Causal Stability Selection

Riepilogo Tecnico: Selezione di Stabilità Causale

Formulazione del Problema
Il problema centrale affrontato è l'identificazione di modificatori dell'effetto—covariate che spiegano l'eterogeneità negli effetti del trattamento. Sebbene molti studi riportino effetti medi del trattamento (ATE) nulli, le risposte al trattamento variano spesso sistematicamente con le covariate pre-trattamento ($X$). Formalmente, i modificatori dell'effetto sono definiti tramite l'Effetto Medio del Trattamento Condizionale (CATE), $\tau(x) = E[Y(1) - Y(0) | X=x]$. Una covariata $X_j$ è un modificatore dell'effetto se $\tau(X) \not\perp\!\!\perp X_j | X_{-j}$.

Le procedure esistenti adattive ai dati per la selezione delle variabili spesso non riescono a fornire controllo su campioni finiti sul numero atteso di scoperte false. Come illustrato nella simulazione motivazionale del documento, approcci standard come la divisione onesta (honest splitting) o il cross-fitting a K-fold combinati con Lasso o selezione di stabilità spesso risultano in tassi di scoperta falsa (FDR) gravemente inflazionati, minando l'affidabilità degli interventi mirati a valle. La sfida consiste nel scoprire un insieme parsimonioso di genuini modificatori dell'effetto mantenendo rigorose garanzie sui tassi di errore in campioni finiti, nonostante il fatto che il vero CATE $\tau(X)$ non sia osservato e debba essere stimato.

Metodologia: Selezione di Stabilità Causale (CausalStabSel)
Gli autori propongono la Selezione di Stabilità Causale, un algoritmo che integra la stima del CATE con cross-fitting e la Selezione di Stabilità del Percorso Integrato (IPSS). Il metodo opera in due fasi principali:

1. Stima Cross-Fitted delle Probabilità di Selezione:
   A differenza della selezione di stabilità standard che assume che l'esito sia direttamente osservato, CausalStabSel riconosce che la "risposta" per la selezione delle variabili è il CATE non osservato. L'algoritmo procede tramite $B$ iterazioni:

   • In ogni iterazione, i dati sono divisi in due sottoinsiemi disgiunti, $A$ e $A^c$.
   • Un stimatore del CATE $\hat{\tau}$ viene addestrato sul set tenuto fuori $A^c$.
   • Il modello addestrato prevede i valori del CATE per i campioni in $A$.
   • Un selettore di variabili di base $\hat{S}_\lambda$ (ad esempio, punteggi di importanza Lasso o XGBoost) viene applicato alle coppie $(x_i, \hat{\tau}(x_i))$ per $i \in A$.
   • Questo processo viene ripetuto con i ruoli invertiti ($A^c$ per l'addestramento, $A$ per la selezione) per generare $2B$ sottosamples.
   • La probabilità di selezione $\hat{\pi}_{j,m}(\lambda)$ per la covariata $j$ è calcolata come la proporzione di volte in cui $j$ viene selezionata su tutti i $2B$ sottosamples.

2. Costruzione dell'Insieme di Selezione:
   L'insieme finale dei modificatori dell'effetto è costruito utilizzando il criterio IPSS, che integra le probabilità di selezione su una griglia di parametri $\Lambda$ piuttosto che semplicemente massimizzarle. Una variabile $j$ viene selezionata se:
   $$\int_{\Lambda} f(\hat{\pi}_{j,m}(\lambda)) \mu(d\lambda) \geq \gamma$$
   dove $f(x) = (2x-1)^3 \mathbb{1}(x \geq 1/2)$ e $\mu$ è una misura di probabilità. Questo approccio produce un limite superiore più stretto sul numero atteso di falsi positivi (EFP) rispetto alla selezione di stabilità tradizionale. La soglia è determinata da un livello target di EFP $t$ o da un livello nominale di FDR $\alpha$.

Contributi Chiave
Il documento apporta tre contributi principali:

1. Quadro Unificato con Garanzie su Campioni Finiti: Gli autori forniscono il primo quadro per la scoperta di modificatori dell'effetto che offre un limite superiore non asintotico, su campioni finiti, sul numero atteso di falsi positivi. Questa garanzia vale senza restringere la forma del selettore di base o dello stimatore del CATE.
2. Connessione Teorica tra Stima e Scoperta: Il documento dimostra che le probabilità di selezione stimate convergono alle loro controparti "oracle" (dove il vero $\tau$ è noto) a un tasso governato direttamente dal tasso di convergenza dello stimatore del CATE sottostante. Nello specifico, se lo stimatore del CATE raggiunge un tasso parametrico ($n^{-1/2}$), le probabilità di selezione sono asintoticamente non distorte.
3. Trattabilità Computazionale e Stabilità: Aggregando i risultati attraverso sottosamples ripetuti, il metodo produce scoperte stabili anche in contesti ad alta dimensionalità, rimanendo computazionalmente fattibile mentre controlla le scoperte false.

Risultati
Il metodo è stato valutato attraverso estesi studi di simulazione e due applicazioni nel mondo reale:

• Simulazioni: In 34 esperimenti che coprono contesti lineari e non lineari con dimensioni, dimensioni campionarie e strutture di confondimento variabili, CausalStabSel è stato l'unico metodo che ha mantenuto l'FDR empirico al livello nominale o al di sotto di esso uniformemente in tutti i regimi. Metodi concorrenti, inclusi IPSS, Knockoffs e Benjamini-Hochberg, hanno mostrato un comportamento anti-conservativo (FDR significativamente superiore ai livelli nominali) quando applicati a CATE stimati. CausalStabSel ha raggiunto alti tassi di veri positivi (TPR) comparabili alle migliori alternative senza sacrificare la potenza.
• Applicazioni nel Mondo Reale:
  • Prova Randomizzata PRIME (Oncologia): Applicata a una prova di terapia anti-EGFR nel carcinoma colorettale metastatico. CausalStabSel ha identificato lo stato di mutazione KRAS (BMMTR1, BMMTR3) come modificatori dell'effetto, coerentemente con la letteratura clinica nota, insieme a piastrine, età e lattato deidrogenasi.
  • Fumo Materno e Peso alla Nascita (Osservazionale): Applicato ai registri delle nascite della Pennsylvania. Il metodo ha identificato l'età materna e lo stato di primogenito come modificatori dell'effetto, coerentemente con i risultati epidemiologici riguardanti la riduzione del peso alla nascita indotta dal fumo.
  • In entrambi i casi, l'inferenza su set tenuti fuori utilizzando specifiche BLP-on-CATE ha fornito corroborazione per i modificatori selezionati.

Significato e Affermazioni
Il documento afferma che CausalStabSel stabilisce un legame diretto e quantitativo tra la stima dell'effetto del trattamento e la scoperta di modificatori dell'effetto. Dimostrando che il bias nelle probabilità di selezione è controllato dall'errore di stima del CATE, gli autori mostrano che i miglioramenti nell'inferenza causale si traducono direttamente in una selezione delle variabili più affidabile.

Il significato del lavoro risiede nella sua capacità di risolvere il problema della "scoperta falsa" intrinseco nell'inferenza causale adattiva ai dati corrente. Gli autori sottolineano che senza controllo su campioni finiti, i risultati spurii rischiano di non replicarsi, il che è particolarmente pericoloso nella medicina di precisione e nel targeting delle politiche. CausalStabSel fornisce una soluzione robusta e teoricamente fondata che accoglie stimatori di effetti del trattamento e selettori di base arbitrari, rendendolo applicabile sia a prove randomizzate che a studi osservazionali sotto ipotesi identificative standard (SUTVA e ignorabilità forte).