Coarsening Bias from Variable Discretization in Causal Functionals

Sintesi Tecnica: Bias di Coarsening derivante dalla Discretizzazione Variabile nei Funzionali Causali

Problematica
I funzionali di identificazione causale, in particolare nell'analisi di mediazione, negli effetti specifici per percorso (path-specific effects) e nell'identificazione front-door in presenza di DAG (Directed Acyclic Graphs) con variabili latenti, richiedono spesso l'integrazione di una regressione dell'outcome rispetto alla densità condizionale di un mediatore continuo. Quando il mediatore è continuo o ad alta dimensionalità, la stima di queste densità e il calcolo dei relativi integrali risultano statisticamente e computazionalmente impegnativi. Un comune aggiramento pratico consiste nel discretizzare il mediatore continuo e sostituire gli integrali con somme finite.

Sebbene sia una procedura conveniente, questa discretizzazione altera fondamentalmente il parametro a livello di popolazione che si intende stimare. Anche quando le assunzioni di identificazione causale sono rispettate e i parametri di disturbo (nuisance parameters) sono stimati in modo consistente, il funzionale discretizzato rappresenta un target differente rispetto al funzionale continuo originale. Gli autori identificano questa discrepanza come bias di coarsening (o errore di coarsening). Il documento sostiene che questo bias sia distinto dall'errore di stima statistica; si tratta di un errore di approssimazione che sorge al livello del funzionale target stesso. La letteratura precedente spesso trascura questo bias o lo considera secondario, eppure esso può indurre errori non trascurabili anche in presenza di una corretta identificazione.

Metodologia e Quadro Teorico
Gli autori formalizzano la differenza tra l'originale funzionale causale $\theta(Q)(c)$ e il suo analogo discretizzato $\theta_h(Q)(c)$. Sia $M$ un mediatore continuo discretizzato in $K$ bin $B_k$ con ampiezza $w_k$.

1. Caratterizzazione dell'Errore di Coarsening:
   Il documento dimostra che il funzionale discretizzato ingenuo incorre in un errore del primo ordine proporzionale alla larghezza massima del bin ($O(w_{\max, K})$). Questo errore è guidato dallo spostamento delle medie condizionali intra-bin del mediatore tra i livelli di trattamento ($m_k(a_1, c) - m_k(a_0, c)$) e dalla pendenza locale della regressione dell'outcome $\mu(m, a, c)$.

   • Nello specifico, il termine di errore è proporzionale a $\mu'_m \times \Delta m_k$.
   • L'errore svanisce solo se la regressione dell'outcome è localmente costante all'interno dei bin o se la distribuzione condizionale del mediatore non differisce tra i gruppi di trattamento all'interno di ogni bin.

2. Funzionale di Coarsening Debiased (Corretto):
   Per eliminare questo errore principale, gli autori propongono un funzionale di coarsening debiased, $\tilde{\theta}_h(Q)(c)$. Invece di valutare la regressione dell'outcome ai confini dei bin o utilizzare le medie grezze dei bin, questo metodo valuta la regressione $\mu(m, a_1, c)$ alla media condizionale intra-bin del mediatore sotto la distribuzione del trattamento di riferimento ($m_k(a_0, c)$).

   • Utilizzando un'espansione di Taylor, gli autori dimostrano che questa modifica annulla il termine del primo ordine.
   • L'errore di approssimazione risultante diventa di secondo ordine rispetto alla larghezza del bin ($O(w_{\max, K}^2)$), riducendo significativamente il bias anche con una discretizzazione grossolana.

3. Stima Statistica:
   Gli autori derivano sia stimatori plug-in che one-step per il funzionale debiased.

   • Stima Smoothed (Levigata): Poiché la valutazione puntuale della regressione ai valori medi stimati può violare i requisiti di differenziabilità pathwise necessari per i metodi basati sulla funzione di influenza (come gli stimatori one-step) quando $M$ è continuo, gli autori introducono una versione smoothed. Questa sostituisce la valutazione puntuale con una media localizzata utilizzando una funzione kernel e una larghezza di banda (bandwidth) $b$.
   • Funzioni di Influenza: Gli autori derivano la funzione di influenza efficiente (EIF) per il funzionale debiased smoothed, consentendo la costruzione di stimatori one-step asintoticamente lineari che sono robusti alla misspecificazione dei modelli di disturbo.

Risultati Chiave

• Limiti Teorici: Sotto determinate condizioni di regolarità (smoothness), lo stimatore discretizzato ingenuo presenta un bias asintotico di $O(1/K)$ (per bin a larghezza uguale), mentre il proposto stimatore debiased raggiunge un errore di $O(1/K^2)$.
• Studi di Simulazione:
  • Riduzione del Bias: Le simulazioni confermano che lo stimatore discretizzato ingenuo mantiene un bias sostanziale che non svanisce all'aumentare della dimensione campionaria $n$ (riflettendo l'errore a livello di popolazione). Al contrario, lo stimatore debiased mostra un bias quasi nullo attraverso varie dimensioni campionarie e numeri di bin.
  • Copertura: Lo stimatore debiased raggiunge una copertura degli intervalli di confidenza quasi nominale (es. 95%), mentre lo stimatore ingenuo soffre di una scarsa copertura a causa del bias non corretto.
  • Robustezza: L'approccio debiased performa bene sia sotto specifica corretta che sotto varie forme di misspecificazione del modello di disturbo, particolarmente quando combinato con correzioni one-step.
  • Schemi di Discretizzazione: Lo studio confronta discretizzazioni a frequenza uguale, a larghezza empirica uguale e a larghezza predefinita. Sebbene la scelta del binning influenzi l'entità del bias ingenuo, lo stimatore debiased rimane robusto e accurato in tutti gli schemi.
• Applicazione su Dati Reali: In un'analisi dello studio B_PROUD (dispatch della Mobile Stroke Unit), lo stimatore debiased ha prodotto risultati coerenti con un approccio di regressione sequenziale (che evita interamente la stima della densità) e differiva significativamente dallo stimatore di coarsening ingenuo, specialmente con una discretizzazione grossolana ($K=2$).

Significato e Rivendicazioni
Il documento rivendica di fornire una base formale per controllare l'impatto della discretizzazione variabile sull'inferenza causale. I suoi principali contributi sono:

1. Distinzione degli Errori: Distingue chiaramente l'errore di approssimazione funzionale (bias di coarsening) dall'errore di stima statistica, osservando che le correzioni standard basate sulle funzioni di influenza (come gli stimatori one-step) affrontano il primo, ma non riescono a correggere il secondo se il funzionale target è errato a causa della discretizzazione.
2. Correzione Semplice: Propone una correzione computazionalmente semplice (valutazione alle medie intra-bin) che elimina il termine di bias principale senza richiedere complessa stima della densità o l'abbandono del framework di discretizzazione.
3. Utilità Pratica: I risultati suggeriscono che i ricercatori possono utilizzare la discretizzazione per comodità computazionale o interpretabilità (es. soglie cliniche) senza sacrificare la validità delle loro stime causali, a patto di applicare la correzione debiased proposta.

Gli autori concludono che, sebbene la discretizzazione sia spesso necessaria nella pratica, ignorare il conseguente bias di coarsening porta a un'inferenza non valida. Il framework proposto permette di controllare questo bias, consentendo una stima statistica valida anche quando le variabili continue vengono raggruppate (coarsened).