📊 statistics

A Law of Iterated Expectation Primer for Causal Inference

Questo articolo fornisce un'introduzione che chiarisce la relazione tra la legge della speranza condizionata iterata e la g-formula per l'inferenza causale, presentando sia le forme non iterative che quelle iterative della formula e illustrandone l'applicazione attraverso esempi numerici progressivamente più complessi.

Autori originali: Ashley I. Naimi, Razieh Nabi, Lindsay J. Collin, Paul N. Zivich, Stephen R. Cole

Pubblicato 2026-06-19

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Ashley I. Naimi, Razieh Nabi, Lindsay J. Collin, Paul N. Zivich, Stephen R. Cole

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il Quadro Generale: Perché Ne Abbiamo Bisogno?

Immaginate di voler sapere se un farmaco specifico (chiamiamolo "Tamoxifene") prevenga effettivamente il ritorno del tumore al seno. In un mondo ideale, potreste somministrare il farmaco a un gruppo di persone e un placebo a un altro gruppo, per poi confrontare i risultati. Questo è un trial randomizzato.

Ma nel mondo reale, spesso disponiamo solo di dati osservazionali. Non possiamo costringere le persone a prendere un farmaco; ci limitiamo a osservare ciò che scelgono di fare. Il problema è che le persone che scelgono il farmaco potrebbero essere diverse da quelle che non lo scelgono (magari sono più malate o hanno una genetica diversa). Queste differenze sono chiamate confonditori. Se non ne teniamo conto, potremmo attribuire al farmaco qualcosa che in realtà è stato causato dalle condizioni di salute sottostanti del paziente.

Questo articolo è un "primer" (una guida per principianti) su come risolvere questo problema matematico. Spiega uno strumento matematico specifico chiamato Legge della Spettativa Iterata e mostra come aiuti a trasformare dati reali disordinati in una risposta chiara su causa ed effetto.

Il Concetto Centrale: La "Legge della Spettativa Iterata"

Pensate a questa legge come a un modo per calcolare una media ponderata.

Immaginate di essere un preside che cerca di trovare il punteggio medio dei test di tutta la scuola.

Il modo semplice: Sommate semplicemente i punteggi di ogni singolo studente e dividete per il numero di studenti. Questa è la "spettativa marginale".
Il modo "iterato": Vi rendete conto che la scuola ha classi diverse (prima elementare, seconda elementare, ecc.). Calcolate la media dei punteggi per gli alunni della prima classe, poi la media per la seconda classe, e così via. Successivamente, prendete queste medie per classe e le combinate, ma le pesate in base a quanti studenti ci sono in ogni classe.

La Legge della Spettativa Iterata dice semplicemente: Si ottiene lo stesso risultato finale sia che si faccia la media di tutti in una volta sola, sia che si facciano prima le medie dei gruppi e poi si combinino i gruppi.

Nell'articolo, gli autori spiegano che questa identità matematica è il motore dietro la g-formula, uno strumento famoso usato per determinare gli effetti causali.

Due Modi per Guidare la Stessa Auto: NICE e ICE

L'articolo introduce due modi diversi per usare questa matematica per risolvere il problema causale. Sono matematicamente identici (danno esattamente la stessa risposta), ma guardano i dati in modo diverso. Gli autori li chiamano NICE e ICE.

1. NICE (Non-Iterative Conditional Expectation)

L'analogia: L'approccio del "Libro di Ricette".
Immaginate di voler conoscere l'altezza media di tutte le persone in una città, ma avete dati solo su persone che indossano cappelli rossi e cappelli blu.

Come funziona il NICE: Guardate il gruppo dei "Cappelli Rossi" e calcolate la loro altezza media. Guardate il gruppo dei "Cappelli Blu" e calcolate la loro altezza media. Poi, guardate il censimento della città per vedere quale percentuale di persone indossa cappelli rossi rispetto ai blu. Infine, mescolate queste due medie usando le percentuali del censimento come pesi.
Nell'articolo: Gli autori mostrano questo con un semplice esempio di Tamoxifene e linfonodi. Calcolano il tasso di recidiva per diversi gruppi e poi "inseriscono" i numeri per ottenere una media ponderata finale.

2. ICE (Iterative Conditional Expectation)

L'analogia: L'approccio della "Macchina Predittiva".
Immaginate di essere un meteorologo. Invece di limitarsi a fare la media dei dati passati, costruite un modello che predice il tempo per ogni singolo giorno in base alle condizioni di quel giorno.

Come funziona l'ICE: Prendete i vostri dati, li fate passare attraverso un modello e generate un "risultato predetto" per ogni singola persona nel vostro dataset (come se avessero tutti preso il farmaco). Poi, prendete semplicemente la media di tutte quelle previsioni.
Nell'articolo: Gli autori mostrano che potete farlo creando una lista di previsioni "what-if" (cosa succederebbe se) per ogni persona e poi facendone la media.

Il punto chiave: Che facciate il "Libro di Ricette" (NICE) o la "Macchina Predittiva" (ICE), ottenete lo stesso numero. L'articolo dimostra che questi due metodi sono solo due modi diversi di scrivere la stessa frase matematica.

