Sintesi Tecnica: Un Framework di Analisi di Sensibilità per l'Inferenza Causale sotto Interferenza

1. Definizione del Problema

Nell'inferenza causale, l'assunto di assenza di interferenza (la Stable Unit Treatment Value Assumption, o SUTVA) postula che l'esito di un'unità dipenda esclusivamente dal proprio trattamento. Tuttavia, in molte applicazioni, come gli studi sulle malattie infettive, il trattamento ricevuto da un'unità può influenzare l'esito di un'altra unità, un fenomeno noto come interferenza o effetti di spillover. Ignorare l'interferenza porta a un bias sistematico che non può essere mitigato aumentando la dimensione del campione.

La letteratura esistente sull'interferenza spesso assume che tutti i confonditori rilevanti siano osservati e che la popolazione dello studio sia rappresentativa della popolazione target. Tuttavia, i professionisti si trovano frequentemente di fronte a tre sfide simultanee:

1. Interferenza Ignorata: Mancato aggiustamento per gli effetti di spillover.
2. Confondimento Non Misurato: Presenza di variabili non osservate che influenzano sia il trattamento che l'esito.
3. Mancanza di Trasportabilità: L'impossibilità di generalizzare i risultati causali da una popolazione di riferimento a una popolazione target a causa di differenze nelle distribuzioni delle covariate o nei meccanismi di trattamento.

Gli attuali framework di analisi di sensibilità affrontano tipicamente questi problemi in isolamento. Ad esempio, mentre VanderWeele et al. (2015) hanno sviluppato un framework per il confondimento non misurato sotto interferenza, esso non tiene conto dell'interferenza ignorata o della trasportabilità. Allo stesso modo, Forastiere et al. (2021) discutono il bias derivante da questi fattori, ma mancano di un approccio strutturato di analisi di sensibilità con parametri interpretabili per i professionisti. Questo articolo affronta la lacuna proponendo un framework unificato per valutare il bias sistematico derivante dalla combinazione di queste tre complessità.

2. Metodologia

2.1 Framework e Assunti

Gli autori adottano il framework dei potenziali esiti sotto interferenza di vicinato. Introducono una Mappatura dell'Esposizione dell'Esito (Assunto 1), dove una funzione scalare $g_i(\mathbf{A}_{N_i})$ riassume i trattamenti dei vicini di un'unità, riducendo la dimensionalità dei potenziali esiti. L'esito osservato $Y$ è collegato ai potenziali esiti tramite un assunto di consistenza (Assunto 2).

Per gestire il confondimento non misurato e la trasportabilità, gli autori rilassano gli standard di identificazione:

• Debole Scambiabilità Condizionale (Assunto 5): Permette la presenza di confonditori non osservati ($U$) ma assume l'indipendenza condizionale date le covariate osservate ($X$) e i confonditori non osservati. Fondamentalmente, ciò richiede di condizionare sulle cause comuni del trattamento personale ($A$) e del trattamento di vicinato ($G$), nonché sulle cause comuni di $A$ e dell'indicatore di popolazione ($S$).
• Ignorabilità Condizionale del Campionamento (Assunto 7): Permette differenze non osservate tra la popolazione di riferimento ($S=1$) e la popolazione target ($S=2$), a condizione che, dato $G$ e specifiche covariate, il campionamento sia ignorabile.

2.2 Decomposizione del Bias tramite Errori di Ponderazione

La metodologia centrale consiste nel confrontare uno stimatore "naïve" (che ignora l'interferenza, il confondimento non misurato e i problemi di trasportabilità) rispetto alle formule di identificazione reali derivate sotto gli assunti rilassati. Gli autori definiscono due tipi di errori di ponderazione:

1. Errore Moltiplicativo nei Pesi (MEW, $\varepsilon_a$): Il rapporto tra il vero propensity score (condizionando su tutti i rilevanti $X$ e $U$) e il pseudo-propensity score (condizionando solo sugli $X_{AY}$ osservati). Questo cattura il bias derivante dall'interferenza ignorata e dal confondimento non misurato.
2. Errore di Differenza nei Pesi (DEW, $\tilde{\varepsilon}_S$): Un termine che rappresenta la differenza tra il peso di campionamento naïve (1) e il vero peso di campionamento richiesto per la trasportabilità. Questo cattura il bias derivante dalla mancanza di trasportabilità.

