Sintesi Tecnica: Inferenza Causale con Confondente Non Osservato Categorico tramite Apprendimento da Miscele

Enunciato del Problema

La stima degli effetti causali da dati osservazionali è fondamentalmente ostacolata dalla confusione non osservata – variabili latenti che influenzano sia l'assegnazione del trattamento che gli esiti. I metodi standard, come la regressione o l'abbinamento per punteggio di propensione, falliscono quando questi confondenti non sono misurati, portando a stime distorte (ad esempio, il paradosso di Simpson).

La letteratura esistente tenta di affrontare questo problema attraverso due vie principali, entrambe soggette a limitazioni:

1. Inferenza Causale Prossimale: Utilizza variabili proxy (controlli negativi) per identificare gli effetti causali. Tuttavia, i quadri attuali (ad esempio, Miao et al., 2018; Tchetgen Tchetgen et al., 2020) richiedono che i proxy siano rigidamente classificati in ruoli asimmetrici: proxy che inducono il trattamento, proxy che inducono l'esito e cause comuni. Nella pratica, trovare variabili che soddisfino queste condizioni specifiche e asimmetriche è spesso difficile.
2. Multi-Trattamento (Il "Deconfounder"): Sfrutta trattamenti multipli condizionalmente indipendenti per inferire la struttura latente (Wang and Blei, 2019). Sebbene concettualmente promettente, le condizioni di identificabilità per questo approccio sono oggetto di dibattito (Ogburn et al., 2019), e i metodi di stima esistenti si basano spesso su algoritmi euristici (ad esempio, Massimizzazione della Speranza) che mancano di garanzie di convergenza globale o di consistenza su campioni finiti.

Questo articolo colma il vuoto dimostrando che gli effetti causali sono identificabili sia in contesti multi-proxy che multi-trattamento quando il confondente non osservato è categorico (assumendo un numero finito di valori). Gli autori propongono un quadro basato sull'apprendimento da miscele e sulla decomposizione tensoriale per recuperare la struttura di confusione latente senza richiedere una classificazione asimmetrica dei proxy o una stima euristica.

Metodologia

L'intuizione fondamentale è che, quando il confondente latente $U$ è categorico e sono presenti almeno tre visioni condizionalmente indipendenti (proxy o trattamenti), il problema di identificazione si riduce al recupero di una distribuzione di miscela finita. Gli autori utilizzano il metodo dei momenti tramite decomposizione tensoriale per raggiungere questo obiettivo.

1. Contesto Multi-Proxy

Il quadro ipotizza un confondente latente $U \in \{1, \dots, K\}$ e $p \ge 3$ variabili proxy $Z_1, Z_2, Z_3$ che sono condizionalmente indipendenti dato $U$. A differenza dei lavori precedenti, questi proxy non devono essere classificati in ruoli causali specifici; sono trattati simmetricamente.

• Identificabilità: Sotto le ipotesi di indipendenza condizionale e indipendenza lineare delle misure condizionali, i parametri della distribuzione di miscela (pesi di miscelazione $\pi_u$ e densità dei componenti $P_{v,u}$) sono strettamente identificabili a meno di permutazione (Allman et al., 2009).
• Procedura di Stima:
  1. Apprendimento Tensoriale Non Supervisionato: Applicare una decomposizione tensoriale robusta (Anandkumar et al., 2014) alla distribuzione congiunta dei proxy per stimare i pesi di miscelazione $\hat{\pi}$ e le densità dei componenti $\hat{f}_{v,u}$.
  2. Recupero delle Posteriori: Calcolare la probabilità a posteriori dello stato latente per ogni unità: $\hat{w}_u(Z) = P(U=u|Z)$.
  3. Stima del Modello di Trattamento: Regredire il trattamento $A$ sulle caratteristiche ponderate dalle posteriori recuperate per stimare i parametri specifici del cluster per il trattamento.
  4. Stima del Modello di Esito: Aggiornare le posteriori per tenere conto dell'assegnazione del trattamento ($P(U=u|A, Z)$) e regredire l'esito $Y$ sulle caratteristiche ponderate da queste posteriori aggiornate per stimare i parametri specifici del cluster per l'esito.
  5. Calcolo dell'Effetto Causale: Calcolare l'Effetto Medio del Trattamento (ATE) e l'Effetto Medio Condizionale del Trattamento (CATE) integrando sulla struttura latente recuperata.

2. Contesto Multi-Trattamento

Il quadro si estende a scenari privi di proxy ma con trattamenti multipli (almeno tre) condizionalmente indipendenti $A_1, A_2, A_3$.

• Identificabilità: Analogamente al contesto proxy, la distribuzione congiunta dei trattamenti consente l'identificazione unica dei parametri della miscela latente.
• Stima: Una decomposizione tensoriale viene applicata direttamente alle variabili di trattamento per recuperare la prior latente e le probabilità di emissione. Queste vengono poi utilizzate per costruire caratteristiche ponderate per una regressione finale sull'esito al fine di stimare i parametri causali.

