Nonparametric efficient estimation of the longitudinal front-door functional

1. Il Problema

Il documento affronta la sfida della stima causale in scenari longitudinali (dati osservati nel tempo) dove esistono fattori di confondimento non misurati tra l'esposizione ($A$) e l'esito ($Y$).

• Limiti del Back-Door: Il criterio standard "back-door" per l'identificazione causale fallisce in presenza di tali confonditori non misurati.
• Il Criterio Front-Door: La soluzione proposta si basa sul criterio "front-door" di Pearl (1995), che richiede l'esistenza di una variabile intermedia (mediatore, $M$) che:
  1. Medii completamente l'effetto dell'esposizione sull'esito.
  2. Non sia influenzata dai confonditori non misurati.
• La Lacuna Esistente: Sebbene il criterio front-door sia stato esteso al setting longitudinale da Sjölander e Bellocco (2013), la letteratura mancava di tecniche di stima adeguate oltre a un semplice stimatore "plug-in". Quest'ultimo è problematico perché richiede la stima di densità di probabilità ad alta dimensionalità (il mediatore può essere multidimensionale) e calcoli di integrali complessi, portando alla "maledizione della dimensionalità". Inoltre, gli stimatori esistenti non erano efficienti o robusti in modo non parametrico.

2. Metodologia

Gli autori sviluppano stimatori efficienti e non parametrici per il funzionale front-door longitudinale.

A. Identificazione e Rappresentazione

• Funzionale di Identificazione (F-functional): Viene definita la formula di identificazione per la media dell'esito sotto un'intervento specifico $\Psi(\bar{a}_T)$, basata su assunzioni di consistenza, indipendenza condizionale (nessun effetto diretto non mediato e mediatore non confuso) e positività sequenziale.
• Interpretazioni Alternative: Il paper discute come il funzionale possa essere interpretato come l'effetto indiretto della popolazione (PIIE) anche in presenza di effetti diretti, sotto diverse assunzioni di scambiabilità.
• Rappresentazioni: Vengono esplorate rappresentazioni basate su pesi di probabilità inversa (IPW) e regressione sequenziale, ma queste sono scartate per la stima finale perché non sono robuste agli errori di specificazione dei modelli di disturbo (nuisance models) e non supportano bene metodi adattivi ai dati.

B. Funzione di Influenza Efficiente (EIF)

Il cuore della metodologia è la derivazione della Funzione di Influenza Efficiente (EIF) per il funzionale front-door longitudinale. L'EIF è un oggetto chiave nella teoria semiparametrica che caratterizza il limite di efficienza asintotica.

• L'EIF è scomposta in termini che coinvolgono:
  • La densità condizionata del mediatore (o il suo rapporto).
  • Le probabilità di trattamento (propensity scores).
  • Le aspettative condizionate dell'esito e dei mediatori futuri.
• Riparametrizzazione della Densità: Un contributo tecnico cruciale è la riparametrizzazione del rapporto di densità del mediatore ($H$) usando il teorema di Bayes. Invece di stimare direttamente la densità condizionata $g_t(M_t | \dots)$, che è difficile per mediatori ad alta dimensionalità, si stima un rapporto di probabilità condizionale che può essere modellato tramite regressione binaria (o metodi di apprendimento automatico), evitando la stima diretta della densità.

C. Proposti Stimatori

Sulla base dell'EIF, vengono proposti due stimatori:

1. Stimatore One-Step: Risolve l'equazione di stima ponendo la media empirica dell'EIF stimata a zero. È semplice ma può produrre stime fuori dallo spazio dei parametri e non è un "substitution estimator".
2. Targeted Minimum Loss-Based Estimator (TMLE): Un metodo di sostituzione che aggiorna gli stimatori iniziali delle funzioni di disturbo (nuisance functions) lungo una "sotto-modello sfavorevole" (least favorable submodel) per minimizzare la perdita.
   • Garantisce che le stime rimangano all'interno dello spazio dei parametri (es. probabilità tra 0 e 1).
   • Risolve l'equazione dell'EIF in modo iterativo.

