Riepilogo Tecnico: Etichette Controfattuali Sintetiche per Inferenza Controfattuale Conformale Efficiente (SP-CCI)

1. Definizione del Problema e Motivazione

Il documento affronta la sfida di costruire intervalli di previsione affidabili per esiti controfattuali individuali in contesti con squilibrio nel trattamento. Nell'inferenza causale, per un'unità con covariate $X$ e trattamento osservato $T$, è osservato solo un esito potenziale $Y(T)$, mentre l'esito controfattuale $Y(1-T)$ rimane non osservato.

I metodi esistenti, in particolare l'Inferenza Controfattuale Conformale (CCI) (Lei e Candès, 2021), forniscono garanzie di copertura marginale per queste previsioni controfattuali. Tuttavia, la CCI si basa su dati di calibrazione provenienti dal braccio di trattamento specifico di interesse. In molti scenari reali (ad esempio, trial medici in cui trattamenti costosi sono rari, o pubblicità online con esposizione scarsa), il dataset per il braccio di trattamento target ($D_1$) è significativamente più piccolo rispetto al braccio di controllo ($D_0$). Questa scarsità porta a intervalli di previsione eccessivamente conservativi e ampi, che limitano l'utilità dell'inferenza conforme nel processo decisionale ad alto rischio.

Sebbene i dati sintetici generati da modelli pre-addestrati possano ampliare il set di calibrazione scarso, incorporare direttamente queste etichette sintetiche nelle procedure conformali standard compromette la validità statistica, poiché gli esiti sintetici sono approssimazioni distorte della verità.

2. Metodologia: Framework SP-CCI

Gli autori propongono l'Inferenza Controfattuale Conformale potenziata da Dati Sintetici (SP-CCI), un framework che amplia il set di calibrazione con etichette controfattuali sintetiche preservando le garanzie di copertura marginale attraverso una procedura di stima debiasata.

Componenti Principali

1. Generazione di Dati Sintetici:

   • Il metodo utilizza un modello generativo controfattuale pre-addestrato $\hat{P}_{Y(1)|X}$ (che può essere una rete neurale o un Large Language Model) per generare etichette controfattuali sintetiche $\hat{Y}(1)$ per le unità nel dataset di controllo più ampio $D_0$.
   • Ciò crea un dataset sintetico ampliato $\tilde{D}_1 = \{(X_i, \hat{Y}_i(1))\}_{i=1}^{n_0}$.

2. Stima Debiasata della Mancata Copertura (Integrazione PPI):

   • Per correggere il bias introdotto dalle etichette sintetiche, la SP-CCI adatta l'Inferenza Potenziata dalle Previsioni (PPI) (Angelopoulos et al., 2023a).
   • Il set di calibrazione $D_1$ (dati trattati reali) viene utilizzato per "correggere" le stime sintetiche. Nello specifico, i $n_0$ campioni sintetici sono partizionati in $n_1$ gruppi, ciascuno assegnato a un campione trattato reale $(X_i, Y_i) \in D_1$.
   • Viene costruito uno stimatore non distorto della probabilità di mancata copertura $\hat{L}_\eta$ utilizzando una differenza ponderata tra la perdita sui dati sintetici e la perdita sui dati reali:
     $$\hat{\ell}_{i,\eta} = \frac{1}{r} \sum_{j} \tilde{w}_j \ell_\eta(\tilde{X}_j, \tilde{Y}_j) - w_i [\ell_\eta(X_i, \hat{Y}_i) - \ell_\eta(X_i, Y_i)]$$
     dove $w_i$ e $\tilde{w}_i$ sono pesi di importanza che tengono conto dei punteggi di propensione e delle probabilità di trattamento.

3. Insiemi di Previsione a Rischio Controllato (RCPS):

   • Il metodo impiega Insiemi di Previsione a Rischio Controllato (RCPS) (Bates et al., 2021) per selezionare il parametro di allargamento dell'intervallo $\eta$.
   • Invece di garantire una copertura incondizionata, la SP-CCI assicura che il rischio di mancata copertura sia controllato con alta probabilità ($1-\delta$) sul sorteggio dei dati di calibrazione.
   • Il parametro di allargamento $\hat{\eta}$ è scelto in modo che il limite superiore di confidenza della probabilità di mancata copertura stimata non superi il livello target $\alpha$.

