Double Machine Learning of Continuous Treatment Effects with General Instrumental Variables

Questo articolo propone un nuovo quadro metodologico basato sul Double Machine Learning e su variabili strumentali generali per stimare gli effetti causali di trattamenti continui, permettendo di identificare le funzioni di risposta alla dose media in presenza di confondimento non osservato attraverso l'uso di funzioni di ponderazione regolari e l'adattamento dei dati.

L'essenziale

Immagina di voler capire quanto vale davvero un'istruzione in termini di guadagno. La domanda è: "Se una persona studia un anno in più, quanto aumenta il suo stipendio?"

In un mondo perfetto, potremmo prendere due persone identiche in tutto (stessa famiglia, stessa intelligenza, stessa fortuna) e dare a una un anno di scuola in più. Ma nella realtà, non possiamo fare questo esperimento. Le persone che studiano di più spesso provengono da famiglie ricche o sono più motivate. Questi fattori nascosti (che chiamiamo "confondenti") distorcono la nostra visione: pensiamo che la scuola faccia guadagnare di più, quando in realtà potrebbe essere la ricchezza della famiglia a fare la differenza.

Questo è il problema che Shuyuan Chen, Peng Zhang e Yifan Cui risolvono nel loro articolo.

Ecco la loro soluzione spiegata con parole semplici e metafore creative.

1. Il Problema: Il "Fumo" che Nasconde la Verità

Immagina di voler misurare l'effetto di un farmaco (il trattamento) sulla salute (il risultato). Ma c'è del "fumo" (i confondenti non osservati) che rende difficile vedere se è il farmaco a funzionare o se il paziente stava già meglio.
Nella statistica classica, se non vedi il fumo, non puoi fare nulla. Ma gli autori dicono: "Aspetta, abbiamo una variabile strumentale (IV)".

La metafora del "Faro":
Immagina che il trattamento (anni di studio) sia una nave in mezzo alla nebbia. Non vediamo la corrente nascosta (i confondenti) che spinge la nave. Ma abbiamo un faro (la variabile strumentale, ad esempio la densità di scuole in una zona).
Il faro non spinge direttamente la nave (non aumenta lo stipendio direttamente), ma la sua luce influenza dove la nave decide di andare (influenza la scelta di studiare). Se il faro è abbastanza potente e "strano" (non correlato alla corrente nascosta), possiamo usare il suo segnale per capire quanto la nave si muove davvero a causa della sua rotta, ignorando la corrente nascosta.

2. La Sfida: Non è un "Tutto o Niente"

Fino a poco tempo fa, gli statistici pensavano che per usare questo "faro" dovessimo trovare un unico faro che funzionasse per tutti i livelli di istruzione (dai 6 ai 20 anni).
Gli autori scoprono che questo è impossibile. È come cercare un unico abito che calzi perfettamente sia a un bambino di 5 anni che a un adulto di 40. Non esiste.

La soluzione: La "Mappa a Pezzi" (Copertura Finita)
Invece di cercare un abito unico, gli autori propongono di dividere il mondo in piccoli "quartieri" (insiemi aperti).

• Nel quartiere dei "6-8 anni", usiamo un faro specifico (un peso matematico) che funziona bene lì.
• Nel quartiere dei "12-14 anni", usiamo un faro diverso.
• Nel quartiere dei "16-18 anni", ne usiamo un altro ancora.

Chiamano questi "pesi" Funzioni di Ponderazione Regolare (RWF). L'idea geniale è che non serve un faro globale perfetto; basta averne uno che funzioni bene in ogni piccolo pezzo della mappa, e poi unire i pezzi come un puzzle.

3. Il Motore: L'Intelligenza Artificiale "Onesta" (Double Machine Learning)

Una volta diviso il problema in pezzi piccoli, come calcoliamo il risultato? Usano una tecnica chiamata Double Machine Learning (DML).

La metafora del "Giudice e l'Avvocato":
Immagina di dover giudicare un caso.

1. L'Avvocato A (un algoritmo di Machine Learning) cerca di prevedere quanto guadagnerà una persona basandosi solo sulle sue caratteristiche visibili (età, sesso, ecc.).
2. L'Avvocato B (un altro algoritmo) cerca di prevedere quanto studierà una persona basandosi sugli stessi dati.
3. Il Giudice (l'algoritmo principale) non guarda le previsioni degli avvocati, ma guarda solo l'errore che hanno fatto. Se l'Avvocato A ha sbagliato a prevedere il guadagno e l'Avvocato B ha sbagliato a prevedere lo studio, il Giudice usa queste "sorpresse" per calcolare l'effetto reale della scuola.