D. Proprietà Asintotiche e Robustezza

• Robustezza Multipla (Multiply Robust): Gli stimatori sono consistenti se alcune combinazioni dei modelli di disturbo sono corretti (es. se il modello del mediatore e quello del trattamento sono corretti, OPPURE se il modello dell'esito e quello del trattamento sono corretti, ecc.).
• Inferenza Validata: Gli stimatori sono asintoticamente lineari e normali, permettendo la costruzione di intervalli di confidenza validi anche quando le funzioni di disturbo sono stimate utilizzando metodi adattivi ai dati (Machine Learning, Super Learner), purché soddisfino certe condizioni di velocità di convergenza (es. $o(n^{-1/4})$).

3. Risultati Chiave

Studio di Simulazione

Gli autori hanno condotto simulazioni su quattro diversi meccanismi di generazione dati (mediatori binari o continui, con o senza effetti diretti).

• Bias: Gli stimatori One-Step e TMLE mostrano un bias che converge a zero alla velocità $\sqrt{n}$, a differenza degli stimatori IPW e di regressione sequenziale che non convergono correttamente in scenari complessi.
• Robustezza: Gli stimatori proposti rimangono non distorti anche quando alcuni modelli di disturbo sono specificati in modo errato (scenari di robustezza multipla), confermando la teoria.
• Efficienza: Il TMLE mostra generalmente un errore quadratico medio (MSE) inferiore rispetto allo stimatore One-Step in campioni finiti, grazie alla sua natura di stimatore di sostituzione.
• Copertura: Gli intervalli di confidenza al 95% hanno una copertura vicina al livello nominale quando i modelli sono corretti o parzialmente errati (ma robusti), mentre collassano quando tutti i modelli sono errati.

Applicazione Reale: Trial sull'Allergia alle Arachidi

Il metodo è stato applicato ai dati del trial randomizzato di Du Toit et al. (2015) sull'assunzione di arachidi nei neonati.

• Contesto: Valutare l'effetto causale del consumo di arachidi sullo sviluppo di allergia, dove l'aderenza al trattamento è influenzata da fattori non misurati.
• Mediatori: Livelli sierici di anticorpi (IgE, IgG, IgG4) misurati nel tempo.
• Risultati:
  • L'effetto causale medio (ACE) stimato è negativo, indicando che il consumo di arachidi ha un effetto protettivo rispetto all'evitamento.
  • L'effetto di intervento sulla popolazione (PIE) conferma che l'assunzione di arachidi riduce il rischio rispetto al rischio osservato.
  • Le stime ottenute con TMLE e One-Step sono quasi identiche, validando l'applicabilità del metodo su dati reali complessi.

4. Contributi Principali

1. Prima stima non parametrica efficiente: È il primo lavoro a derivare stimatori efficienti per il funzionale front-door in setting longitudinali, superando i limiti dello stimatore plug-in.
2. Gestione di mediatori ad alta dimensionalità: La riparametrizzazione del rapporto di densità permette di gestire mediatori continui e multidimensionali senza dover stimare densità complesse direttamente.
3. Integrazione con Machine Learning: Il metodo permette l'uso di algoritmi di apprendimento automatico (Super Learner) per stimare le funzioni di disturbo, garantendo comunque inferenza asintoticamente valida e robustezza multipla.
4. Estensione del TMLE: Adattamento del TMLE al contesto front-door longitudinale, offrendo un'alternativa robusta e stabile rispetto agli stimatori One-Step.

5. Significato e Implicazioni

Questo lavoro colma un vuoto significativo nella letteratura di inferenza causale. Fornisce agli epidemiologi e agli statistici strumenti pratici per identificare effetti causali in scenari osservazionali complessi dove i confonditori non misurati rendono inutilizzabile il criterio back-door.
La capacità di gestire mediatori multidimensionali e di utilizzare metodi di Machine Learning rende questa metodologia particolarmente rilevante per le scienze biomediche moderne, dove i dati sono spesso ad alta dimensionalità e le relazioni causali sono intricate. L'applicazione al trial sulle arachidi dimostra la fattibilità pratica del metodo su dati reali, aprendo la strada a nuove applicazioni in studi longitudinali su farmaci, esposizioni ambientali e interventi comportamentali.