Sintesi Tecnica: Verso una Comprensione Olistica del Bias di Selezione per l'Identificazione dell'Effetto Causale

1. Enunciato del Problema

Il bias di selezione è una sfida pervasiva negli studi osservazionali, in cui i punti dati vengono inclusi preferenzialmente in base a variabili osservate, portando a una discrepanza tra la sottopopolazione selezionata e la popolazione target. Un esempio classico è il "bias del volontario sano" nelle biobanche, dove i rispondenti possiedono spesso uno status socio-economico più elevato e una salute migliore rispetto alla popolazione generale.

Il problema centrale affrontato è l'identificabilità dell'Effetto Medio del Trattamento (ATE) in presenza di tale bias. Nello specifico, il documento distingue tra due obiettivi:

1. s-ATE-sub: Stima dell'ATE all'interno della sottopopolazione selezionata.
2. s-ATE-full: Stima dell'ATE per l'intera popolazione target utilizzando esclusivamente dati provenienti dalla sottopopolazione selezionata.

Gli autori sostengono che la stima dello s-ATE-full è significativamente più complessa perché richiede un'estrapolazione oltre la distribuzione dei dati osservati. I metodi esistenti spesso si basano su assunzioni forti, come l'identificazione della posizione esatta della selezione in un Grafo Aciclico Diretto (DAG) causale (ad esempio, i criteri di backdoor di selezione) o l'imposizione di assunzioni distribuzionali restrittive (ad esempio, rumore non gaussiano nei modelli a rumore additivo). Questi approcci spesso falliscono in scenari in cui la selezione dipende da interazioni complesse o in cui il meccanismo di selezione non è completamente noto.

2. Metodologia

2.1. Quadro Teorico

Il documento propone un quadro basato sulla distribuzione anziché fare affidamento esclusivamente su criteri grafici. Definisce il problema utilizzando tre classi di distribuzione:

• Punteggi di Propensione ($P_{t|x}$): La probabilità di trattamento date le covariate.
• Distribuzioni Covariate-Risultato ($P_{xy(t)}$): La distribuzione congiunta di covariate e potenziali risultati.
• Probabilità di Selezione ($P_{s|xyt}$): La probabilità che un punto dati sia incluso nel dataset.

Gli autori introducono la Condizione 1, una condizione necessaria e sufficiente per l'identificabilità dello s-ATE-full. Tale condizione afferma che per qualsiasi coppia di tuple di distribuzioni compatibili che producano ATE diversi, le loro distribuzioni osservate (condizionate alla selezione $S=1$) devono differire. Formalmente, se due distribuzioni sottostanti $P$ e $Q$ hanno ATE diversi, deve esistere un punto $(x, y, t)$ nel supporto in cui il prodotto della probabilità di selezione, del punteggio di propensione e della distribuzione del risultato differisce tra $P$ e $Q$.

2.2. Risultati Teorici Chiave

Il documento dimostra che la Condizione 1 vale sotto assunzioni specifiche e relativamente deboli:

• Selezione Deterministica: Se la selezione è deterministica (cioè, certe regioni dei dati sono completamente censurate), l'ATE è identificabile se le distribuzioni covariate-risultato appartengono a una famiglia liscia (ad esempio, parametrizzazioni polinomiali) e i punteggi di propensione soddisfano una debole condizione di sovrapposizione (c-overlap). Questo sfrutta i risultati delle statistiche troncate per estrapolare la distribuzione originale da quella troncata (osservata).
• Selezione Non Deterministica: Se la selezione è probabilistica ma limitata da zero (d-selection-overlap), l'ATE è identificabile per un'ampia gamma di famiglie di distribuzioni comuni, inclusi le distribuzioni Gaussiana, Laplace, Pareto e Log-normale. L'intuizione è che per queste famiglie, le differenze nei risultati medi si manifestano come differenze illimitate nei rapporti di densità, garantendo che le distribuzioni osservate differiscano se gli ATE differiscono.

2.3. Connessione ai Criteri Grafici

Gli autori dimostrano che le loro condizioni distribuzionali generalizzano i criteri grafici esistenti. Ad esempio:

• Il criterio Selection-Backdoor (Correa et al., 2019) è un caso particolare della Condizione 1.
• I risultati sulla selezione dipendente dal risultato (Zhang et al., 2016), che in precedenza richiedevano modelli a rumore additivo non gaussiano, vengono estesi per includere distribuzioni gaussiane e altre distribuzioni a code pesanti nel quadro proposto.
• Il quadro non richiede di individuare la posizione esatta della selezione nel DAG, aggirando un importante limite pratico degli approcci grafici precedenti.

