Robust Weighted Triangulation of Causal Effects Under Model Uncertainty

1. Il Problema: Incertezza del Modello nell'Inferenza Causale

L'inferenza causale con dati osservazionali si scontra frequentemente con il problema della specificazione errata del modello. Spesso, per un singolo dataset, esistono molteplici modelli causali plausibili che identificano lo stesso parametro causale target (es. l'effetto medio del trattamento) ma basandosi su insiemi di assunzioni di identificazione diversi e parzialmente sovrapposti.

• Sfida principale: Gli analisti devono combinare evidenze da questi modelli multipli per ottenere conclusioni robuste, un processo noto come triangolazione.
• Limiti degli approcci attuali:
  • I metodi esistenti si basano spesso su fattori di evidenza (combinazione di p-value) focalizzati sul testing di ipotesi piuttosto che sulla stima degli effetti.
  • Le procedure di selezione del modello (es. votazione basata sulla correttezza di una pluralità di modelli) introducono problemi di inferenza post-selezione (bias di selezione).
  • Metodi come la media bayesiana dei modelli richiedono assunzioni parametriche forti o la correttezza di una maggioranza di modelli, ipotesi spesso irrealistiche in contesti osservazionali complessi.

2. Metodologia: Funzionale di Triangolazione Ponderata

Gli autori propongono un quadro generale che combina metodi di testabilità dalla causal discovery con l'inferenza statistica dalla teoria semiparametrica, evitando la selezione esplicita del modello.

A. Il Funzionale di Triangolazione

L'idea centrale è assegnare pesi ai diversi modelli candidati ($M_k$) basandosi su implicazioni testabili delle loro assunzioni di identificazione (es. indipendenza condizionale o vincoli di uguaglianza generalizzati come i vincoli di Verma).

1. Parametri di Test ($\beta_k$): Per ogni modello $M_k$, viene definito un parametro osservabile $\beta_k$ tale che $\beta_k = 0$ se e solo se le assunzioni di identificazione del modello sono valide (o se il modello è non testabile). Esempi includono coefficienti di regressione, log-odds ratio o misure di covarianza generalizzata.
2. Funzionale Naif vs. Smussato:
   • Un approccio "naif" peserebbe i modelli solo se $\beta_k = 0$ (usando una funzione indicatrice). Questo è instabile in campioni finiti.
   • Soluzione proposta: Sostituire l'indicatore con un nucleo gaussiano $\delta_a(\beta_k) = \frac{1}{|a|\sqrt{\pi}}e^{-(\beta_k/a)^2}$, dove $a > 0$ è un parametro di regolarizzazione che controlla la "nitidezza" dell'approssimazione.
3. Definizione del Stimatore:
   L'estimatore triangolato $\psi$ è una media ponderata degli stimatori specifici per modello $\psi_k$:
   $$\psi = \sum_{k=1}^K w_k \psi_k$$
   dove i pesi sono:
   $$w_k = \frac{\delta_a(\beta_k)}{\sum_{j=1}^K \delta_a(\beta_j)}$$
   Questo approccio crea una transizione "liscia" (smooth) tra i modelli, evitando il bias di selezione brusco.

B. Teoria della Robustezza (Teorema 1)

Gli autori dimostrano che la distanza assoluta tra il funzionale triangolato $\psi$ e il vero parametro causale $\theta$ è limitata da:
$$|\psi - \theta| \leq \frac{\max_k |\psi_k - \theta|}{1 + D_a}$$
dove $D_a$ è un "fattore di discriminazione" che dipende dal rapporto tra i pesi dei modelli corretti e quelli errati.

• Risultato chiave: Se almeno un modello è corretto e testabile, e i modelli errati hanno $\beta_k$ significativamente diversi da zero, il fattore di discriminazione $D_a$ diventa grande (specialmente al diminuire di $a$), riducendo drasticamente il bias totale. Il metodo è robusto anche se la maggior parte dei modelli è errata, purché ne esista almeno uno corretto.

