Bayesian Sensitivity of Causal Inference Estimators under Evidence-Based Priors

Sintesi Tecnica: Sensibilità Bayesiana degli Stimatori di Inferenza Causale sotto Priori Basati sull'Evidenza

Enunciato del Problema
L'inferenza causale negli studi osservazionali si basa su assunzioni non verificabili riguardanti il processo generatore dei dati, come l'assenza di confondimento, modelli di esito condizionato ben specificati e validità esterna. L'analisi di sensibilità è lo strumento standard per valutare la robustezza delle conclusioni causali quando tali assunzioni vengono violate. Tuttavia, i framework esistenti fanno prevalentemente affidamento sull'analisi di sensibilità nel caso peggiore. Questi metodi cercano la minima deviazione da un valore assunto che inverte una decisione causale (ad esempio, cambiando il segno di un Effetto Medio del Trattamento, ATE).

Gli autori sostengono che le analisi nel caso peggiore soffrono di tre limitazioni critiche:

1. Violazioni Irrealistiche: Spesso identificano violazioni che sono matematicamente possibili ma empiricamente implausibili (ad esempio, uno spostamento della distribuzione che aumenta il reddito riducendo simultaneamente i livelli di istruzione), portando a conclusioni eccessivamente pessimistiche.
2. Problemi di Dimensionalità: Negli spazi multidimensionali di assunzioni, le analisi nel caso peggiore tendono ad assegnare la massima sensibilità a tutte le direzioni, rendendole poco informative per la prioritizzazione dell'allocazione delle risorse o della raccolta futura di dati.
3. Mancanza di Contesto: Trattano tutte le potenziali violazioni come ugualmente probabili, ignorando la conoscenza del mondo reale e l'evidenza empirica su come le variabili covariano effettivamente.

Metodologia
Il documento propone un framework unificato per generalizzare il valore-s (Gupta & Rothenhäusler, 2023) a tre comuni assunzioni causali:

1. Nessun Confondimento Non Misurato: Modellato tramite funzioni del rapporto di probabilità ($\epsilon$).
2. Modelli Condizionati Ben Specificati: Modellato tramite distribuzioni di esito condizionate ($\mu$).
3. Validità Esterna: Modellata tramite distribuzioni delle covariate ($p_X$).

Il framework definisce una variabile di assunzione $a$ (che rappresenta $\epsilon, \mu,$ o $p_X$), uno spazio di valori possibili $A$, e una metrica di divergenza $D$ (ad esempio, divergenza KL o distanza euclidea) per misurare l'entità di una violazione rispetto a un valore assunto $\hat{a}$.

1. Sensibilità nel Caso Peggiore (Baseline)
Gli autori formalizzano la sensibilità nel caso peggiore come il supremo della probabilità di un'inversione sull'insieme delle assunzioni che invertono la decisione:
$$\sup_{a \in A} \{ \exp(-D(a \parallel \hat{a})) \mid \tau(a) \leq \delta \}$$
Ciò è calcolato tramite ottimizzazione vincolata (utilizzando moltiplicatori di Lagrange e Discesa dello Specchio Entropico per le distribuzioni).

2. Valore di Sensibilità Bayesiana (BSV)
Per affrontare le limitazioni dell'approccio nel caso peggiore, gli autori introducono il Valore di Sensibilità Bayesiana (BSV). Invece di cercare l'unico scenario peggiore, il BSV calcola la sensibilità attesa alle violazioni delle assunzioni sotto una distribuzione a priori $\pi_A$ costruita da evidenze del mondo reale.
$$\text{BSV} = \mathbb{E}_{A \sim \pi_A} [ \exp(-D(A \parallel \hat{a})) \mid \tau(A) \leq \delta ]$$

• BSV Empirico (EBSV): Quando sono disponibili dati, la priori $\pi_A$ è costruita da database esterni (ad esempio, NHANES per le distribuzioni delle covariate, precedenti analisi di sottogruppo per i modelli di esito).
• Calcolo: Il BSV è stimato utilizzando campionamento Monte Carlo vincolato (nello specifico, campionamento per rifiuto). I campioni sono estratti dalla priori $\pi_A$, accettati solo se invertono la decisione causale ($\tau(A) \leq \delta$), e viene calcolata la divergenza media.

