Stress-Testing Assumptions: A Guide to Bayesian Sensitivity Analyses in Causal Inference

1. Il Problema

Nella ricerca biomedica e nelle scienze sociali, quando i trial randomizzati controllati (RCT) non sono disponibili, i ricercatori ricorrono a dati osservazionali per stimare gli effetti causali dei trattamenti. Tuttavia, l'inferenza causale da dati osservazionali richiede l'uso di metodi sofisticati per aggiustare il confondimento osservato. Tutti questi metodi si basano su assunzioni non verificabili, sia causali (es. assenza di confondimento non misurato) sia statistiche (es. meccanismi di missing data o errori di misurazione).

Il problema centrale affrontato dal paper è la scarsa adozione delle analisi di sensibilità nella letteratura empirica. Sebbene esistano metodi per valutare quanto le violazioni di queste assunzioni possano alterare le conclusioni, la loro implementazione pratica rimane complessa. Spesso, la letteratura metodologica è teorica o richiede algoritmi computazionali personalizzati, rendendo difficile l'uso di software open-source standard. Inoltre, manca una guida pratica che unisca teoria, esempi concreti e codice implementabile per diversi tipi di violazioni delle assunzioni.

2. Metodologia: L'Approccio Bayesiano Unificato

L'autore propone un quadro unificato basato sull'inferenza bayesiana, sfruttando la proprietà fondamentale secondo cui parametri e dati mancanti sono entrambi variabili casuali. Invece di trattare le assunzioni violabili come fisse, vengono modellate come quantità sconosciute aggiuntive da inferire.

Il framework si basa su quattro pilastri:

1. Trattamento dei dati mancanti come parametri: Le violazioni delle assunzioni (es. confondimento non misurato, errori di classificazione, dati mancanti non casuali) sono modellate come dati mancanti ($D_M$) o parametri di sensibilità ($\xi$).
2. Posteriore congiunto: L'inferenza avviene campionando dalla distribuzione posteriore congiunta di tutti i parametri del modello ($\eta, \theta, \gamma$) e delle quantità non osservate ($D_M, \xi$), condizionata ai dati osservati ($D_O$).
3. Parametri di Sensibilità: Vengono introdotti parametri specifici ($\xi$) che codificano la direzione e l'entità della violazione dell'assunzione. I valori "nulla" (es. $\xi=0$) corrispondono all'assunzione standard soddisfatta, mentre i valori "non nulli" rappresentano scenari di violazione.
4. Implementazione in Stan: L'articolo dimostra come implementare questi modelli utilizzando Stan, un linguaggio di programmazione probabilistica open-source che utilizza l'algoritmo Hamiltonian Monte Carlo (HMC). Viene enfatizzato l'uso di incrementi personalizzati sulla densità di probabilità logaritmica non normalizzata (target +=) per gestire miscele complesse e variabili discrete.

Il paper illustra questo approccio attraverso quattro esempi specifici:

• Esempio 1: Misclassificazione dell'esposizione. Il vero stato di trattamento è mancante e si osserva solo una versione errata ($\tilde{A}$). Si modellano sensibilità e specificità come parametri di sensibilità. Poiché lo stato vero è discreto, viene marginalizzato analiticamente prima dell'inserimento in Stan.
• Esempio 2: Confondimento non misurato. Si introduce una variabile latente continua $U$ che influenza sia il trattamento che l'esito. $U$ viene dichiarata come parametro in Stan e campionata direttamente, permettendo di valutare come diverse correlazioni tra $U$ e l'esito/trattamento alterino la stima dell'effetto causale.
• Esempio 3: Esiti mancanti non casuali (MNAR). Quando i dati sull'esito mancano in modo dipendente dal valore stesso dell'esito (es. pazienti con esiti peggiori che abbandonano lo studio). Si modella il meccanismo di missingness direttamente, marginalizzando i valori mancanti discreti per l'inferenza in Stan.
• Esempio 4: Modelli Bayesiani Non Parametrici. Utilizzo di miscele a "stick-breaking" troncato (TSB) per modellare distribuzioni flessibili senza assumere una forma parametrica rigida. Questo permette di adattarsi ai dati nelle regioni osservate mentre si incorporano credenze a priori nelle regioni con dati mancanti.

3. Contributi Chiave

1. Quadro Unificato: Dimostra che problemi apparentemente diversi (errori di misurazione, confondimento, missing data) possono essere affrontati con la stessa logica bayesiana di "dati mancanti".
2. Guida all'Implementazione: È il primo lavoro, a conoscenza dell'autore, a fornire un approccio a tre vie (metodologia, esempi, codice) per l'analisi di sensibilità bayesiana. Include codice completo e accessibile su GitHub.
3. Accessibilità con Stan: Smentisce il mito che le analisi di sensibilità bayesiane richiedano algoritmi personalizzati. Dimostra come utilizzare software standard (Stan) gestendo le complessità computazionali (es. variabili discrete tramite marginalizzazione o variabili continue tramite dichiarazione nei blocchi parameters).
4. Analisi dei "Punti di Ribaltamento" (Tipping Point Analysis): Fornisce un metodo pratico per determinare quanto forte debba essere una violazione dell'assunzione (valore di $\xi$) per cambiare la conclusione inferenziale (es. far sì che l'intervallo di credibilità includa zero).

4. Risultati

Attraverso dati sintetici, l'autore dimostra che:

• Sensibilità alle Assunzioni: Le stime dell'effetto causale medio (ATE) possono cambiare drasticamente al variare dei parametri di sensibilità. Ad esempio, in presenza di confondimento non misurato, anche piccole deviazioni dall'assunzione di ignorabilità possono invertire la direzione dell'effetto stimato o renderlo non significativo.
• Visualizzazione dell'Incertezza: L'uso di heatmap e curve di tipping point permette di visualizzare l'intero spettro di possibili risultati in funzione delle credenze soggettive sulle violazioni, piuttosto che fornire una singola stima puntuale.
• Flessibilità Non Parametrica: Nel quarto esempio, il modello TSB mostra come l'inferenza bayesiana possa adattarsi ai dati osservati (regioni con dati) mentre "riempie" le regioni mancanti basandosi sui prior, quantificando l'incertezza in modo coerente.
• Stabilità Numerica: L'articolo evidenzia l'importanza dell'uso di funzioni costruite in Stan (come log_sum_exp) per garantire la stabilità numerica quando si calcolano miscele di probabilità, evitando errori di underflow.

5. Significato e Implicazioni

Questo lavoro è significativo perché colma il divario tra la teoria metodologica avanzata e la pratica quotidiana del ricercatore.

• Democratizzazione: Rende le analisi di sensibilità bayesiane accessibili a un pubblico più ampio di ricercatori, fornendo strumenti pronti all'uso.
• Rigor Scientifico: Incoraggia i ricercatori a non limitarsi a dichiarare "potrebbe esserci un confondimento non misurato", ma a quantificare specificamente quanto tale confondimento dovrebbe essere forte per invalidare i risultati. Questo sposta il dibattito da affermazioni qualitative a valutazioni quantitative basate su evidenze.
• Trasparenza: Promuove la trasparenza nell'inferenza causale, costringendo gli analisti a esplicitare le loro credenze sulle violazioni delle assunzioni attraverso i prior, rendendo il processo di inferenza più onesto e robusto.

In sintesi, il paper offre una "mappa" pratica per stressare le assunzioni nei modelli causali, trasformando l'analisi di sensibilità da un esercizio teorico in una componente standard e implementabile del processo di ricerca.