A Sensitivity Approach to Causal Inference Under Limited Overlap

1. Il Problema: Limitata Sovrapposizione (Limited Overlap)

Nell'analisi osservazionale, un problema fondamentale è la mancanza di sovrapposizione (lack of overlap) tra i gruppi trattati e di controllo. Anche con dataset nominalmente grandi, se esistono regioni dello spazio delle covariate dove la probabilità di ricevere il trattamento (punteggio di propensione, $\pi(x)$) è vicina a 0 o 1, la dimensione del campione effettivo diventa proibitivamente piccola.

• Conseguenze: Gli stimatori standard (come IPW o AIPW) diventano instabili, con varianze elevate e intervalli di confidenza che possono "esplodere".
• Pratica corrente: Per stabilizzare gli stimatori, i ricercatori applicano spesso tecniche di trimming (taglio) o re-weighting, eliminando le unità con punteggi di propensione estremi.
• Il difetto del trimming: Sebbene il trimming riduca la varianza, modifica l'estimando (il parametro che si stima) introducendo un bias fondamentale. Le unità tagliate vengono ignorate, e le conclusioni si basano su estrapolazioni non verificate. Gli intervalli di confidenza asintotici standard falliscono silenziosamente in queste regioni, portando a conclusioni contraddittorie o spurie.

2. Metodologia Proposta

Gli autori propongono un framework di sensibilità che quantifica l'incertezza e il bias introdotti dal trimming, senza affidarsi a normali asintotiche che non sono valide in caso di scarsa sovrapposizione.

A. Decomposizione dell'Estimando

L'effetto medio del trattamento (ATE) $\tau$ viene scomposto in due parti:

1. $\tau_+$ (Regione di sovrapposizione): Le unità con punteggi di propensione sufficientemente bilanciati ($q(x) \ge \epsilon$). Qui si possono usare metodi asintotici standard (es. AIPW parziale).
2. $\tau_-$ (Regione di non-sovrapposizione): Le unità tagliate dal trimming ($q(x) < \epsilon$). Qui l'inferenza richiede un approccio conservativo.

B. Inferenza Minimax su Regioni di Non-Sovrapposizione

Per stimare $\tau_-$, gli autori adottano un approccio minimax basato sul lavoro di Donoho [13] e Armstrong & Kolesár [4]:

• Ipotesi di regolarità: Si assume che la funzione di risultato potenziale $f(x, z)$ appartenga a una classe di funzioni lisce, specificamente funzioni Lipschitziane con costante $L$.
• Stimatore: Si costruisce uno stimatore affine che minimizza la lunghezza dell'intervallo di confidenza nel caso peggiore (worst-case) su tutte le funzioni ammissibili nella classe Lipschitziana.
• Vantaggio: Questo approccio fornisce garanzie di copertura finite (non asintotiche) e quantifica il bias massimo possibile derivante dall'extrapolazione dai dati osservati.

C. Analisi di Sensibilità e Contestualizzazione

Invece di fissare arbitrariamente la costante di regolarità $L$ (che è difficile da giustificare), il framework introduce una analisi di sensibilità:

• Si varia $L$ (o il suo equivalente percentile $p$) per osservare come cambiano gli intervalli di confidenza.
• Contestualizzazione dei dati: La costante $L$ viene stimata empiricamente utilizzando i dati nella regione di sovrapposizione (dove l'interpolazione è affidabile). Si calcola il $p$-esimo quantile del rapporto tra la differenza dei risultati stimati e la distanza delle covariate ($\frac{|\hat{\mu}(x_i) - \hat{\mu}(x_j)|}{\|x_i - x_j\|}$).
• Questo permette di tradurre ipotesi astratte di regolarità in diagnostiche interpretabili basate sui dati.

D. Intervalli Ibridi

Per ottenere un intervallo di confidenza valido per l'ATE completo ($\tau$), gli autori combinano l'intervallo asintotico per $\tau_+$ e l'intervallo minimax per $\tau_-$ utilizzando un limite di unione (union bound), ottenendo un intervallo ibrido ($MP_{combine}$) che è più stretto dell'approccio minimax puro ma più robusto dell'approccio asintotico puro.

3. Contributi Chiave

1. Framework di Sensibilità: Un metodo sistematico per valutare quanto deve essere "irregolare" la funzione di risultato affinché le conclusioni principali (ottenute tramite trimming) vengano invalidate.
2. Garanzie Non-Asintotiche: Fornisce intervalli di confidenza validi in campioni finiti, anche quando le assunzioni di sovrapposizione forte falliscono.
3. Diagnostica del Bias: Permette di quantificare esplicitamente il bias introdotto dalle pratiche standard di trimming, trasformando un problema di "scelta arbitraria" in una valutazione di incertezza continua.
4. Guida alla Raccolta Dati: Il framework può essere utilizzato per guidare la raccolta di nuovi dati (es. in esperimenti adattivi), identificando quali regioni dello spazio delle covariate richiedono più dati per ridurre l'incertezza dell'extrapolazione.

4. Risultati Sperimentali

Gli autori hanno testato il metodo su dati simulati e sul dataset reale PennUI (Pennsylvania Reemployment Bonus Demonstration).

• Simulazioni: Hanno dimostrato che gli stimatori AIPW parziali (con trimming) falliscono nel coprire il vero effetto del trattamento man mano che la regione di non-sovrapposizione aumenta. Al contrario, il loro metodo ($MP$) mantiene una copertura del 100% per la parte di estimando non sovrapposta.
• Efficienza: Rispetto all'approccio minimax applicato all'intero dataset (che è eccessivamente conservativo e produce intervalli larghi), il loro metodo ibrido produce intervalli significativamente più stretti mantenendo la validità della copertura.
• Studio di Caso (PennUI): In un contesto di dati osservazionali simulati da un esperimento randomizzato, il metodo ha identificato correttamente l'instabilità delle stime standard e ha fornito intervalli di confidenza che riflettevano realisticamente l'incertezza dovuta alla scarsa sovrapposizione.
• Guida alla Raccolta Dati: Nelle simulazioni di raccolta dati, il loro metrico ha correttamente identificato quale strategia di campionamento (Option 2 vs Option 1) avrebbe ridotto l'incertezza di extrapolazione, superando le metriche basate solo sui punteggi di propensione.

5. Significato e Implicazioni

Questo lavoro offre un cambio di paradigma nell'inferenza causale con dati osservazionali:

• Trasparenza: Sposta il focus dal tentativo di ottenere un singolo punto stimato "perfetto" alla quantificazione onesta dell'incertezza nelle regioni dove i dati sono scarsi.
• Decisioni Informate: Permette ai ricercatori e ai policy-maker di decidere se fidarsi, aggiustare o reinterpretare le conclusioni basate su dati con limitata sovrapposizione, in base alla plausibilità delle assunzioni di regolarità (smoothness).
• Robustezza: Fornisce uno strumento pratico per evitare conclusioni spurie derivanti da estrapolazioni non supportate dai dati, rendendo l'analisi causale più affidabile in scenari reali complessi e ad alta dimensionalità.

In sintesi, il paper propone un ponte tra l'inferenza asintotica classica (efficiente ma fragile) e l'inferenza minimax (robusta ma conservativa), offrendo un approccio ibrido che sfrutta la forza dei dati dove esistono e gestisce l'incertezza in modo rigoroso dove i dati mancano.