Sintesi Tecnica: Identificabilità Computazionale

Definizione del Problema

L'identificabilità causale tradizionale, definita "identificabilità teorica", si basa su derivazioni matematiche per dimostrare l'esistenza di un parametro causale unico date un set di assunzioni (es. grafi causali, assiomi di probabilità). Questo approccio assume generalmente proprietà asintotiche, dati infiniti o altre condizioni idealizzate. Sebbene esistano algoritmi sound e completi per specifiche classi di modelli (es. do-calculus per SCM semi-Markoviani ricorsivi), essi spesso falliscono in scenari pratici che coinvolgono:

• Dimensioni campionarie finite.
• Criteri grafici ambigui dove esistono molteplici set di aggiustamento ma la loro ottimalità dipende da parametri strutturali sconosciuti.
• Miscele complesse di dati osservazionali e interventistici.
• Contesti che richiedono assunzioni parametriche (es. linearità, non-gaussianità) che sono difficili da verificare analiticamente.

Di conseguenza, le garanzie teoriche offrono spesso poca guida su se un parametro target possa essere effettivamente stimato in uno specifico scenario con dati finiti.

Metodologia: Identificabilità Computazionale

Gli autori propongono l'identificabilità computazionale, un framework che ridefinisce l'identificabilità come il successo di una procedura di ricerca computazionale finita per un estimatore empirico, piuttosto che l'esistenza di una soluzione analitica unica.

Definizioni Core

1. Distribuzione di Miscela Causale: Il framework definisce una somma pesata di distribuzioni empiriche (da dati osservazionali, interventistici o controfattuali) e distribuzioni teoriche derivate da un Modello Causale Strutturale (SCM). Ciò consente l'integrazione di diverse fonti di dati.
2. Identificabilità Computazionale (Definizione 4): Una query causale $\Theta[C, x]$ è considerata $\epsilon$-$\delta$-identificabile condizionatamente a un prior $\pi$ sugli SCM e a uno spazio di ipotesi $\mathcal{H}$ se esiste una funzione $\phi \in \mathcal{H}$ tale che la probabilità che l'errore dell'estimatore sia entro una tolleranza $\epsilon$ sia almeno $1-\delta$.
   • A differenza dell'identificabilità teorica, questa è condizionata dal prior (distribuzione sugli SCM), dallo spazio di ipotesi (la classe di stimatori), dalla dimensione del campione e dalla tolleranza dell'errore.
3. Approccio di Meta-Learning: Per operazionalizzare questo, gli autori trattano l'identificabilità come un problema di meta-learning. Definiscono una distribuzione congiunta su campioni di miscela causale e valori di query causale. Un meta-learner (specificamente Conditional Neural Processes o Set Transformers) viene addestrato per mappare le osservazioni e i punti di query ai valori della query causale.
4. Stima dell'Identificabilità: La probabilità di identificabilità è stimata empiricamente addestrando il meta-modello su una distribuzione di SCM e valutando le sue prestazioni (es. RMSE o accuratezza della regressione quantile) su un set di test. Gli autori utilizzano la regressione quantile (architetture Q-CNP e Q-TNP) per gestire distribuzioni di effetti del trattamento skewed o multimodali e per stimare la probabilità che l'errore rientri in una specifica tolleranza.

Componenti Chiave

• Condizionamento del Prior: La distribuzione del parametro target deve essere sufficientemente concentrata attorno a un valore unico data l'informazione disponibile.
• Condizionamento dell'Ipotesi: Deve esistere uno stimatore all'interno dello spazio di ipotesi scelto in grado di predire il parametro target.
• Approssimazione: L'obiettivo è la predizione entro una tolleranza di errore accettabile, non necessariamente l'identificazione puntuale perfetta.

Contributi Chiave

1. Introduzione dell'Identificabilità Computazionale: Un concetto di identificabilità pratica e legata al calcolo che integra le definizioni teoriche esistenti. Inquadra l'identificabilità come una ricerca di un estimatore di successo entro un budget computazionale finito.
2. Formalizzazione del Meta-Learning per l'Inferenza Causale: Il paper generalizza la connessione tra stima dell'effetto causale e meta-learning, definendo i componenti necessari (spazio di ipotesi, tolleranza dell'errore, limiti di confidenza e distribuzioni di miscela) per calcolare e valutare l'identificabilità computazionale.
3. Dimostrazione Empirica: Il framework viene applicato a scenari complessi con campioni finiti ridotti dove le garanzie teoriche sono insufficienti o ambigue.