3. Garanzie Teoriche

L'articolo fornisce limiti di errore non asintotici per l'intera pipeline di stima.

• Consistenza su Campioni Finiti: Gli autori derivano limiti di errore per la fase di decomposizione tensoriale (stima delle posteriori) e propagano questi errori attraverso le successive fasi di regressione.
• Convergenza: L'algoritmo proposto raggiunge la consistenza su campioni finiti per il parametro causale (ATE), con un limite di errore di $O(\log(\delta) \cdot n^{-\frac{b}{2b+7d}})$, dove $b$ è un parametro di regolarità e $d$ è la dimensione dei proxy.
• Convergenza Globale: A differenza degli algoritmi EM, il metodo di potenza tensoriale utilizzato garantisce la convergenza globale sotto lievi condizioni di non degenerazione.

Contributi Chiave

1. Ipotesi sui Proxy Rilassate: L'articolo introduce un quadro causale multi-proxy che non richiede la classificazione rigida dei proxy in esposizioni o esiti di controllo negativo. Richiede solo una raccolta di tre o più proxy condizionalmente indipendenti.
2. Identificabilità e Stima: Gli autori stabiliscono l'identificabilità dei parametri del modello e degli stimatori causali (ATE, CATE) sia per contesti multi-proxy che multi-trattamento, sotto l'ipotesi di un confondente latente categorico.
3. Stabilità Algoritmica: Propongono una procedura di stima efficiente basata sulla decomposizione tensoriale che offre garanzie di convergenza globale, evitando i problemi di ottimi locali comuni nell'inferenza variazionale o nell'algoritmo EM.
4. Teoria su Campioni Finiti: L'articolo fornisce limiti di errore rigorosi su campioni finiti per la stima non parametrica delle distribuzioni posteriori latenti e dei successivi parametri causali, culminando in una garanzia di consistenza per l'ATE.
5. Generalizzazione Non Parametrica: I risultati di identificabilità sono estesi a un contesto non parametrico più ampio (Teorema 5.2), sebbene l'implementazione algoritmica specifica per il caso completamente non parametrico sia indicata come lavoro futuro.

Risultati Sperimentali

Gli autori validano il loro metodo attraverso simulazioni e analisi di dati reali:

• Simulazioni: Sia nei contesti multi-proxy che multi-trattamento, lo stimatore proposto dimostra la convergenza verso i veri coefficienti causali all'aumentare della dimensione del campione, performando bene anche con dati limitati.
• Dati Reali (Dataset BWGHT): Il metodo è stato applicato per stimare l'effetto del fumo materno sul peso alla nascita dei neonati. Il confondente non osservato è stato identificato come lo stato socio-economico familiare latente.
  • Utilizzando tre proxy (reddito familiare, istruzione del padre, istruzione della madre), la decomposizione tensoriale ha recuperato una struttura latente trivalente ($K=3$).
  • I cluster risultanti si allineavano con il consenso epidemiologico (classi svantaggiate ad alto rischio, classe media discordante e classi protettive altamente avvantaggiate).
  • L'effetto causale stimato del fumo era negativo in tutti gli strati latenti, rafforzando le precedenti scoperte sulla restrizione della crescita fetale indotta dal fumo.

Significato e Affermazioni

L'articolo afferma di stabilire un "ponte concreto tra l'apprendimento da miscele e l'inferenza causale". Riformulando il problema della confusione categorica non osservata come un problema di identificazione di miscele latenti, gli autori evitano i problemi inversi mal posti tipici degli approcci basati su equazioni integrali utilizzati nell'inferenza causale prossimale.

Il significato di questo lavoro risiede in:

• Praticità: Rimuove la difficile esigenza di trovare controlli negativi asimmetrici, rendendo l'inferenza causale prossimale più applicabile a domini in cui tali variabili sono difficili da identificare.
• Rigor Teorico: Fornisce il primo metodo di stima consistente per il contesto multi-trattamento con garanzie di convergenza globale e limiti di errore su campioni finiti, colmando le lacune teoriche nella letteratura del "Deconfounder".
• Innovazione Metodologica: Dimostra che la decomposizione tensoriale può essere efficacemente sfruttata per "smiscelare" le distribuzioni dei confondenti latenti, consentendo un recupero causale consistente in contesti precedentemente considerati intrattabili senza forti assunzioni parametriche o condizioni di identificazione non verificabili.

Gli autori rimangono modesti riguardo alle direzioni future, notando che, sebbene i loro risultati attuali trattino le distribuzioni dei proxy in modo non parametrico, l'algoritmo di stima assume forme parametriche per i modelli di trattamento ed esito. La generalizzazione del quadro a un contesto completamente non parametrico per la stima è identificata come un'estensione naturale per la ricerca futura.