Measures for Assessing Causal Effect Heterogeneity Unexplained by Covariates

Riassunto Tecnico: Misure per la Valutazione dell'Eterogeneità dell'Effetto Causale non Spiegata dalle Covariate

1. Il Problema (Problem Statement)

Nella ricerca causale, l'eterogeneità dell'effetto del trattamento viene solitamente misurata tramite l'Effetto Causale Medio Condizionale (CACE), noto anche come CATE. Il CACE valuta come l'effetto varia in base alle covariate osservate ($W$), come età, genere o razza.

Tuttavia, il CACE assume implicitamente che l'eterogeneità sia interamente spiegata dalle covariate osservate. Il problema centrale sollevato dagli autori è che può persistere una sostanziale eterogeneità residua dovuta all'interazione tra il trattamento ($X$) e variabili latenti o non osservate ($U_Y$). In termini matematici, anche se il CACE è costante per un dato valore di $W$, l'effetto individuale può variare (essere positivo per alcuni e negativo per altri) a causa di $U_Y$. La letteratura esistente ha affrontato questo problema principalmente per trattamenti e outcome binari, lasciando un vuoto metodologico per gli outcome continui e i trattamenti continui.

2. Metodologia (Methodology)

Il lavoro si basa sul framework dei Modelli Causali Strutturali (SCM) e utilizza la stratificazione principale (principal stratification) per categorizzare gli individui in base ai loro potenziali outcome.

Gli autori introducono due nuovi framework di misura:

A. Per Trattamento Binario e Outcome Continuo:
Definiscono una nuova classificazione di soggetti basata su un punto di soglia $y$:

1. Soggetti positivamente influenzati: $\{Y_0 < y, Y_1 \geq y\}$
2. Soggetti negativamente influenzati: $\{Y_0 \geq y, Y_1 < y\}$
3. Immutabili positivi: $\{Y_0 \geq y, Y_1 \geq y\}$
4. Immutabili negativi: $\{Y_0 < y, Y_1 < y\}$

Sulla base di ciò, introducono le misure P-CACE (CACE per i soggetti positivamente influenzati) e N-CACE (CACE per i soggetti negativamente influenzati).

B. Per Trattamento Continuo e Outcome Continuo:
Utilizzano le interventi stocastici (stochastic interventions) per permettere una maggiore flessibilità. Introducono le misure P-CPICE e N-CPICE, che estendono il concetto di Conditional Population Intervention Causal Effect (CPICE) ai sottogruppi positivamente e negativamente influenzati dalle distribuzioni di intervento $\pi_0$ e $\pi_1$.

3. Contributi Chiave (Key Contributions)

• Nuove Misure di Eterogeneità: Introduzione di P-CACE, N-CACE, P-CPICE e N-CPICE, che permettono di quantificare l'effetto causale "nascosto" non rilevabile dal CACE/CPICE standard.
• Teoremi di Decomposizione: Dimostrano che il CACE può essere scomposto come la differenza tra l'effetto positivo e quello negativo:
  $$\text{CACE}(w) = \text{P-CACE}(w) - \text{N-CACE}(w)$$
  Questo permette di vedere se un effetto medio positivo è "sporcato" da forti effetti negativi su una minoranza.
• Identificabilità e Bounding:
  • Stabiliscono condizioni di identificabilità sotto l'assunzione di monotonicità (ovvero che l'ordine dei potenziali outcome non si inverta tra individui).
  • Forniscono limiti (bounds) stretti (sharp bounds) per i casi in cui l'assunzione di monotonicità non può essere garantita, utilizzando le distribuzioni condizionate osservate.
• Metodo di Stima: Propongono un metodo di stima basato su stimatori Local Linear per le funzioni di ripartizione (CDF) e integrazione Monte Carlo.

4. Risultati (Results)

• Esperimenti Numerici: Attraverso simulazioni, gli autori dimostrano che le loro misure rilevano l'eterogeneità anche quando il CACE è pari a zero (caso in cui l'effetto medio maschera l'esistenza di effetti positivi e negativi contrapposti).
• Applicazione al Mondo Reale: Applicando il modello a un dataset medico (costi assicurativi in relazione all'indice di massa corporea - BMI), hanno mostrato che mentre il CACE indica un aumento medio dei costi, le misure P-CACE e N-CACE rivelano l'entità specifica della variazione, fornendo una visione più granulare del rischio.
• Robustezza ad Alta Dimensionalità: Dimostrano che l'uso della regolarizzazione Lasso permette alle loro misure di rimanere accurate e stabili anche quando il numero di covariate ($D$) aumenta significativamente.

5. Significato e Implicazioni (Significance)

Il lavoro ha un impatto cruciale sul processo decisionale (decision-making). In ambiti come la medicina o le politiche pubbliche, un intervento con un effetto medio positivo (CACE > 0) potrebbe essere pericoloso se il valore di N-CACE è elevato (indicando che una parte della popolazione subisce danni significativi). Le misure proposte offrono ai decisori uno strumento per valutare non solo l'efficacia media, ma anche la sicurezza e l'equità dell'intervento, identificando potenziali effetti collaterali negativi che le misure standard ignorerebbero.