Efficient Transported Distributional and Quantile Treatment Effects with Surrogate-Assisted Missing Primary Outcomes

Sintesi Tecnica: Effetti di Trattamento Distribuzionali e Quantilici Trasportati Efficienti con Risultati Primari Mancanti Assistiti da Surrogati

Impostazione del Problema
Il lavoro affronta la stima degli effetti di trattamento distribuzionali e quantilici (QTE) per una popolazione target in un contesto in cui gli esiti primari a lungo termine sono costosi, ritardati o mancanti, mentre gli esiti surrogati a breve termine sono ampiamente disponibili. La struttura dei dati è composta da due campioni indipendenti:

1. Studio Sorgente: Contiene l'assegnazione al trattamento ($A$), le covariate di base ($X$), i surrogati post-trattamento ($S$) per tutte le unità, e un esito primario ($Y$) osservato solo per un sottoinsieme di validazione ($M=1$).
2. Popolazione Target: Contiene solo le covariate di base ($X$).

L'obiettivo è stimare la funzione di distribuzione controfattuale trasportata $\psi_a(y) = P(Y^a \le y \mid R=0)$, i suoi quantili $q_a(\tau)$ e l'effetto di trattamento quantilico $\Delta(\tau) = q_1(\tau) - q_0(\tau)$. Crucialmente, il surrogato $S$ non è trattato come un endpoint sostitutivo, né sono imposte condizioni di surrogazione rigide di tipo Prentice. Piuttosto, $S$ funge da informazione ausiliaria per migliorare l'efficienza sotto un campionamento casuale (MAR) dell'esito primario mancante.

Metodologia
Gli autori sviluppano un quadro semiparametrico basato sulla seguente strategia di identificazione:

1. Identificazione: Sotto gli assunti di coerenza, scambiabilità della sorgente, trasportabilità condizionale del processo esito surrogato-esito primario specifico per trattamento, e campionamento di validazione MAR, la funzione di distribuzione cumulativa (CDF) target è identificata come $\psi_a(y) = E_0[g_a(y, X)]$, dove $g_a(y, x) = E[m_a(y, X, S) \mid R=1, A=a, X=x]$ e $m_a$ è la CDF condizionale di $Y$ data $(X, S)$ nel sottoinsieme di validazione.
2. Funzione di Influenza Efficiente (EIF): Il lavoro deriva il gradiente canonico per il funzionale sui dati osservati. L'EIF, $\phi^y_a(O)$, si decompone in tre componenti ortogonali:
   • Un termine di campionamento delle covariate target.
   • Un termine residuo del processo surrogato sorgente ($m_a - g_a$).
   • Un termine residuo di validazione dell'esito primario ($Z_y - m_a$).
     Questa decomposizione riflette le tre fonti di informazione utilizzate per l'identificazione.
3. Stima: Viene proposto un stimatore one-step a forma chiusa con cross-fitting. Combina la stima plug-in dell'aspettativa target con le medie empiriche delle componenti dell'EIF. Le funzioni di disturbo ($m_a, g_a, e_a, \rho_a, \omega$) sono stimate utilizzando metodi basati su equazioni normali o convessi (ad esempio, regressione logistica ridge, regressione kernel ridge, bilanciamento dell'entropia).
4. Inferenza: Il lavoro stabilisce la linearità asintotica puntuale e uniforme per lo stimatore della CDF. Utilizzando il metodo delta e la mappatura inversa della CDF, vengono derivate le rappresentazioni di Bahadur per i quantili e i QTE. Le bande di confidenza simultanee sono costruite tramite bootstrap moltiplicatore, basandosi su condizioni esplicite per l'entropia delle classi di processi stimate.