2.4. Algoritmo di Stima

Quando le classi di distribuzione soddisfano le condizioni identificate, il documento propone una procedura di stima in tre fasi (Algoritmo 1):

1. Stima della Propensione: Stimare il punteggio di propensione $\hat{e}(x)$ e identificare la regione di sovrapposizione $B$ dove $c < \hat{e}(x) < 1-c$.
2. Modellazione: Stimare la distribuzione condizionale del risultato $\hat{P}(y|x, t)$ e la funzione di bias di selezione $\hat{\beta}(x, y, t)$. Questo viene ottenuto tramite:
   • Massima Verosimiglianza (MLE): Minimizzazione della log-verosimiglianza negativa con regolarizzazione per prevenire l'indeterminazione.
   • Score Matching: Minimizzazione della distanza tra il gradiente della log-densità del modello e i dati osservati, che è invariante rispetto ai fattori di scala.
3. Estrapolazione: Ripesare i campioni osservati per $1/\hat{\beta}$ per recuperare la densità della popolazione e calcolare l'ATE controfattuale.

3. Contributi Chiave

1. Definizione e Condizioni Generali: Il documento fornisce una definizione generale del bias di selezione e stabilisce condizioni necessarie e sufficienti (Condizione 1) per l'identificabilità dell'ATE sotto selezione, andando oltre le strutture grafiche specifiche.
2. Assunzioni Più Deboli: A differenza di lavori precedenti che richiedevano rumore non gaussiano o forme funzionali specifiche, questo quadro permette una selezione dipendente da variabili osservate arbitrarie e funziona con famiglie di distribuzioni comuni (Gaussiana, Laplace, ecc.) sotto lievi assunzioni di regolarità.
3. Estensione dell'Identificabilità: I risultati estendono la portata degli scenari identificabili per includere impostazioni precedentemente considerate non identificabili nella letteratura, in particolare quelle che coinvolgono selezione dipendente dal risultato con rumore gaussiano.
4. Stimatori Pratici: Il documento introduce metodi di stima concreti (MLE e Score Matching con correzione del bias) che sfruttano le statistiche troncate per estrapolare dai campioni selezionati all'intera popolazione.

4. Risultati Sperimentali

Gli autori valutano i loro metodi su dataset sintetici e semi-sintetici:

• Dati Sintetici: Gli esperimenti sono stati condotti con varie distribuzioni di rumore (Gaussiana, Laplace) e forme funzionali (additive, moltiplicative). I metodi proposti (MLE+β e SM+β) hanno costantemente superato le linee di base come la Ponderazione Inversa della Propensione Naive (IPW) e la Regressione Polinomiale. I metodi corretti hanno ridotto significativamente il bias, mentre le linee di base non sono riuscite a tenere conto del meccanismo di selezione.
• Dati Semi-Sintetici (All of Us): Utilizzando distribuzioni reali di covariate dal dataset NIH "All of Us" (Diabete di Tipo 2 e BMI), gli autori hanno generato risultati sintetici. Sebbene il bias non sia stato completamente eliminato a causa della complessità delle distribuzioni reali (ad esempio, punteggi di propensione molto bassi che portano a una debole sovrapposizione), i metodi proposti hanno diminuito sostanzialmente il bias rispetto alle linee di base, dimostrando robustezza in scenari realistici e impegnativi.

5. Significato e Affermazioni

Il documento afferma di offrire una comprensione olistica del bias di selezione spostando il focus dalla topologia grafica alle proprietà distribuzionali. Il suo significato risiede in:

• Ampliamento dell'Applicabilità: Rilassando la necessità di strutture grafiche specifiche e forti assunzioni parametriche (come il rumore non gaussiano), il quadro rende l'identificazione dell'effetto causale fattibile in una gamma più ampia di scenari pratici.
• Rigor Teorico: Fornisce le prime condizioni necessarie e sufficienti per l'identificabilità dello s-ATE-full sotto bias di selezione generale, chiarificando esattamente quando e perché l'identificazione è possibile.
• Avanzamento Metodologico: L'integrazione di statistiche troncate e score matching offre un percorso percorribile per stimare effetti causali in presenza di meccanismi di selezione complessi dove i metodi di aggiustamento tradizionali falliscono.

Gli autori riconoscono modestamente i limiti, notando che le assunzioni riguardanti le classi di distribuzione, sebbene più deboli rispetto ai lavori precedenti, sono ancora necessarie per le garanzie teoriche. Suggeriscono che il lavoro futuro potrebbe concentrarsi sul rilassamento di queste assunzioni, sull'applicazione del quadro alla scoperta causale e sul miglioramento delle tecniche di stima per distribuzioni di dati reali altamente complesse.