Contributi Chiave

• Framework Generalizzato: Gli autori estendono il framework del valore-s per unificare l'analisi di sensibilità per l'assenza di confondimento, i modelli di esito condizionato e la validità esterna, permettendo domande mirate su specifici sottoinsiemi di assunzioni.
• Nuovo Criterio (BSV/EBSV): Propongono una metrica di sensibilità fondata sull'evidenza del mondo reale che tiene conto della probabilità di violazioni specifiche, piuttosto che della loro semplice esistenza.
• Algoritmi: Il documento fornisce algoritmi pratici per entrambi i criteri: ottimizzazione vincolata per l'analisi nel caso peggiore e campionamento vincolato (Monte Carlo) per l'analisi bayesiana.
• Priori Empiriche: Il lavoro dimostra strategie per costruire priori empiriche da grandi database demografici e medici per informare le analisi di sensibilità in contesti reali.

Risultati
Gli autori validano il loro approccio attraverso studi di simulazione e un'applicazione nel mondo reale che analizza l'effetto dei trattamenti per il diabete (Semaglutide vs. Tirzepatide) sulla perdita di peso.

• Dimensionalità: Nelle simulazioni con un numero crescente di covariate, i valori di sensibilità nel caso peggiore convergono rapidamente a 1 (massima sensibilità) con varianza quasi nulla, fallendo nel distinguere tra diversi spazi di assunzioni. Al contrario, il BSV mantiene la variabilità e fornisce classifiche significative anche in dimensioni elevate.
• Correlazione: Le classifiche di sensibilità prodotte dal BSV e dall'analisi nel caso peggiore sono spesso non correlate o negativamente correlate. Le analisi nel caso peggiore segnalano frequentemente spazi multidimensionali come altamente sensibili, mentre il BSV identifica direzioni specifiche e plausibili di violazione.
• Applicazione nel Mondo Reale: Nello studio sul diabete, l'analisi nel caso peggiore suggeriva un'alta sensibilità per la sottopopolazione "Peso > 220 lbs". Tuttavia, l'EBSV, informato da priori empiriche derivanti dai dataset NHANES e UCI, indicava una sensibilità inferiore per questo gruppo. L'EBSV ha correttamente identificato che la distribuzione nel caso peggiore necessaria per invertire la decisione era altamente improbabile sotto i vincoli del mondo reale.
• Guadagno Informativo: Il BSV fornisce due metriche distinte: la probabilità di inversione della decisione sotto la priori e la media "dimensione" (divergenza) della violazione richiesta. Ciò permette ai praticanti di distinguere tra scenari in cui le inversioni sono probabili ma richiedono violazioni massive rispetto a scenari in cui le inversioni sono rare ma richiedono violazioni minime.

Significato e Affermazioni
Il documento afferma che l'analisi di sensibilità convenzionale nel caso peggiore è spesso poco informativa ed eccessivamente pessimistica, specialmente in contesti multidimensionali dove non riflette spostamenti realistici delle assunzioni. Spostando il focus da "qual è la violazione peggiore possibile?" a "quanto è sensibile la conclusione a violazioni *plausibili"?, il BSV offre uno strumento più azionabile per il processo decisionale.

Gli autori affermano che il BSV:

1. Fonda l'analisi sull'evidenza: Sfrutta dati su larga scala esistenti per costruire priori, allontanandosi da assunzioni arbitrarie o puramente teoriche.
2. Migliora la prioritizzazione delle risorse: Distinguendo tra direzioni di sensibilità plausibili e implausibili, aiuta i ricercatori a decidere dove concentrare la futura raccolta di dati e la progettazione degli studi.
3. Rimane utile in alta dimensionalità: A differenza dei metodi nel caso peggiore che diventano poco informativi all'aumentare della dimensionalità, il BSV continua a fornire insight differenziati.

Gli autori mantengono un tono modesto riguardo alle limitazioni, notando che la costruzione di priori empiriche per quantità non osservate (come i rapporti di probabilità $\epsilon$) rimane una sfida, e che il metodo è sensibile alla qualità e alla rappresentatività dei dati priori. Concludono che, sebbene il BSV sia un passo verso un'analisi di sensibilità più realistica, dovrebbe essere utilizzato insieme ai metodi tradizionali nel caso peggiore e a una documentazione trasparente della costruzione della priori.