Risultati Sperimentali

Gli autori validano il framework attraverso tre scenari distinti:

1. Selezione del Set di Aggiustamento Ottimale

In contesti in cui esistono molteplici set di aggiustamento validi (es. $Z_0 = \emptyset$, $Z_1 = \{Z_1\}$, $Z_{12} = \{Z_1, Z_2\}$), i criteri teorici spesso non possono determinare quale sia l'ottimale senza conoscere i parametri strutturali.

• Risultato: Il meta-modello ha identificato con successo il "set di aggiustamento condizionalmente ottimale" (O-set) basandosi sul prior sulle equazioni strutturali. Per modelli lineari con prior uniformi, $Z_{12}$ era ottimale; per equazioni strutturali basate su MLP casuali, $Z_0$ era ottimale. Ciò dimostra la capacità di distinguere tra setting teoricamente equivalenti in base alle prestazioni empiriche.

2. Trasportabilità con Dati Misti

Lo studio ha esaminato l'identificazione di effetti causali sotto confondimento nascosto utilizzando un mix di dati osservazionali e interventistici dove le distribuzioni del trattamento differivano.

• Risultato: L'identificabilità computazionale ha rivelato una relazione non monotona tra la composizione dei dati e le prestazioni. Sebbene i dati interventistici aiutassero generalmente, un dataset composto interamente da dati interventistici (con una distribuzione del trattamento disallineata) performava peggio di un dataset senza alcun dato interventistico. Il framework ha quantificato il mix ottimale di tipi di dati per massimizzare la probabilità di identificabilità.

3. Identificazione Controfattuale (CATE vs. ITE)

Gli autori hanno confrontato l'identificabilità degli Effetti Medi del Trattamento Condizionali (CATE) e degli Effetti del Trattamento Individuali (ITE) in presenza di moderatori non osservati e rumore.

• Risultato:
  • CATE: Identificabile in tutti i setting, non richiede né dati interventistici né controfattuali.
  • ITE: Richiedeva dati controfattuali per l'identificazione. I soli dati interventistici non aiutavano e potevano degradare le prestazioni in contesti privi di rumore.
  • Dipendenza dall'Architettura: L'identificabilità è stata mostrata essere condizionata dallo spazio di ipotesi. L'architettura Q-TNP (Set Transformer) ha imparato con successo a far corrispondere i singoli datapoint per il recupero di ITE, mentre la Q-CNP (mean-pooled) ha fallito, evidenziando che l' "identificabilità" è relativa alla classe di stimatori scelta.
  • Non-Monotonicità: L'aumento della dimensione del dataset migliorava la stima di CATE ma talvolta degradava la stima di ITE, contraddicendo le normali aspettative teoriche e sottolineando la natura condizionata del framework proposto.

Significato e Rivendicazioni

Il paper sostiene che l'identificabilità computazionale fornisca un'alternativa azionabile ed empirica all'identificabilità teorica. Il suo significato primario risiede nel:

• Praticità: Risponde a domande granulari sull'identificabilità in scenari con piccoli campioni, grafi ambigui e dati misti dove le soluzioni analitiche sono intrattabili.
• Natura Condizionata: Riconosce esplicitamente che l'identificabilità non è una proprietà assoluta di un modello, ma è condizionata dal prior, dallo spazio di ipotesi, dalla dimensione del campione e dalla tolleranza dell'errore.
• Ricerca Sistematica: Offre una via per cercare sistematicamente algoritmi di identificazione e limiti parziali in nuovi setting dove i risultati teorici non esistono ancora.

Gli autori mantengono una posizione modesta, notando che questo framework è un complemento, e non un sostituto, dell'identificabilità teorica. Suggeriscono che il lavoro futuro potrebbe estendere queste definizioni all'analisi della sopravvivenza, ai dati mancanti e ai setting ad alta dimensionalità, e automatizzare ulteriormente il processo di ricerca.