4. Gestione della Specificazione Errata dei Pesi:

   • Il framework include garanzie teoriche per i casi in cui i pesi di importanza sono stimati anziché noti esattamente. Dimostra che le garanzie di copertura possono essere mantenute regolando il parametro di allargamento per tenere conto dei limiti di errore dei pesi stimati.

3. Contributi Chiave

• Metodologia: Introduzione della SP-CCI, che integra dati di calibrazione reali e sintetici tramite uno stimatore di mancata copertura debiasato, consentendo l'uso di dati di controllo abbondanti per migliorare l'inferenza per bracci di trattamento scarsi.
• Garanzie Teoriche: Dimostrazione formale che la SP-CCI raggiunge una copertura marginale ad alta probabilità (controllata dal parametro $\delta$) sia sotto pesatura di importanza esatta che approssimata. Il documento distingue questo aspetto dalla copertura marginale incondizionata della CCI standard, offrendo un meccanismo di controllo "di interruzione" regolabile.
• Efficienza: Dimostrazione teorica ed empirica che la SP-CCI produce intervalli di previsione significativamente più stretti rispetto alla CCI standard e al framework GESPI (Bashari et al., 2025), in particolare quando sono disponibili generatori sintetici di alta qualità.

4. Risultati Sperimentali

Gli autori hanno valutato la SP-CCI su dati sintetici (seguendo Lei e Candès, 2021) e sul dataset semi-sintetico IHDP (Hill, 2011), confrontandola con la CCI standard e la GESPI.

• Dati Sintetici: La SP-CCI ha prodotto costantemente intervalli di previsione più stretti rispetto a CCI e GESPI, mantenendo le garanzie di copertura richieste. La larghezza dell'intervallo è diminuita all'aumentare della qualità del modello generativo controfattuale (Bassa/Media/Alta Qualità).
• Dataset IHDP:
  • La SP-CCI ha raggiunto una Larghezza Media dell'Intervallo di Previsione (APIW) di 3,52 (con etichette sintetiche di Alta Qualità) rispetto a 20,24 per la CCI standard.
  • Sebbene la GESPI con una guardia rilassata potesse produrre intervalli più stretti, ha sofferto di un alto Tasso di Violazione della Copertura (CVR) del 42% quando resa più stringente, rendendola inadatta a scenari ad alto rischio. La SP-CCI ha mantenuto un CVR basso (2–6%) in tutte le varianti.
  • Il metodo ha sfruttato con successo un modello pre-addestrato LLaMA-2-13B come fonte generativa, ottenendo prestazioni competitive nonostante il modello fosse stato addestrato al di fuori del dataset specifico, dimostrando robustezza rispetto agli spostamenti di distribuzione.
• Esperimenti Aggiuntivi:
  • Valutazione delle Politiche: In uno scenario di handover wireless, la SP-CCI ha fornito una quantificazione delle prestazioni più precisa (intervalli più stretti) per politiche fisse rispetto alla CCI.
  • Squilibrio Estremo: Sul dataset Twins con squilibrio estremo nel trattamento (63 trattati contro 11.921 unità di controllo), la CCI ha prodotto intervalli quasi 20 volte più ampi rispetto alla SP-CCI per mantenere la copertura. La SP-CCI ha mantenuto una copertura vicina all'obiettivo con intervalli significativamente più stretti.

5. Significato e Affermazioni

Il documento afferma che la SP-CCI rappresenta un passo significativo in avanti nel rendere l'inferenza controfattuale conforme pratica per dataset sbilanciati. Sfruttando efficacemente i dati sintetici senza compromettere la validità statistica, il metodo affronta la "maledizione della dimensionalità" e la scarsità di dati intrinseche all'inferenza causale per trattamenti rari.

Gli autori sottolineano che la SP-CCI offre un compromesso regolabile tra larghezza dell'intervallo e affidabilità della copertura tramite il parametro $\delta$, una caratteristica assente nella CCI incondizionata standard. Il lavoro dimostra che dati sintetici di alta qualità, se opportunamente debiasati, possono migliorare drasticamente l'efficienza dell'inferenza causale, rendendola più applicabile a domini reali come la medicina personalizzata e la valutazione delle politiche, dove i dati di trattamento sono spesso scarsi.

Il documento conclude con modestia, notando che estensioni a trattamenti multi-braccio, trattamenti continui e scenari in cui nessuno dei due esiti potenziali è osservato rimangono problemi aperti per lavori futuri.