Cross-World Assumption and Refining Prediction Intervals for Individual Treatment Effects

1. Il Problema: Incertezza a Livello Individuale e Non Identificabilità

Nell'inferenza causale, l'obiettivo è spesso stimare l'Effetto del Trattamento Individuale (ITE), definito come $Y(1) - Y(0)$, dove $Y(1)$ e $Y(0)$ sono i potenziali risultati sotto trattamento e controllo, rispettivamente.

• Limitazione fondamentale: A causa del "problema fondamentale dell'inferenza causale", per ogni unità osserviamo solo uno dei due potenziali risultati. Di conseguenza, l'ITE vero è non identificabile.
• Carenza degli approcci attuali: Mentre l'Effetto Medio del Trattamento (ATE) e l'Effetto Medio Condizionale (CATE) possono essere stimati in modo coerente, la costruzione di intervalli di previsione validi per l'ITE individuale è estremamente difficile. I metodi esistenti (es. conformal inference su pseudo-outcome) tendono a produrre intervalli di previsione eccessivamente ampi (poco utili) o privi di garanzie di copertura rigorose a causa dell'incertezza intrinseca sui controfattuali.

2. Metodologia: L'Assunzione "Cross-World"

Gli autori propongono di superare l'impasse dell'identificabilità introducendo un parametro di correlazione tra mondi, denotato come $\rho(x)$.

Il Parametro $\rho(x)$

Definito come la correlazione condizionata tra i potenziali risultati dato il covariato $X$:
$$\rho(x) = \text{cor}(Y(1), Y(0) \mid X = x)$$
Sebbene $\rho(x)$ sia tecnicamente non identificabile dai dati osservati, gli autori sostengono che in molte applicazioni reali (es. medicina, economia) sia possibile imporre limiti inferiori plausibili basati sulla conoscenza del dominio o su dati ausiliari.

• Logica: In molti contesti, fattori latenti stabili (es. genetica, stato di salute di base) influenzano sia $Y(1)$ che $Y(0)$ in modo simile, suggerendo una correlazione positiva ($\rho > 0$).
• Stima di $\rho$: Il paper propone metodi per stimare un limite inferiore $\hat{\rho}_L(x)$ utilizzando covariate ausiliarie $Z$ (disponibili per un sottogruppo di dati) tramite la legge della covarianza totale e disuguaglianze di Cauchy-Schwarz.

Costruzione degli Intervalli: CW($\rho$)

Gli autori definiscono una nuova classe di intervalli di previsione, chiamati CW($\rho$) (Cross-World Intervals).
Dati gli intervalli di previsione per i singoli potenziali risultati $C_1(x)$ e $C_0(x)$ (ottenuti, ad esempio, tramite Conformalized Quantile Regression - CQR), l'intervallo per l'ITE è costruito come:
$$C_{ITE}(x) = \left[ \hat{\tau}(x) - D_\rho(l_1(x), u_0(x)), \quad \hat{\tau}(x) + D_\rho(l_0(x), u_1(x)) \right]$$
Dove:

• $\hat{\tau}(x)$ è la stima del CATE.
• $l_t, u_t$ sono le larghezze degli intervalli per $Y(t)$.
• $D_\rho(x, y) = \sqrt{x^2 + y^2 - 2\rho xy}$ è una "distanza euclidea corretta per la correlazione".

Vantaggio chiave: Se $\rho$ è alto (correlazione positiva), il termine $-2\rho xy$ riduce significativamente la larghezza dell'intervallo rispetto ai metodi che assumono indipendenza ($\rho=0$) o correlazione negativa ($\rho=-1$).

Variante CW+CI($\rho$)

Per gestire il caso in cui la stima del CATE ($\hat{\tau}$) sia fortemente distorta (bias), gli autori introducono una variante che incorpora intervalli di confidenza per $\hat{\tau}$ (ottenuti via bootstrapping), garantendo validità anche in scenari di bias elevato.

3. Contributi Chiave

1. Teoria dell'Identificabilità Parziale: Dimostrano che, assumendo un limite inferiore per $\rho(x)$, è possibile derivare intervalli di previsione per l'ITE che sono più stretti e validi.
2. Ottimalità Asintotica: Sotto ipotesi di normalità e scenario ideale, gli intervalli CW($\rho$) sono dimostrati essere gli intervalli più piccoli possibili che soddisfano la garanzia di copertura condizionata.
3. Garanzie Finite-Sample: Forniscono teoremi che garantiscono la copertura marginale e condizionata per campioni finiti, anche quando $\rho$ è solo parzialmente noto o stimato.
4. Strumenti Pratici: Sviluppano procedure per stimare limiti inferiori di $\rho$ usando dati ausiliari e forniscono linee guida per l'analisi di sensibilità.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su dati sintetici e semi-sintetici (incluso il dataset IHDP), confrontando CW($\rho$) e CW+CI($\rho$) con metodi dello stato dell'arte (es. Lei & Candès, 2021; Alaa et al., 2023; Jonkers et al., 2024).

• Copertura e Larghezza:
  • Gli intervalli CW($\rho$) mantengono una copertura valida (es. 90%) in tutti gli scenari.
  • La larghezza degli intervalli è drasticamente ridotta: spesso meno di 1/3 rispetto ai metodi concorrenti, specialmente quando $\rho$ è vicino a 1 o -1.
  • La variante CW+CI($\rho$) mantiene prestazioni stabili anche quando la stima del CATE è distorta o quando $\rho$ è leggermente misspecificato.
• Robustezza: Il metodo si dimostra robusto rispetto a deviazioni dalla normalità (distribuzioni non-Gaussiane) e a errori nella specificazione esatta di $\rho$ (basta conoscere un limite inferiore).
• Confronto: Quando $\rho \approx 1$, i metodi tradizionali falliscono o producono intervalli enormi, mentre CW($\rho$) sfrutta la struttura dei dati per restringere l'incertezza.

5. Significato e Implicazioni

Questo lavoro rappresenta un passo avanti significativo nell'inferenza causale per decisioni ad alto rischio (es. medicina personalizzata, politiche pubbliche):

• Dall'Astratto al Concreto: Trasforma l'incertezza intrinseca dei controfattuali da un ostacolo insormontabile in un parametro gestibile attraverso la conoscenza del dominio.
• Efficienza Decisionale: Permette di prendere decisioni individuali con intervalli di rischio molto più precisi, rendendo l'uso di modelli di machine learning per l'ITE più affidabile e interpretabile.
• Nuovo Paradigma: Sposta il focus dalla ricerca di stime puntuali "impossibili" alla costruzione di intervalli di previsione validi e ottimizzati, sfruttando assunzioni ragionevoli sulla struttura latente dei dati.

In sintesi, il paper dimostra che l'assunzione di una correlazione "cross-world" (tra mondi controfattuali) non è solo teoricamente fondata, ma è uno strumento pratico essenziale per quantificare l'incertezza individuale in modo rigoroso ed efficiente.