Diventare Più Complessi: Tempo e Parti in Movimento

L'articolo non si ferma agli esempi semplici. Mostra come questo funzioni quando le cose si complicano:

Più Variabili: Cosa succede se avete età, reddito, razza e sesso tutti mescolati insieme? Il "Libro di Ric рецепte" (NICE) diventa molto difficile da scrivere perché ci sono troppe combinazioni. La "Macchina Predittiva" (ICE) è molto più facile perché lasciate che il computer gestisca la matematica.
Confonditori che variano nel tempo: Questa è la parte più difficile. Immaginate uno scenario in cui:
- Prendete un farmaco al Tempo 1.
- Quel farmaco cambia la vostra salute (un confonditore) al Tempo 2.
- Questo nuovo stato di salute influenza se prendete una seconda dose del farmaco al Tempo 2.
- Infine, osservate l'esito al Tempo 3.
In questo scenario, la statistica standard fallisce perché il "confonditore" (la vostra salute) è stato modificato dal trattamento stesso. L'articolo mostra che la g-formula (usando la Legge della Spettativa Iterata) è l'unico modo per sciogliere questo nodo. Lo fa lavorando all'indietro:
- Prima, si predice l'esito alla fine.
- Poi, si lavora a ritroso per predire cosa è successo al Tempo 2.
- Poi, si lavora a ritroso al Tempo 1.
- Infine, si fa la media di tutto.
L'articolo chiama questo "ricorsione a ritroso" (backward recursion). È come risolvere un labirinto partendo dall'uscita e camminando all'indietro verso l'entrata.

Cosa Affermano Effettivamente gli Autori (e Cosa Non Affermano)

Affermano CHE: La Legge della Spettativa Iterata è la base matematica che ci permette di trasformare "ciò che abbiamo osservato" in "ciò che sarebbe successo" (effetti causali).
Affermano CHE: I metodi NICE e ICE sono matematicamente equivalenti. Rappresentano la stessa cosa, solo scritta diversamente.
Affermano CHE: In situazioni semplici (tempo fisso), entrambi i metodi sono facili. In situazioni complesse (tempo variabile), il metodo ICE (lavorare a ritroso) è spesso più facile da codificare e più robusto contro certi tipi di errori.
NON affermano CHE: Questo articolo fornisca nuovi risultati medici, nuove linee guida cliniche o consigli specifici per i medici su come trattare i pazienti. È puramente una guida sulla matematica e sulla logica di come analizzare i dati.
NON affermano CHE: Un metodo sia "migliore" dell'altro in senso generale; sono solo strumenti diversi per lo stesso lavoro. Tuttavia, notano che se i vostri modelli matematici sono errati, entrambi i metodi possono dare risposte errate.

In Sintesi

Questo articolo è un traduttore. Prende un concetto matematico molto denso e spaventoso (la Legge della Spettativa Iterata) e spiega come esso agisca da ponte tra i dati grezzi e la verità causale. Mostra ai ricercatori che, sia che utilizzino un approccio di "media ponderata" o un approccio di "predizione passo dopo passo", stanno utilizzando la stessa logica fondamentale per rispondere alla domanda: "Cosa sarebbe successo se avessimo fatto qualcosa di diverso?"

Sintesi Tecnica: Un'introduzione alla Legge della Spettativa Iterata per l'Inferenza Causale

Enunciato del Problema
La formula-g è uno strumento fondamentale per identificare gli effetti causali nei dati osservazionali, basandosi pesantemente sulla legge della spettativa iterata (LIE - Law of Iterated Expectation). Tuttavia, la notazione matematica utilizzata per esprimere la LIE e la formula-g — che spesso coinvolge l'integrazione rispetto a misure di probabilità (ad es., $dP(x)$) — può risultare opaca per i ricercatori con un background limitato in statistica matematica. Questa opacità crea una barriera alla comprensione dei meccanismi di stimatori causali ampiamente utilizzati, come la g-computazione parametrica. Inoltre, esiste spesso confusione riguardo alla relazione tra l'identità statistica della LIE e l'identificazione causale fornita dalla formula-g, nonché alla distinzione tra le due forme non parametricamente equivalenti della formula-g: la Spettativa Condizionata Non Iterativa (NICE - Non-Iterative Conditional Expectation) e la Spettativa Condizionata Iterativa (ICE - Iterative Conditional Expectation).