Contributi Chiave

1. Identificazione ed Efficienza: Il lavoro estende la linea di ricerca sugli effetti di trattamento medi assistiti da surrogati (ad esempio, Kallus e Mao, 2025) all'intera distribuzione controfattuale e ai quantili. Deriva la funzione di influenza efficiente esatta per questo contesto trasportato, mostrando che il gradiente possiede tre componenti residue ortogonali corrispondenti alle covariate target, al processo surrogato sorgente e agli esiti primari mancanti.
2. Identità di Deriva Esatta e Robustezza: Gli autori stabiliscono un'identità di deriva esatta per lo stimatore. Questa identità dimostra una "robustezza a livello di rapporto", mostrando che il bias del primo ordine si annulla se sono corrette sia le regressioni dell'esito ($m_a, g_a$) sia i pesi a livello di rapporto (rapporto di densità $\omega$ e rapporto di propensione di validazione $\rho$). Ciò genera condizioni di prodotto per la stima delle funzioni di disturbo, permettendo tassi di convergenza più lenti di $n^{-1/4}$ purché il prodotto degli errori sia $o(n^{-1/2})$.
3. Guadagni di Efficienza Specifici per Quantile: Il lavoro quantifica il guadagno di efficienza derivante dall'osservazione dei surrogati. Deriva una formula che mostra come la riduzione della varianza dipenda dalla varianza condizionale dell'esito previsto dal surrogato data le covariate e dalla scarsità dei dati di validazione. Crucialmente, il guadagno è specifico per il quantile; un surrogato può migliorare sostanzialmente l'inferenza a un quantile offrendo poco guadagno a un altro, a seconda della densità locale della distribuzione target e del potere predittivo del surrogato a quella soglia.
4. Verifica a Basso Livello: Gli autori forniscono un percorso di implementazione "deliberatamente analizzabile". Verificano le condizioni di alto livello sui tassi di disturbo e sull'entropia per una specifica classe di apprenditori a dimensione finita o rango finito limitati, inclusa la regressione logistica ridge, la regressione kernel ridge a rango finito e il bilanciamento dell'entropia sotto modelli di inclinazione esponenziale. Questo colma il divario tra la teoria semiparametrica astratta e l'implementazione pratica basata su ottimizzazione convessa.

Risultati

• Teoria Asintotica: Si dimostra che lo stimatore proposto è semiparametricamente efficiente per $y$ fissato. Sotto condizioni di regolarità uniformi (inclusi le proprietà di Donsker e i limiti di entropia), lo stimatore raggiunge la linearità asintotica uniforme sul supporto dell'esito, consentendo un'inferenza simultanea valida per l'intera curva della CDF e dei QTE.
• Evidenza da Simulazione: Gli studi di simulazione confermano i risultati teorici. Lo stimatore one-step assistito da surrogati (SA) riduce significativamente l'Errore Quadratico Medio (MSE) rispetto alla ponderazione per probabilità inversa (IPW) e agli stimatori plug-in trasportati, in particolare nelle code della distribuzione. Lo stimatore SA mantiene un basso bias e raggiunge tassi di copertura vicini ai livelli nominali, mentre l'IPW soffre di alta varianza e gli stimatori plug-in di bias di approssimazione.
• Validazione dell'Efficienza: Le simulazioni verificano la formula teorica del guadagno di efficienza, dimostrando che la riduzione della varianza è correlata al potere predittivo del surrogato e alla scarsità dei dati di validazione.

Significato e Affermazioni
Il lavoro afferma di fornire una fondazione teorica rigorosa per la stima degli effetti di trattamento distribuzionali e quantilici in presenza di esiti primari mancanti e surrogati disponibili, specificamente quando si trasportano i risultati da uno studio sorgente a una popolazione target.

• Novità Metodologica: Si sposta oltre gli effetti basati sulla media verso l'intera distribuzione, gestendo le complessità della mappatura inversa della CDF e l'accoppiamento dei pesi di trasporto con i residui dei surrogati.
• Utilità Pratica: Proponendo uno stimatore one-step a forma chiusa con cross-fitting che si basa su sottoproblemi convessi, il lavoro offre una soluzione computazionalmente fattibile che non richiede ottimizzazione non convessa.
• Precisione Teorica: La derivazione dell'identità di deriva esatta e della formula del guadagno di efficienza specifico per quantile fornisce una caratterizzazione precisa di quando e come i surrogati migliorano l'inferenza, evitando la necessità di forti assunzioni di surrogazione.

Gli autori sottolineano che il loro contributo risiede nella teoria del gradiente canonico per un modello assistito da surrogati a due popolazioni e nella verifica di queste condizioni per specifici apprenditori di disturbo analizzabili, piuttosto che nella proposta di algoritmi di machine learning flessibili arbitrari. Il lavoro è presentato come un manoscritto di lavoro, invitando commenti sulle derivazioni teoriche e sui dettagli di implementazione.