Riassunto Tecnico: CaSPECT – Scoperta di Sottogruppi Casualmente Omogenei tramite Clustering Spettrale Diretto

1. Definizione del Problema

L'inferenza causale tradizionale si concentra spesso sulla stima dell'Effetto Causale Medio (ACE) o dell'Effetto Causale Medio Condizionale (CACE) su l'intera popolazione o basandosi sulla somiglianza dei covariate osservati. Tuttavia, questi approcci possono oscurare l'eterogeneità dell'effetto del trattamento, dove gli interventi producono risultati benefici per alcuni sottogruppi e dannosi per altri. I metodi esistenti di clustering causale non supervisionato (ad es., k-means causale, clustering gerarchico) raggruppano tipicamente gli individui in base a funzioni di effetto del trattamento stimate, ma spesso si affidano a tecniche di clustering classiche che ignorano la sottostante topologia causale. Inoltre, molti metodi richiedono modelli di propensity score pre-specificati o faticano quando le sottopopolazioni presentano sovrapposizioni nelle distribuzioni marginali dei covariate pur differendo nei meccanismi causali.

Il documento affronta la sfida di scoprire sottogruppi causalmente omogenei da dati osservazionali senza fare affidamento sulla somiglianza dei covariate o su modelli parametrici pre-specificati. L'obiettivo è individuare strutture latenti in cui gli individui condividono percorsi di propagazione causale simili, piuttosto che solo caratteristiche osservate simili.

2. Metodologia: Il Framework CaSPECT

CaSPECT (Causal Spectral Clustering) è una pipeline in quattro fasi che sposta l'obiettivo del clustering dallo spazio delle caratteristiche alla topologia causale. Costruisce un grafo di somiglianza basato sulla struttura di un Grafo Aciclico Diretto (DAG) appreso ed esegue il clustering spettrale su questa struttura causale.

Fase 1: Formazione e Orientamento del DAG

Il framework inizia recuperando un DAG completamente orientato ($G^*$) dai dati osservazionali:

1. Recupero dello Scheletro: Un algoritmo PC stabilizzato tramite bootstrap viene utilizzato per identificare uno scheletro causale stabile. Gli archi vengono mantenuti solo se la loro frequenza di inclusione ($f_{uv}$) attraverso $B$ campionamenti bootstrap supera una soglia $\theta$, limitando i falsi positivi.
2. Orientation Validation Score (OVS): Poiché l'algoritmo PC non può orientare tutti gli archi (a causa dell'equivalenza di Markov), CaSPECT introduce un nuovo OVS per risolvere le ambiguità. L'OVS combina:
   • Evidenza Bootstrap ($\delta_{PC}$): Evidenza di orientamento netta dal algoritmo PC ($f_{uv} \cdot (\rho_{uv} - \rho_{vu})$).
   • Evidenza LiNGAM ($\delta_{L}$): Preferenza direzionale da DirectLiNGAM basata sulla non-gaussianità dei termini di errore.
   • Il punteggio è pesato da $w_{PC}$ e $w_L$ (dove $w_L$ scala con il numero di variabili non gaussiane).
3. Gerarchia di Risoluzione: Gli archi con $|OVS| \le \gamma$ rimangono ambigui. Essi vengono risolti tramite un filtro di aciclicità, le regole di Meek, l'ordinamento dominio/temporale o la contrazione degli archi (fusione dei nodi per preservare l'aciclicità del DAG invece di simmetrizzare gli archi, il che violerebbe il criterio di backdoor).