Questo sistema è "debiased" (corretto dai pregiudizi) perché se uno degli avvocati sbaglia, l'altro può compensare l'errore. È come avere due testimoni che si controllano a vicenda per non mentire.

4. Cosa hanno scoperto?

Hanno applicato questo metodo a un vero dataset sugli anni di istruzione e gli stipendi negli USA.

• Risultato: Hanno scoperto che l'istruzione aumenta gli stipendi, ma c'è un "punto di svolta". Fino a circa 12 anni di studio, ogni anno in più paga molto. Dopo i 12 anni, l'effetto extra diminuisce leggermente.
• Confronto: I metodi vecchi (che ignoravano il "fumo" nascosto) davano stime più stabili ma probabilmente sbagliate (sovrastimavano il guadagno). Il loro nuovo metodo, usando il "faro", dà stime più oneste, anche se un po' più "nervose" (più variabili), perché sta guardando la verità nascosta.

In Sintesi

Questo articolo è come un manuale per costruttori di ponti.
Prima, pensavamo di poter costruire un unico ponte enorme per attraversare il fiume della causalità. Gli autori dicono: "No, il fiume è troppo largo e profondo per un ponte solo. Costruiamo invece tanti piccoli ponti di legno, ognuno solido per il suo tratto specifico, e poi li uniamo".
Usando l'intelligenza artificiale per controllare i difetti di ogni piccolo ponte, riescono a misurare con precisione quanto vale davvero un'istruzione, anche quando ci sono segreti nascosti che gli altri non vedono.

È un lavoro che trasforma la statistica da "scommessa su ciò che vediamo" a "indagine scientifica su ciò che è nascosto".

Sommario tecnico

1. Il Problema

L'articolo affronta la sfida di stimare gli effetti causali di trattamenti continui (ad esempio, la relazione dose-risposta tra anni di istruzione e reddito) in presenza di confondenti non osservati (unmeasured confounding).

• Limitazione degli approcci esistenti: La maggior parte dei metodi classici (come il propensity score generalizzato) assume che tutti i confondenti siano osservati (assenza di confondimento non misurato, NUC). In scenari reali, questa assunzione è spesso violata.
• Limitazione degli IV esistenti: Sebbene le Variabili Strumentali (IV) siano lo strumento standard per gestire il confondimento non osservato, la letteratura si è concentrata principalmente su trattamenti discreti o binari. Esiste una carenza significativa di metodi non parametrici per stimare le funzioni di risposta alla dose media (ADRF) per trattamenti continui utilizzando IV generali.
• Sfida specifica: Gli IV binari tradizionali spesso falliscono nel soddisfare le condizioni di rilevanza necessarie per identificare l'ADRF in contesti continui, poiché le densità condizionate tendono a intersecarsi, rendendo l'identificazione impossibile in alcuni punti del supporto del trattamento.

2. Metodologia Proposta

Gli autori propongono un nuovo quadro teorico e pratico basato sul Double Machine Learning (DML) e sulla teoria semiparametrica.

A. Identificazione e Nuovi Concetti Teorici

Per identificare l'ADRF $\theta(a) = E[Y(a)]$ in presenza di confondimento non osservato, gli autori introducono:

1. Funzione di Ponderazione Regolare (RWF - Regular Weighting Function): Una funzione $\pi(Z, L)$ tale che la sua varianza condizionata al trattamento sia limitata inferiormente da zero. Questo garantisce che lo strumento $Z$ abbia un'influenza non trascurabile sul trattamento $A$.
2. Funzione di Ponderazione Regolare Uniforme (URWF): Poiché una singola RWF potrebbe non esistere per l'intero spazio del trattamento continuo (come dimostrato teoricamente), gli autori propongono di coprire il supporto del trattamento con un finito numero di insiemi aperti. Su ciascun insieme, esiste una URWF comune.
3. Variabile Strumentale Additiva (AIV - Additive IV): Una condizione sulla struttura del modello di trattamento che richiede che la densità condizionata $p(A|Z, U, L)$ sia separabile in una somma di una funzione di $U, L$ e una funzione di $Z, L$. Questa condizione è cruciale per l'identificazione non parametrica.

B. Stima e Algoritmo

Il metodo di stima si articola in tre fasi principali:

1. Costruzione dello Score AIPW (Augmented Inverse Probability Weighting):
   Gli autori derivano una funzione di punteggio AIPW che gode della proprietà di bias misto (mixed-bias property). Questo significa che l'errore di stima è di ordine superiore rispetto agli errori di stima delle funzioni di disturbo (nuisance functions), permettendo l'uso di algoritmi di machine learning flessibili (non parametrici) senza sacrificare la consistenza asintotica.
   $$\phi_\pi(O) \approx \text{Score AIPW}$$
   Tale punteggio ha la proprietà che la sua aspettativa condizionata al trattamento è esattamente l'ADRF quando l'IV è valido.