2.3 Parametri di Sensibilità

Il bias è decomposto in una somma di termini di covarianza, ciascuno espresso come il prodotto di un coefficiente di correlazione e due deviazioni standard. Questi componenti fungono da parametri di sensibilità che i professionisti possono specificare in base alla conoscenza del dominio:

• Per l'Interferenza/Confondimento (Termini T1 & T2):
  • $\sigma_{Y(a,0)}$: Deviazione standard degli esiti potenziali di base.
  • $\sigma_{\varepsilon_a}$: Variabilità dei punteggi MEW (riflettendo la forza del confondimento/interferenza ignorata).
  • $\rho_{Y(a,0), \varepsilon_a}$: Correlazione tra gli esiti di base e gli errori di ponderazione.
  • $\sigma_{\gamma(a)}$: Variabilità degli effetti di spillover individuali naturali.
  • $\rho_{\gamma(a), \varepsilon_a}$: Correlazione tra gli effetti di spillover e gli errori di ponderazione.
• Per la Trasportabilità (Termini T3 & T4):
  • $\sigma_{\tau(0)}$: Variabilità degli effetti diretti controllati.
  • $\sigma_{\tilde{\varepsilon}_S}$: Variabilità dei punteggi DEW.
  • $\rho_{\tau(0), \tilde{\varepsilon}_S}$: Correlazione tra gli effetti diretti e i pesi di campionamento.
  • $\sigma_{\gamma(1)-\gamma(0)}$: Variabilità della differenza negli effetti di spillover.
  • $\rho_{\gamma(1)-\gamma(0), \tilde{\varepsilon}_S}$: Correlazione tra le differenze di spillover e i pesi di campionamento.

Gli autori forniscono linee guida per delimitare questi parametri (ad esempio, usando l'ineguaglianza di Popoviciu per i limiti degli esiti o l'ineguaglianza di Bhatia-Davis per i limiti dei pesi) e suggeriscono di impostare i segni delle correlazioni per massimizzare il bias per gli scenari peggiori.

2.4 Estensione agli Esiti Potenziali Non Definiti

L'articolo estende il framework a contesti in cui i potenziali esiti sono indefiniti per le unità con un numero insufficiente di vicini (ad esempio, un'unità con 0 vicini non può sperimentare un trattamento di vicinato di 2). Introducendo una variabile $N$ per il numero di vicini e condizionando l'analisi su $N$, gli autori derivano formule di identificazione e decomposizioni del bias (Teorema 3) che rimangono valide anche quando il dominio della mappatura dell'esposizione varia per unità.

3. Risultati Chiave

• Teorema 1 (Decomposizione del Bias per $\phi_1$): Il bias di uno stimatore naïve per l'effetto medio del trattamento naturale nella popolazione di riferimento è scomposto in due parti:
  • T1: Covarianza tra i punteggi MEW e gli esiti potenziali di base (guidata dal confondimento non misurato e dal livello di base dell'interferenza).
  • T2: Covarianza tra i punteggi MEW e gli effetti di spillover naturali. Questo termine evidenzia che anche se mancano cause comuni di $A$ e $G$, il confondimento non misurato può comunque indurre bias se correla con l'eterogeneità degli effetti di spillover.
• Teorema 2 (Decomposizione del Bias per $\phi_2$): Il bias per l'effetto medio del trattamento naturale trasportato è la somma del bias per $\phi_1$ più due termini aggiuntivi:
  • T3: Covarianza tra i punteggi DEW e gli effetti diretti controllati.
  • T4: Covarianza tra i punteggi DEW e la differenza negli effetti di spillover tra i bracci di trattamento.
• Corollari: L'articolo dimostra che se la distribuzione marginale del trattamento di vicinato ($G$) è identica tra le popolazioni, il bias di trasportabilità svanisce. Mostra inoltre che in assenza di interferenza, il framework si riduce ai metodi esistenti di analisi di sensibilità per la trasportabilità (ad esempio, Huang, 2024).
• Teorema 3: Estende la decomposizione del bias a scenari con esiti potenziali non definiti, mostrando che la struttura del bias rimane simile ma richiede il condizionamento sul numero di vicini.

4. Significato e Contributi

L'articolo sostiene di essere il primo a sviluppare un framework di analisi di sensibilità completo che tenga conto simultaneamente di interferenza ignorata, confondimento non misurato e mancanza di trasportabilità.

• Novità: A differenza dei lavori precedenti che trattano questi problemi separatamente o richiedono assunti forti sul processo generatore dell'esito o sulla distribuzione dei confonditori non osservati, questo framework si basa su una decomposizione del bias basata sulla ponderazione che è robusta a varie complessità dei dati.
• Utilità Pratica: Parametrizzando il bias attraverso parametri di sensibilità facilmente interpretabili (correlazioni e deviazioni standard), il framework permette ai professionisti di valutare quanto i loro risultati siano robusti alle violazioni degli assunti standard. Consente ai ricercatori di valutare la forza dell'interferenza o del confondimento necessaria per alterare le loro conclusioni.
• Generalizzazione: La metodologia generalizza i precedenti risultati basati sulla ponderazione (ad esempio, Shen et al., 2011; Hong et al., 2021) ed estende essi al complesso contesto di interferenza e trasportabilità.
• Gestione degli Esiti Non Definiti: L'estensione agli esiti potenziali non definiti affronta una lacuna teorica critica nella letteratura sull'interferenza, riconoscendo che non tutti i potenziali esiti sono ben definiti per ogni unità.

In sintesi, l'articolo fornisce un approccio strutturato, flessibile e teoricamente fondato per i professionisti per valutare il bias sistematico nelle stime causali quando interferenza, confondimento non misurato e problemi di trasportabilità sono presenti ma non osservati o non aggiustati nei dati.