Metodologia
Questo articolo funge da introduzione (primer) progettata per colmare il divario tra identità matematiche astratte ed esempi pratici. Gli autori utilizzano un approccio pedagogico attraverso tre esempi numerici di complessità crescente per illustrare l'applicazione della LIE e della formula-g:

Esempio a Tempo Fisso (Confonditore Binario): Utilizzando dati sull'uso del tamoxifene e sulla ricorrenza del tumore al seno, gli autori dimostrano la formula-g con un singolo confonditore binario. Calcolano esplicitamente la differenza di rischio causale utilizzando sia la forma NICE (una somma pesata di medie condizionali) sia la forma ICE (spettative annidate), mostrando che producono risultati identici.
Esempio a Tempo Fisso (Confonditori Misti): Utilizzando i dati NHANES per stimare l'effetto della cessazione del fumo sul cambiamento di peso, gli autori affrontano uno scenario con un vettore multivariate di confonditori (continui, binari e categorici). Essi mettono a confronto lo sforzo computazionale della forma NICE (che richiede stratificazione esplicita e pesatura) con la semplicità computazionale della forma ICE (che calcola la media delle predizioni sulla distribuzione empirica).
Esempio a Tempo Variabile: Utilizzando un dataset simulato con due istanti temporali, gli autori affrontano scenari in cui la regressione standard fallisce a causa del confondimento tempo-variante influenzato dall'esposizione precedente. Dimostrano come la LIE si estenda ai contesti sequenziali, derivando la formula-g per le medie controfattuali. Dettagliano l'implementazione sia della forma NICE (che richiede la modellizzazione della distribuzione dei confonditori per generare i pesi) sia della forma ICE (utilizzando la ricorsione all'indietro/regressione sequenziale).

In tutti questi esempi, gli autori si affidano alle standard assunzioni di identificazione causale: consistenza causale, positività (e positività sequenziale) e scambiabilità condizionale (e scambiabilità condizionale sequenziale).

Contributi Chiave

Chiarificazione della Notazione: Il documento demistifica la notazione di integrazione ( $\int \cdot dP(x)$ ) utilizzata nella LIE, spiegandola come una media ponderata dove i pesi sono determinati dalla distribuzione di probabilità delle covariate. Distingue tra l'identità statistica della LIE e la formula-g causale, notando che quest'ultima è derivata combinando la LIE con le assunzioni di identificazione causale che permettono di sostituire le quantità controfattuali con quantità di dati osservati.
Duplice Formulazione della Formula-g: Gli autori definiscono e dimostrano esplicitamente due forme non parametricamente equivalenti della formula-g:
- NICE (Spettativa Condizionata Non Iterativa): Una singola media ponderata di medie condizionali dell'outcome. In contesti tempo-varianti, ciò richiede la modellizzazione della distribuzione dei confonditori tempo-varianti per generare i pesi.
- ICE (Spettativa Condizionata Iterativa): Una sequenza di spettative annidate. In contesti tempo-varianti, questa viene implementata tramite ricorsione all'indietro (g-computazione), eseguendo regressioni sull'outcome rispetto a covariate ed esposizioni ad ogni step temporale, procedendo a ritroso dal termine del follow-up.
Equivalenza Computazionale vs. Matematica: Il documento chiarisce che, sebbene NICE e ICE siano matematicamente equivalenti (rappresentando lo stesso estimando causale), esse differiscono computazionalmente. In contesti tempo-varianti, la NICE richiede la corretta specificazione dei modelli di distribuzione dei confonditori, mentre la ICE non ne ha bisogno, rendendo la ICE robusta alla misspecificazione dei modelli dei confonditori (sebbene entrambe richiedano modelli di outcome corretti).

Risultati
Attraverso gli esempi numerici, gli autori dimostrano che:

Entrambe le formulazioni NICE e ICE producono stime identiche degli effetti causali in contesti a tempo fisso (ad es., $\hat{\psi} = -0,03$ nell'esempio del tamoxifene e $\hat{\psi} = 3,1$ kg nell'esempio della cessazione del fumo).
In contesti tempo-varianti, l'approccio ICE (tramite ricorsione all'indietro) evita la necessità di modellare esplicitamente la distribuzione congiunta dei confonditori tempo-varianti, mentre l'approccio NICE richiede tali modelli per costruire i pesi necessari.
L'approccio ICE, implementato come una sequenza di regressioni, si allinea naturalmente con la meccanica della g-computazione longitudinale e della stima del massimo verosimile mirata (TMLE).

Significatività e Rivendicazioni
Gli autori pongono questo lavoro come un "primer" destinato a costruire intuizione per i ricercatori applicati. Affermano che una solida comprensione della LIE e delle sue due forme rende trasparenti i meccanismi degli stimatori causali. Il documento sostiene che comprendere la LIE fornisce un "ponte concettuale" che collega l'identificazione causale alla stima pratica.

Gli autori dichiarano con modestia che, sebbene NICE e ICE siano implementazioni computazionali differenti che possono produrre valori numerici diversi in campioni finiti o sotto misspecificazione del modello, esse sono rappresentazioni non parametricamente equivalenti dello stesso funzionale di dati osservati. Il documento conclude che la familiarità con la media strutturata e giustificata dalle assunzioni delle medie condizionali dell'outcome — sia in forma iterativa che non iterativa — equipaggia i ricercatori a comprendere, implementare e valutare criticamente l'intero spettro dei metodi-g nell'inferenza causale. Gli autori non propongono nuovi algoritmi o applicazioni future oltre l'ambito della chiarificazione delle metodologie esistenti.