Fase 2: Stima del Peso degli Archi Causali

Una volta orientato il DAG, gli archi vengono pesati dalla magnitudo dell'Effetto Causale Medio (ACE) identificato tramite l'insieme di aggiustamento backdoor:

• Archi Lineari: Se un test RESET conferma la linearità, l'Ordinary Least Squares (OLS) stima il coefficiente strutturale $\beta_{uv}$.
• Archi Non Lineari: Se viene rilevata la non-linearità, viene utilizzato il Double Machine Learning (DML) con cross-fitting per stimare l'ACE, garantendo robustezza contro gli errori di stima delle funzioni di disturbo.
• Pesatura della Stabilità: Il peso finale dell'arco ($A^{stab}_{uv}$) è il prodotto della magnitudo dell'ACE stimato e della frequenza di inclusione bootstrap ($f_{uv}$). Questo attenua il contributo degli archi instabili preservando al contempo i segnali causali forti.

Fase 3: Costruzione del Laplaciano di Chung e Embedding Spettrale

La matrice di adiacenza pesata viene normalizzata per formare una matrice di transizione $P$. CaSPECT utilizza il Laplaciano Diretto di Chung ($L = I - \frac{1}{2}(P + P^*)$), dove $P^*$ è la matrice tempo-invertita. Questo operatore è simmetrico e semidefinito positivo, permettendo la decomposizione spettrale.

• La dimensione di embedding $K^*$ viene selezionata in base al più grande gap spettrale (disuguaglianza di Cheeger), corrispondente a comunità causali ben separate.
• I dati vengono proiettati sugli autovettori di $L$ per ottenere un embedding spettrale a bassa dimensione ($\tilde{X}$) dove la prossimità riflette la somiglianza nei percorsi di propagazione causale.

Fase 4: Clustering

Il clustering k-means standard viene applicato all'embedding spettrale $\tilde{X}$. Il numero ottimale di cluster $k$ viene selezionato utilizzando il punteggio Silhouette e la statistica Gap.

3. Contributi Chiave

• Clustering Spettrale Causale: Propone un framework per raggruppare gli individui in base alla topologia di un DAG appreso piuttosto che sullo spazio dei covariate osservati, affrontando il limite dei metodi che falliscono quando le sottopopolazioni presentano sovrapposizioni nelle distribuzioni marginali.
• Orientation Validation Score (OVS): Introduce un meccanismo ibrido che combina la stabilità bootstrap del PC e la non-gaussianità di LiNGAM per orientare gli archi in modo robusto, con garanzie teoriche di consistenza sotto assunzioni standard.
• Contrazione degli Archi vs. Simmetrizzazione: Sostiene la fusione dei nodi ambigui (contrazione) invece della simmetrizzazione degli archi, il che preserva l'aciclicità necessaria per un valido aggiustamento di backdoor e l'interpretazione causale.
• Consistenza Teorica: Stabilisce la consistenza quasi certa dell'intera pipeline, dimostrando che all'aumentare della dimensione del campione $n \to \infty$, lo scheletro stabile recupera l'insieme reale degli archi, i pesi degli archi convergono alle reali magnitudo ACE, e l'errore di embedding spettrale decade con un tasso parametrico ($O(n^{-1/2})$).
• Robustezza al Confounding: Dimostra la capacità di correggere un forte confondimento senza modelli di propensity score pre-specificati, identificando sottopopolazioni causalmente comparabili.

4. Risultati e Validazione

Studi di Simulazione

Il metodo è stato valutato su dati sintetici con verità fondamentale nota in tre scenari:

1. DAG Lineare con Errori Non Gaussiani: CaSPECT ha mostrato una migliore stima dell'effetto causale (diminuzione dell'RMSE) con l'aumentare della dimensione del campione. Tuttavia, le prestazioni di clustering (Adjusted Rand Index) non sono migliorate strettamente con $n$, suggerendo che l'embedding spettrale cattura la struttura causale globale ma potrebbe essere meno sensibile ai cambiamenti specifici dell'intercetta del trattamento che definiscono le sottopopolazioni.
2. Linearità Mista: Il framework si è adattato con successo agli archi non lineari usando il DML. Sebbene l'RMSE sia aumentato leggermente a causa della varianza del DML in campioni finiti, il metodo ha correttamente identificato l'eterogeneità strutturale.
3. Confounding Latente: In presenza di lievi violazioni della sufficienza causale, la pesatura della stabilità bootstrap ha efficacementmente soppresso gli archi spurii, permettendo un miglior recupero strutturale e una riduzione del bias di stima all'aumentare della dimensione del campione.