C. Procedura di Inferenza Statistica

Per derivare intervalli di confidenza validi, gli autori sfruttano la linearità asintotica degli stimatori:

1. Influenza Funzionale: Si assume che gli stimatori $\psi_{k,n}$ e $\beta_{k,n}$ ammettano una rappresentazione tramite funzioni di influenza ($\phi$).
2. Distribuzione Asintotica: Utilizzando il metodo delta, la distribuzione asintotica di $\psi_n$ è normale. La varianza viene stimata combinando le matrici di covarianza delle funzioni di influenza dei singoli modelli.
3. Strategie di Implementazione:
   • Preferita: Stima basata su funzioni di influenza (consente l'uso di Machine Learning per le funzioni di disturbo).
   • Alternativa 1: Bootstrap empirico (se si usano modelli parametrici).
   • Alternativa 2: Sottocampionamento (sub-sampling) se gli stimatori non sono asintoticamente lineari (es. ML con bias residuo).

3. Risultati Sperimentali

Gli autori validano il metodo attraverso simulazioni e un'applicazione empirica.

• Scenario 1 (M-bias): Simulazioni su DAG con variabili di confondimento incerto. Il metodo riesce a identificare e pesare correttamente i set di aggiustamento che evitano il bias da collisore (M-bias), anche quando la maggior parte delle combinazioni di covariate proposte porta a stime distorte.
• Scenario 2 (Backdoor, Frontdoor, IV): Confronto tra modelli di aggiustamento per la via posteriore (backdoor), frontdoor e variabile strumentale (IV).
  • Il metodo mantiene la robustezza anche quando solo uno dei tre modelli è corretto.
  • Mostra una varianza inferiore rispetto all'uso esclusivo di modelli meno efficienti (es. IV) quando altri modelli sono validi.
  • Gli intervalli di confidenza raggiungono la copertura nominale (95%) per sample size sufficienti ($n=5000$).
• Applicazione Empirica (Framingham Heart Study):
  • Obiettivo: Stimare l'effetto dei livelli di glucosio nel sangue sulle malattie coronariche.
  • Modelli: Backdoor (aggiustamento per sesso), Frontdoor (ipertensione come mediatore), IV (livello di istruzione come strumento).
  • Risultato: Il modello Frontdoor riceve il peso maggiore, l'IV il minimo. La stima triangolata (4.7% di aumento del rischio) si posiziona in modo robusto tra le stime, scartando l'estimatore IV che mostrava forti segni di violazione delle assunzioni (peso vicino a zero).

4. Contributi Chiave

1. Quadro Quantitativo per la Triangolazione: Fornisce un metodo principiato per combinare stime causalità senza richiedere l'accordo tra modelli o la selezione di un singolo modello "vincitore".
2. Robustezza alla Specificazione Errata: Dimostra teoricamente e praticamente che è possibile ottenere stime robuste anche se la maggior parte dei modelli candidati è errata, purché almeno uno sia corretto e testabile.
3. Inferenza Post-Selezione Risolta: Evita i problemi di inferenza post-selezione tradizionali utilizzando pesi continui (kernel) invece di indicatori discreti, permettendo la costruzione di intervalli di confidenza validi.
4. Integrazione di Causal Discovery e Semiparametria: Unisce la capacità di testare vincoli strutturali (come i vincoli di Verma) con la teoria dell'inferenza semiparametrica.

5. Significato e Implicazioni

Questo lavoro rappresenta un avanzamento significativo per la pratica dell'inferenza causale in contesti osservazionali dove la verità del modello è sconosciuta.

• Flessibilità: Permette agli analisti di esplorare molteplici strategie di identificazione (aggiustamento, frontdoor, IV) senza dover "scommettere" su una singola assunzione.
• Diagnostica Integrata: Trasforma la diagnostica del modello (test di indipendenza, vincoli) in pesi quantitativi che guidano direttamente la stima finale.
• Praticità: Offre procedure di inferenza (intervalli di confidenza) che tengono conto dell'incertezza derivante dalla selezione del modello, un aspetto spesso ignorato nella pratica corrente.

In sintesi, il paper propone una soluzione matematicamente rigorosa e praticamente applicabile per gestire l'incertezza strutturale, trasformando il problema della "scelta del modello" in un problema di "pesatura robusta" basata sui dati.