Which Covariates to Adjust for? Specification-robust Causal Inference in Observational Studies

1. Il Problema: Incertezza di Specifica nell'Inferenza Causale

Nelle studi osservazionali, la stima dell'effetto medio del trattamento (ATE) richiede l'aggiustamento per un insieme di covariate per soddisfare la condizione di ignorabilità (assenza di confondimento non misurato). Tuttavia, la conoscenza del dominio spesso ammette molteplici insiemi di aggiustamento plausibili, ma non esiste un criterio empirico per determinare quale di essi sia effettivamente valido, poiché l'ignorabilità è un'assunzione non verificabile dai dati.

Le conseguenze di questa incertezza sono:

• Stime conflittuali: Diversi insiemi di aggiustamento possono produrre stime dell'ATE molto diverse.
• Fallimento delle soluzioni standard:
  • Aggiustare per l'unione o l'intersezione degli insiemi candidati può introdurre bias (es. M-bias o confondimento residuo).
  • La "multiverse analysis" (reportare tutte le stime) non risolve l'ambiguità.
  • L'approccio del convex hull (l'involucro convesso degli intervalli di confidenza) garantisce la copertura nominale se almeno un insieme è valido, ma produce intervalli di confidenza la cui larghezza non tende a zero all'aumentare della dimensione del campione ($n$), lasciando l'ATE parzialmente identificato.

2. Metodologia: Inferenza Robusta alla Specifica tramite Ripesatura

Gli autori propongono una procedura che trasforma l'incertezza sulla specifica del modello in un problema di cambiamento di popolazione target. L'idea centrale è spostare il bersaglio inferenziale da una popolazione originale a una popolazione ripesata (reweighted population) per la quale tutti gli stimatori candidati concordano, garantendo al contempo che la nuova popolazione sia il più possibile vicina a quella originale.

A. Formulazione dell'Ottimizzazione

Sia $S_1, \dots, S_K$ l'insieme di $K$ candidati per le covariate di aggiustamento. L'obiettivo è trovare una funzione di pesi $w^*(X_{S_\cap})$ (dipendente solo dalle covariate comuni a tutti gli insiemi, $S_\cap$) che minimizzi la divergenza di Kullback-Leibler (KL) rispetto alla distribuzione originale $P$, soggetta al vincolo che tutti gli stimatori candidati identifichino lo stesso parametro nella nuova popolazione:

$$w^* = \arg\min_{w=w(X_{S_\cap})} D_{KL}(wP \parallel P)$$
$$\text{soggetto a: } \mathbb{E}_P [w(X_{S_\cap})\tau(X_{S_1})] = \dots = \mathbb{E}_P [w(X_{S_\cap})\tau(X_{S_K})]$$

Dove $\tau(X_{S_k})$ è il contrasto condizionale stimato con l'insieme $S_k$.

B. Soluzione Teorica e Stima

• Proiezione I (I-projection): Utilizzando risultati della teoria dell'informazione, il problema infinito-dimensionale viene ridotto a un problema di ottimizzazione convessa a dimensione finita tramite tilting esponenziale. La soluzione ottima ha la forma:
  $$w^*(X_{S_\cap}) = \frac{\exp(g(X_{S_\cap})^\top \lambda^*)}{\mathbb{E}_P[\exp(g(X_{S_\cap})^\top \lambda^*)]}$$
  dove $g$ rappresenta la differenza attesa tra i contrasti condizionali e $\lambda^*$ è un vettore di Lagrange ottenuto risolvendo un problema di minimizzazione convessa.
• Interpretazione Causale: Il paper dimostra (Lemma 1) che se almeno uno degli insiemi $S_k$ soddisfa l'ignorabilità, allora il parametro identificato nella popolazione ripesata ($\tau^R$) è l'ATE della popolazione ripesata.
• Stima Empirica:
  1. Si stimano i contrasti $\tau(X_{S_k})$ (usando regressione lineare o metodi non parametrici come Random Forests).
  2. Si stimano le differenze condizionali $g(X_{S_\cap})$.
  3. Si risolve numericamente il problema di ottimizzazione convessa per trovare $\hat{\lambda}$ e i pesi empirici $\hat{w}$.
  4. Si costruisce uno stimatore AIPW (Augmented Inverse Probability Weighted) combinato con una correzione di bias specifica per tenere conto dell'incertezza nella stima dei pesi di trasferimento.

