essere valutata tramite controlli predittivi a posteriori. Riconoscono inoltre che, sebbene il loro framework gestisca reti latenti, l'identificazione degli effetti degli interventi sulla struttura della rete stessa può ancora richiedere ulteriori assunzioni a causa del confondimento latente.