Regularity, Phase Transitions, and Uniform Inference for Proximal Counterfactual Quantile Processes

Sintesi Tecnica: Regolarità, Transizioni di Fase e Inferenza Uniforme per Processi Quantilici Controfattuali Prossimali

Enunciato del Problema
Questo articolo affronta la sfida di stimare le funzioni di distribuzione controfattuali, gli effetti del trattamento quantilici (QTE) e le misure di rischio nella coda inferiore (come il CVaR) in studi osservazionali in cui è presente confondimento non misurato. Mentre l'inferenza causale distribuzionale standard si basa sull'assunzione di assenza di confondimento non misurato, l'inferenza causale prossimale utilizza proxy di controllo negativo (Z che induce il trattamento e W che induce l'esito) per identificare gli effetti causali.

La letteratura esistente ha stabilito l'identificazione puntuale per gli effetti medi del trattamento (ATE) e quantili specifici utilizzando equazioni di ponte prossimali. Tuttavia, un'applicazione puntuale diretta di questi metodi all'intera funzione di distribuzione controfattuale $\{F_a(y) : y \in \mathcal{Y}\}$ è teoricamente incompleta. Essa non riesce a caratterizzare il confine di regolarità del problema inverso sottostante, non produce il kernel di covarianza efficiente per il processo di funzione di distribuzione cumulativa (CDF), non può generare bande quantiliche simultanee libere dalla densità e non quantifica come proxy deboli degradino l'inferenza dalla regolarità di radice-$n$ a tassi più lenti. Il problema fondamentale è determinare quando il processo di distribuzione controfattuale può essere stimato in modo regolare, efficiente e uniforme sotto identificazione prossimale.

Metodologia
Gli autori ripresentano la stima della distribuzione controfattuale prossimale come un problema inverso primale-duale.

1. Formulazione Primale-Duale:

   • Ponte Primale: Per un braccio di trattamento $a$ e una soglia $y$, il ponte di esito $h_{a,y}$ risolve $T_a h_{a,y} = g_{a,y}$, dove $T_a$ è l'operatore di aspettativa condizionata e $g_{a,y}$ è l'aspettativa condizionata dell'indicatore $1\{Y \le y\}$.
   • Ponte Duale: La CDF controfattuale è un funzionale lineare $\ell(h) = E\{h(W, X)\}$. Il ponte duale $q_a$ è il rappresentante di Riesz di questo funzionale, che risolve l'equazione aggiuntiva $T_a^* q_a = 1$.
   • Identificazione: La CDF è identificata tramite la rappresentazione primale $F_a(y) = E\{h_{a,y}(W, X)\}$ o la rappresentazione duale $F_a(y) = E\{1\{A=a\}q_a(Z, X)1\{Y \le y\}\}$.

2. Regolarità e Transizioni di Fase:

   • L'articolo stabilisce che l'esistenza di un ponte duale a quadrato integrabile $q_a$, combinato con una condizione minima di momento residuo, costituisce il confine esatto di regolarità.
   • Utilizzando una caratterizzazione compatta del sistema singolare (analoga alle condizioni di Picard per le equazioni di Fredholm), gli autori derivano una transizione di fase. La stima regolare di radice-$n$ è possibile se e solo se la serie $\sum_j \ell_{a,j}^2 / s_{a,j}^2$ converge, dove $s_{a,j}$ sono i valori singolari dell'operatore e $\ell_{a,j}$ sono i coefficienti del funzionale target.
   • Se questa serie diverge (indicando una rilevanza debole del proxy), i limiti di efficienza a dimensione finita divergono e i benchmark di inversione gaussiana esibiscono tassi minimax più lenti.

3. Teoria del Processo e Stima:

   • Funzione di Influenza Efficiente (EIF): L'articolo deriva il gradiente canonico per il processo CDF:
     $$\phi_{a,y}(O) = h_{a,y}(W, X) - F_a(y) + 1\{A=a\}q_a(Z, X)\{1\{Y \le y\} - h_{a,y}(W, X)\}$$
   • Inferenza Uniforme: Viene costruito un stimatore one-step con cross-fitting per ottenere espansioni uniformi doppiamente robuste. Gli autori dimostrano la convergenza debole del processo CDF controfattuale verso un limite gaussiano compatto con un kernel di covarianza esplicito.
   • Bande Quantiliche Libere dalla Densità: Invece di stimare la densità controfattuale (che è mal posta), il metodo costruisce bande CDF simultanee e le inverte per ottenere bande quantiliche simultanee conservative e libere dalla densità.
   • Rischio nella Coda Inferiore: Per il Conditional Value at Risk (CVaR), viene utilizzata una rappresentazione "ponte di carenza". Derivando il valore di un criterio di carenza ottimizzato (tramite il teorema dell'involucro di Danskin), la funzione di influenza risultante evita la necessità di stimare la densità controfattuale.
   • Implementazione: Gli stimatori utilizzano algebra lineare in forma chiusa per sistemi a rango finito, regolarizzazione convessa di Tikhonov per sistemi mal condizionati e proiezione isotona per imporre vincoli di forma.

