Refined Inference for Asymptotically Linear Estimators with Non-Negligible Second-Order Remainders

1. Il Problema: Il Regime "Near-Boundary"

Il lavoro affronta una limitazione fondamentale nell'inferenza statistica per modelli semiparametrici. Gli stimatori asintoticamente lineari (ALE), come TMLE, AIPW e stimatori DML, garantiscono la consistenza del punto stimato attraverso uno sviluppo di von Mises, dove un termine di resto di secondo ordine ($R_{rem}$) è considerato trascurabile ($o_P(n^{-1/2})$).

Tuttavia, l'inferenza classica (intervalli di confidenza basati sul "sandwich") assume che la variabilità del campionamento sia dovuta esclusivamente al termine di primo ordine (la funzione di influenza efficiente, EIF).

• Il Fallimento: In campioni finiti, quando gli stimatori delle variabili di disturbo (nuisance parameters) operano esattamente al limite del tasso di prodotto (product-rate boundary, tipicamente $O_P(n^{-1/4})$), il termine di resto di secondo ordine contribuisce alla varianza totale in modo non trascurabile ($Var(R_{rem}) = O(n^{-1})$).
• Conseguenza: La varianza stimata dal metodo sandwich sottostima la varianza reale, portando a intervalli di confidenza che non raggiungono la copertura nominale (undercoverage), anche se lo stimatore del punto è privo di bias. Questo scenario è definito regime near-boundary.

2. Metodologia e Quadro Teorico

L'autore sviluppa una teoria generale per l'inferenza in questo regime, estendibile anche a dati clusterizzati.

A. Decomposizione della Varianza

Viene derivata una decomposizione della varianza a campione finito per gli ALE:
$$Var(\hat{\Psi} - \Psi(P_0)) = \frac{\sigma^2_{EIF}}{n} + Var(R_{rem}) + 2Cov(\bar{D}_n, R_{rem}) + o(n^{-1})$$
Il termine sandwich standard stima solo $\sigma^2_{EIF}/n$, ignorando $Var(R_{rem})$ e il termine di covarianza.

B. Teorema di Coerenza del Sandwich

Il paper stabilisce una condizione necessaria e sufficiente per la coerenza dello stimatore sandwich:

• Il sandwich è coerente per la varianza totale se e solo se $n \cdot Var(R_{rem}) \to 0$ (decadimento forte).
• La condizione standard di tasso di prodotto ($\|\hat{\eta}_1 - \eta_0\| \cdot \|\hat{\eta}_2 - \eta_0\| = o_P(n^{-1/2})$) garantisce la linearità asintotica (consistenza del punto), ma non garantisce che $n \cdot Var(R_{rem}) \to 0$. Pertanto, il sandwich può fallire anche quando lo stimatore è asintoticamente lineare.

C. Stimatori di Varianza Raffinati

Per correggere il problema, vengono proposti tre approcci che stimano coerentemente la varianza totale:

1. Jackknife Leave-One-Out (LOO): Calcola la varianza basandosi sulla sensibilità dello stimatore alla rimozione di singole unità. Si dimostra che, sotto condizioni di stabilità LOO, lo stimatore jackknife converge alla varianza totale ($\sigma^2_{EIF}/n + c_R/n$), catturando anche la varianza indotta dal resto.
2. Bootstrap a Coppie Cluster (Pairs Cluster Bootstrap): Un metodo di ricampionamento che mira direttamente alla distribuzione di campionamento completa. Sotto condizioni di coerenza di Mallows-2, fornisce una stima coerente della varianza totale senza richiedere condizioni di stabilità LOO esplicite.
3. Sandwich Corretto per Eteroschedasticità (HC-Corrected): Una correzione computazionalmente economica che scala lo stimatore sandwich standard utilizzando il rapporto tra la varianza jackknife e quella sandwich ($\hat{\rho} = \hat{V}_{JK}/\hat{V}_{Sand}$). Poiché $\hat{V}_{HC} \equiv \hat{V}_{JK}$, questo metodo è numericamente equivalente al jackknife ma offre un'interpretazione concettuale di "fattore di inflazione".