• Studi di Ablazione: Hanno confermato che la rimozione dell'OVS (affidandosi solo al PC) ha ridotto significativamente l'accuratezza dell'orientamento e le prestazioni di clustering. La rimozione della pesatura della stabilità bootstrap ha avuto un effetto minore in campioni grandi, ma ha evidenziato il suo ruolo di regolarizzazione in campioni finiti. La simmetrizzazione degli archi (invece della contrazione) ha distrutto l'informazione direzionale, portando a un clustering scadente.

Applicazioni nel Mondo Reale

• Dataset LaLonde CPS1: CaSPECT ha separato con successo il campione in due cluster senza un modello di propensity score.
  • Cluster 1: Individui economicamente stabili, non neri, sposati (solo unità di controllo).
  • Cluster 2: Individui economicamente svantaggiati, diversificati (contiene tutte le unità trattate).
  • Risultato: L'ACE globale era negativo ($-1.70$), riflettendo un severo confondimento. Limitare l'analisi al Cluster 2 ha rivelato un ACE positivo e statisticamente significativo ($+1.40$), coerente con il benchmark sperimentale, dimostrando la capacità del metodo di isolare sottogruppi causalmente comparabili.
• Dataset IHDP: La pipeline ha separato neonati trattati e di controllo in cluster distinti basati sulla struttura causale, nonostante l'alto disallineamento dei covariate. Ha identificato correttamente che il cluster composto solo da controlli (Cluster 1) aveva un potenziale effetto del trattamento reale più alto, evidenziando i limiti di identificazione (violazione della positività) per quel gruppo.
• Dataset 401(k): Il metodo ha identificato due sottogruppi economici distinti.
  • Cluster 1: Nuclei familiari ad alto reddito e con doppio reddito.
  • Cluster 2: Nuclei familiari a basso reddito e con reddito singolo.
  • Risultato: Contrariamente all'intuizione, il Cluster 2 ha mostrato un effetto del trattamento maggiore ($9,873 vs $7,884). Gli autori interpretano questo come segue: i nuclei del Cluster 1 possiedono già canali di risparmio esistenti (effetto di sostituzione), mentre l'eleggibilità per il 401(k) per il Cluster 2 rappresentava una vera espansione delle infrastrutture di risparmio.

5. Significato e Rivendicazioni

Il documento afferma che CaSPECT fornisce un framework rigoroso per mappare risposte specifiche al trattamento a interventi strutturali localizzati. Il suo significato primario risiede nel:

• Disaccoppiamento dalla Somiglianza dei Covariate: Distingue con successo sottopopolazioni sovrapposte dove i metodi tradizionali di CACE o mixture SEM falliscono, a causa della sovrapposizione delle distribuzioni marginali, concentrandosi su "come fluisce l'influenza" piuttosto che su "quali valori assumono le variabili".
• Imposizione Implicita del Common Support: Incorporando gli individui in base ai percorsi di propagazione causale, il metodo separa naturalmente le osservazioni causalmente incomparabili, imponendo efficacementamente il common support senza trimming o matching espliciti.
• Integrazione di Scoperta e Stima: Unifica la scoperta causale (apprendimento del DAG), la stima dell'effetto (DML/OLS) e il clustering (metodi spettrali) in un'unica pipeline consistente.

Gli autori riconoscono i compromessi: le prestazioni del metodo dipendono dall'accuratezza della formazione iniziale del DAG e dall'assunzione di sufficienza causale. Sebbene la pesatura tramite bootstrap mitighi l'incertezza minore, un DAG fondamentalmente errato può propagare gli errori. Il documento posiziona CaSPECT non come un sostituto per tutti i metodi causali, ma come un approccio complementare e guidato dai dati per scoprire regimi causali latenti che i metodi tradizionali trascurano.