Contributi Chiave

1. Identificazione Primale-Duale: Formalizza l'identificazione della CDF controfattuale come una coppia di problemi inversi primale e duale.
2. Dicotomia di Regolarità: Dimostra che in un modello di dati osservati saturo-soglia, la differenziabilità lungo il percorso del funzionale CDF è equivalente all'esistenza di un ponte duale a quadrato integrabile e di un momento residuo finito.
3. Transizione di Fase Spettrale: Caratterizza il fenomeno del "proxy debole", mostrando che l'inferenza di radice-$n$ fallisce esattamente quando i valori singolari dell'operatore proxy decadono troppo rapidamente rispetto ai coefficienti del funzionale target.
4. Teoria del Processo Efficiente: Deriva il kernel di covarianza efficiente per l'intero processo CDF e stabilisce la convergenza debole uniforme.
5. Inferenza Libera dalla Densità: Fornisce un metodo per costruire bande quantiliche simultanee e intervalli di confidenza CVaR nella coda inferiore senza stimare la densità controfattuale, evitando così un'ulteriore fonte di mal-postezza.
6. Stimatori a Rango Finito: Sviluppa stimatori in forma chiusa e convessi a rango finito con condizioni di tasso esplicite per proxy deboli.

Risultati

• Simulazioni:
  • Calibrazione: In contesti a rango finito, lo stimatore Proximal Doubly Robust (PDR) proposto corregge il bias e raggiunge una copertura vicina al nominale, mentre i metodi ingenui di confondimento osservato rimangono distorti.
  • Transizione di Fase: Man mano che la rilevanza del proxy diminuisce, la norma del ponte duale e la deviazione standard della funzione di influenza si gonfiano, portando a bande di confidenza più ampie e alla perdita finale di informatività, coerentemente con la transizione di fase teorica.
  • Inferenza sul Processo: Le bande QTE simultanee libere dalla densità mantengono una copertura valida anche quando la stima della densità è difficile (ad esempio, esiti multimodali), mentre le bande delta basate sulla densità sottostimano la copertura.
  • Integrazione con Machine Learning: Le mappe di caratteristiche apprese (splines, alberi, reti neurali) migliorano l'approssimazione delle funzioni di ponte ma preservano la struttura finale convessa di ridge; la correzione prossimale rimane necessaria anche con un aggiustamento ML flessibile per le covariate osservate.
• Dati Reali (Studio RHC): Applicato ai dati sulla cateterizzazione del cuore destro, lo stimatore PDR prossimale ha attenuato sostanzialmente gli spostamenti distribuzionali stimati (QTE e CVaR) rispetto al ML-IPW ingenuo. Le bande libere dalla densità risultanti contenevano lo zero, suggerendo che i grandi effetti apparenti nelle analisi standard potrebbero essere artefatti del confondimento non misurato.

Significato e Affermazioni
L'articolo afferma di fornire la prima teoria semiparametrica completa per i processi di distribuzione controfattuale prossimale. Non rivendica novità per l'identificazione puntuale (che deriva dalla teoria ATE esistente applicata agli indicatori), ma sostiene che l'approccio puntuale è insufficiente per l'inferenza distribuzionale.

Il significato risiede in:

• Identificazione del Confine: Definire esplicitamente quando l'inferenza distribuzionale prossimale è regolare rispetto a non regolare, andando oltre l'"identificazione in principio" verso la "stimabilità in pratica".
• Diagnostica Spettrale: Fornire un criterio concreto (la condizione di Picard sui valori singolari) per diagnosticare se proxy deboli distruggeranno l'inferenza di radice-$n$.
• Inferenza Robusta sul Processo: Offrire una via pratica e libera dalla densità all'inferenza quantilica simultanea che evita l'instabilità della stima delle densità controfattuali, particolarmente preziosa in contesti prossimali mal posti.
• Quadro Unificato: Unificare il trattamento di CDF, QTE e CVaR sotto un singolo quadro di operatori di ponte primale-duale, mostrando che le condizioni di regolarità per tutti questi oggetti sono governate dalle stesse proprietà del range aggiuntivo.

Gli autori rimangono modesti, notando che la dicotomia di regolarità è dimostrata per un modello saturo (implicando che la non regolarità in sottomodelli più piccoli è specifica del modello) e che la transizione di fase minimax è stabilita per un benchmark di coordinate singolari gaussiane. Sottolineano che la validità dei risultati dipende infine dalla plausibilità scientifica delle assunzioni sui proxy, che non può essere verificata dai dati da soli.