D. Estensione ai Dati Clusterizzati

Nel contesto di dati clusterizzati (es. trial a cuneo scalino - SW-CRT), l'autore dimostra che la correlazione intra-cluster (ICC) amplifica il divario di varianza. La varianza del resto aumenta proporzionalmente a $\rho_{ICC} \times m$ (dove $m$ è la dimensione del cluster), rendendo il problema del regime near-boundary particolarmente critico in questi disegni sperimentali.

3. Risultati Principali

L'articolo presenta evidenze empiriche attraverso due studi di simulazione:

• Applicazione SA-TMLE (Surrogate-Assisted TMLE): In un trial a cuneo scalino con censura amministrativa, lo stimatore SA-TMLE mostra un bias trascurabile ma una copertura degli intervalli di confidenza sandwich del 87-91% (sotto il 95% nominale) per un ampio range di cluster ($J \in \{10, 100\}$).
  • Il rapporto di varianza $\hat{\rho} = \hat{V}_{JK}/\hat{V}_{Sand}$ si mantiene costante tra 1.14 e 1.38, confermando la presenza di un termine di resto non trascurabile.
  • Gli intervalli jackknife e bootstrap ripristinano la copertura al livello nominale (95%).
• Simulazione Secondaria (AIPW): In un setting i.i.d. con modelli di disturbo parametrici correttamente specificati (dove il tasso di convergenza è più veloce), il rapporto $\hat{\rho}$ converge a 1.0 al crescere di $n$, e il sandwich funziona correttamente. Questo conferma la natura "if-and-only-if" della teoria: il fallimento del sandwich è specifico del regime near-boundary.

4. Contributi Chiave

1. Decomposizione della Varianza: Una formula esplicita che separa la varianza dell'EIF dalla varianza indotta dal resto e dalla loro covarianza.
2. Caratterizzazione Sharp: La dimostrazione che la coerenza del sandwich richiede un decadimento del resto più forte di quello richiesto per la linearità asintotica.
3. Validità Asintotica: Prove formali che jackknife e bootstrap sono validi anche quando il resto contribuisce alla varianza, fornendo intervalli di confidenza con copertura esatta.
4. Diagnostica Pratica: L'introduzione del rapporto $\hat{\rho}$ come strumento diagnostico osservabile. Se $\hat{\rho}$ è costante e significativamente > 1 al variare della dimensione campionaria, l'analista è nel regime near-boundary e deve utilizzare metodi raffinati.
5. Amplificazione Clusterizzata: Una formula analitica che spiega come la correlazione intra-cluster peggiori il sottostima della varianza nel regime near-boundary.

5. Significato e Implicazioni

Questo lavoro è cruciale per la pratica della statistica semiparametrica moderna, specialmente nell'uso di metodi di apprendimento automatico (Machine Learning) per stimare le variabili di disturbo.

• Ridefinizione della Pratica: Dimostra che la linearità asintotica non è sufficiente per garantire intervalli di confidenza validi in campioni finiti quando si opera al limite dei tassi di convergenza.
• Soluzione Computazionale: Fornisce procedure (jackknife, bootstrap, HC-correction) che sono teoricamente fondate e computazionalmente fattibili per correggere l'undercoverage senza dover derivare nuove funzioni di influenza per ogni specifico funzionale.
• Impatto sui Trial Clinici: Risolve un problema critico nell'analisi di trial clusterizzati (come gli SW-CRT), dove le dimensioni dei cluster e la correlazione interna spesso spingono le stime nel regime near-boundary, portando a conclusioni errate se si usa l'inferenza standard.

In sintesi, il paper fornisce un quadro teorico e pratico per "rifinire" l'inferenza quando i termini di ordine superiore non sono più trascurabili, garantendo che la validità statistica sia mantenuta anche in scenari complessi e realistici.