C. Estensioni

• Protezione delle Covariate: È possibile aggiungere vincoli per preservare le medie di funzioni specifiche delle covariate nella popolazione ripesata (simile all'uso di "calipers" nel matching), assicurando che la popolazione target mantenga caratteristiche scientificamente rilevanti.
• Infeasibilità: Se nessun insieme di pesi può far convergere le stime (infeasibilità), questo segnala che gli assunti sottostanti sono incompatibili. In tal caso, il metodo può essere applicato a cluster di insiemi compatibili.

3. Risultati Teorici ed Empirici

Risultati Teorici

• Validità Asintotica: Lo stimatore proposto è asintoticamente normale con velocità di convergenza parametrica $n^{-1/2}$ (Teorema 1), a condizione che almeno un insieme di aggiustamento sia valido.
• Larghezza degli Intervalli: A differenza del convex hull, la larghezza dell'intervallo di confidenza proposto tende a zero al crescere di $n$, permettendo un'identificazione precisa.
• Copertura: Gli intervalli di confidenza mantengono la copertura nominale (es. 95%) anche se non si sa quale insieme di covariate sia quello corretto, purché almeno uno lo sia.

Risultati Empirici

• Simulazioni: In scenari dove l'intersezione o l'unione degli insiemi falliscono (es. M-bias o confondimento residuo), il metodo proposto mantiene la copertura corretta, mentre gli approcci standard falliscono o producono intervalli troppo ampi.
• Applicazione Reale (401(k)): Analizzando l'effetto dell'eligibilità al 401(k) sulle attività finanziarie nette, il metodo produce un intervallo di confidenza circa il 77% più stretto rispetto al convex hull, mantenendo una copertura nominale valida. Le distribuzioni delle covariate nella nuova popolazione target risultano molto simili a quelle originali, suggerendo che lo spostamento della popolazione è minimo e scientificamente accettabile.

4. Contributi Chiave

1. Procedura Robusta alla Specifica: Un metodo che restituisce una singola stima puntuale e un intervallo di confidenza valido senza richiedere la conoscenza a priori dell'insieme di aggiustamento corretto.
2. Identificazione Precisa: Risolve il problema della non-identificazione parziale (larghezza costante) tipico del convex hull, garantendo una convergenza parametrica.
3. Interpretabilità Trasparente: Sposta il target su una popolazione definita in modo trasparente (tramite pesi KL) e fornisce strumenti diagnostici (grafici di densità) per valutare se la nuova popolazione è scientificamente rilevante.
4. Estensione ai Vincoli: Permette di proteggere caratteristiche specifiche della popolazione originale durante il processo di ripesatura.

5. Significato e Impatto

Questo lavoro offre una soluzione pratica e teorica a uno dei problemi più persistenti nell'inferenza causale osservazionale: la scelta delle covariate. Invece di abbandonare l'analisi quando l'ignorabilità non è verificabile o di reportare un'ampia gamma di risultati inconcludenti, il metodo propone di ridefinire il problema in modo da trovare una popolazione in cui le diverse specifiche conciliano i loro risultati.

L'approccio è particolarmente rilevante per:

• Analisi di Sensibilità: Offre una via di mezzo tra l'analisi di sensibilità classica (che assume un insieme valido e testa violazioni) e l'analisi di multiverso (che mostra solo la variabilità).
• Politiche Pubbliche e Medicina: Permette di prendere decisioni basate su stime più precise e robuste, anche in presenza di incertezza strutturale sui meccanismi causali.
• Flessibilità: Si integra con metodi moderni di apprendimento automatico (come i Random Forests) per stimare i contrasti, rendendolo applicabile a dati complessi e ad alta dimensionalità.

In sintesi, il paper trasforma l'incertezza sulla specifica del modello da un ostacolo insormontabile in un problema di ottimizzazione risolvibile, garantendo inferenze causali valide, precise e interpretabili.