2. Cross-Fitting:
   Per evitare l'overfitting e garantire la validità asintotica quando si usano modelli di machine learning complessi per stimare le funzioni di disturbo, viene implementato un procedimento di cross-fitting (dividendo i dati in $K$ fold).

3. Stima Non Parametrica Locale (LLKR):
   Una volta calcolati i punteggi AIPW, l'ADRF viene stimata localmente utilizzando la Regressione a Kernel Lineare Locale (LLKR).

   • Poiché una URWF globale potrebbe non esistere, l'approccio utilizza diverse URWF per diverse regioni del trattamento, coprendo l'intero spazio tramite un rivestimento finito.
   • Viene proposto un algoritmo di test per verificare se una specifica funzione di ponderazione soddisfa la condizione di RWF in una data regione.

3. Contributi Chiave

• Quadro Generale per IV e Trattamenti Continui: È uno dei primi lavori a fornire un framework completo per l'identificazione e la stima non parametrica dell'ADRF con IV generali, superando le limitazioni degli IV binari.
• Copertura Finita e URWF: L'introduzione del concetto di coprire lo spazio del trattamento con un numero finito di insiemi, ciascuno con la propria URWF, risolve il problema teorico dell'inesistenza di una URWF globale per intervalli continui.
• Score AIPW con Proprietà di Bias Misto: La derivazione di una funzione di punteggio che mantiene la consistenza anche quando le funzioni di disturbo sono stimate con velocità di converzione lente (tipiche del ML), garantendo la convergenza alla velocità ottimale ($n^{-2/5}$).
• Guida Pratica e Testing: Fornisce procedure concrete per:
  • Costruire empiricamente le URWF.
  • Testare statisticamente la validità della condizione RWF (Algoritmo 3.2 e 3.3).
  • Selezionare la bandwidth in modo adattivo.

4. Risultati

• Proprietà Asintotiche: Gli autori dimostrano che lo stimatore proposto converge alla velocità minimax ottimale ($O_p(n^{-2/5})$) e soddisfa una distribuzione normale asintotica, permettendo la costruzione di intervalli di confidenza validi.
• Simulazioni: Gli studi di simulazione mostrano che il metodo proposto (IV-AIPW) riduce significativamente il bias rispetto ai metodi che assumono assenza di confondimento (NUC) o metodi IPW/OR standard, anche in presenza di confondimento non osservato. Sebbene la varianza sia leggermente superiore rispetto ai metodi NUC (a causa della complessità dell'IV), il bias ridotto porta a una stima complessivamente più accurata.
• Applicazione Reale (JTPA): Il metodo è stato applicato al dataset Job Training Partnership Act per stimare l'effetto degli anni di istruzione (trattamento continuo) sui guadagni pre-programma.
  • I risultati mostrano un effetto positivo dell'istruzione sui guadagni.
  • A differenza dei metodi NUC, il metodo IV rileva una possibile diminuzione dei guadagni per livelli di istruzione molto alti ($>12$ anni), suggerendo un punto di saturazione o un effetto non lineare che i metodi tradizionali non catturano a causa del confondimento non osservato.
  • L'uso di IV ha prodotto stime più robuste rispetto ai metodi NUC, sebbene con intervalli di incertezza leggermente più ampi.

5. Significato e Impatto

Questo lavoro è significativo perché colma un vuoto fondamentale nella letteratura sulla causalità:

1. Estensione della Causalità Non Parametrica: Estende i metodi di Double Machine Learning e le funzioni di influenza (influence functions) dal contesto di confondimento osservato a quello di confondimento non osservato per trattamenti continui.
2. Flessibilità Pratica: Offre una soluzione pratica al problema della "rilevanza debole" degli strumenti in contesti continui, permettendo agli analisti di identificare regioni del trattamento dove l'identificazione è possibile e di combinare queste stime localmente.
3. Robustezza: Fornisce strumenti per testare le assunzioni critiche (come la validità dell'IV e la condizione RWF), rendendo l'analisi causale più trasparente e verificabile.

In sintesi, il paper fornisce un framework rigoroso e pratico per stimare curve dose-risposta in scenari complessi e realistici dove i dati osservati non sono sufficienti per isolare l'effetto causale, sfruttando intelligentemente la variabilità esogena fornita da strumenti generali.