Sintesi Tecnica: Identificazione e Delimitazione dei Momenti Centrali degli Effetti Causali Utilizzando Informazioni sui Momenti Marginali

Definizione del Problema

Nel campo dell'inferenza causale, valutare l'eterogeneità degli effetti del trattamento è un obiettivo critico che va oltre la stima dell'Effetto Causale Medio (ACE). Sebbene la distribuzione degli Effetti Causali Individuali (ICE), definiti come $Y_1 - Y_0$, caratterizzi questa eterogeneità, i metodi esistenti per identificare o delimitare la distribuzione dell'ICE (ad esempio, Fan e Park [2010], Post e Van Den Heuvel [2025]) e i suoi momenti centrali (Kawakami e Tian [2025]) richiedono tipicamente l'accesso alle distribuzioni marginali complete degli esiti potenziali (PO), $P(Y_1 < y)$ e $P(Y_0 < y)$.

In molti contesti empirici, tuttavia, i dati completi a livello individuale o le funzioni di distribuzione complete non sono disponibili a causa di restrizioni sulla privacy, riservatezza o per la natura di studi storici accumulati che riportano solo statistiche riassuntive aggregate. In tali casi, sono accessibili solo i momenti centrali marginali (ad esempio, media, varianza, asimmetria, curtosi) dei gruppi di trattamento e di controllo. Questo articolo affronta il problema dell'identificazione e della delimitazione dei momenti centrali dell'ICE, denotato con $\mu^{(m)}$, utilizzando solo i momenti centrali marginali dei risultati potenziali, $\sigma^{(k)}_1$ e $\sigma^{(k)}_0$, senza assumere la conoscenza delle intere distribuzioni marginali.

Metodologia

Gli autori utilizzano il quadro dei Modelli Causali Strutturali (SCM) e degli esiti potenziali. I momenti centrali dell'ICE sono definiti come $\mu^{(m)} = E[(Y_1 - Y_0 - E[Y_1 - Y_0])^m]$. I momenti centrali marginali dei PO sono definiti come $\sigma^{(k)}_x = E[(Y_x - E[Y_x])^k]$ per $x \in \{0, 1\}$.

La metodologia è divisa in due approcci primari:

1. Identificazione sotto l'Assunzione di Deviazione dell'Effetto Indipendente (IED):
   Il documento indaga l'identificazione sotto la condizione IED, in cui l'ICE è indipendente dall'esito basale: $(Y_1 - Y_0) \perp\!\!\!\perp Y_0$. Sotto questa assunzione, gli autori derivano formule di identificazione ricorsive. Nello specifico, il Teorema 1 mostra che se i momenti marginali fino all'ordine $m$ (escludendo specifici ordini intermedi) sono disponibili, il $m$-esimo momento centrale dell'ICE può essere identificato ricorsivamente. Notevolmente, sotto IED, la varianza ($\mu^{(2)}$) è identificata semplicemente come la differenza tra le varianze dei PO ($\sigma^{(2)}_1 - \sigma^{(2)}_0$), e momenti di ordine superiore come l'asimmetria e la curtosi possono essere identificati se i corrispondenti momenti marginali sono disponibili.

2. Delimitazione senza IED:
   Riconoscendo che l'assunzione IED è forte e spesso non testabile, il documento deriva limiti (bounds) stretti per $\mu^{(m)}$ utilizzando solo i momenti marginali disponibili $(\sigma^{(k)}_1, \sigma^{(k)}_0)$ senza assumere l'indipendenza.

   • Varianza ($\mu^{(2)}$): Gli autori analizzano la correlazione $\lambda$ tra l'ICE e la variabile basale $Y_0$. Derivano limiti stretti per $\mu^{(2)}$ basati su $\sigma^{(2)}_1$ e $\sigma^{(2)}_0$, dimostrando che la varianza è delimitata da $(\sqrt{\sigma^{(2)}_1} \pm \sqrt{\sigma^{(2)}_0})^2$. Dimostrano inoltre che la conoscenza di momenti di ordine superiore (come asimmetria o curtosi) non restringe necessariamente il limite per la varianza, a meno che non siano soddisfatte specifiche condizioni.
   • Momenti di Ordine Superiore: Il documento fornisce limiti per il terzo ($\mu^{(3)}$) e quarto ($\mu^{(4)}$) momento centrale. Per i momenti dispari, se sono noti solo momenti pari di ordine inferiore, i limiti sono spesso banali (ovvero, $(-\infty, \infty)$). Tuttavia, se il $m$-esimo momento dei PO è noto, è possibile derivare limiti non banali per $m$ pari.
   • Nitidezza (Sharpness): Gli autori definiscono rigorosamente la "nitidezza" come la proprietà per cui non esiste un intervallo chiuso più stretto dato l'informazione sui momenti. Forniscono controesempi (nel Materiale Supplementare) per dimostrare che, sebbene alcuni limiti siano nitidi, combinare più vincoli di momenti (ad esempio, conoscere sia la varianza che la curtosi) non produce sempre limiti nitidi per i momenti dell'ICE, specialmente per i momenti di ordine superiore.

Contributi Chiave e Risultati

1. Risultati di Identificazione sotto IED:

   • Il documento stabilisce che, sotto la condizione IED, i momenti centrali dell'ICE sono identificabili dai momenti centrali marginali dei PO.
   • Corollario 1 & 2: Nello specifico, l'asimmetria e la curtosi dell'ICE sono identificabili se i corrispondenti momenti marginali (3° e 4°) sono disponibili, insieme alla varianza.

2. Limiti Stretti per i Momenti Centrali:

   • Varianza: Il Teorema 3 fornisce limiti stretti per $\mu^{(2)}$ usando solo $\sigma^{(2)}_1$ e $\sigma^{(2)}_0$: $(\sqrt{\sigma^{(2)}_1} - \sqrt{\sigma^{(2)}_0})^2 \leq \mu^{(2)} \leq (\sqrt{\sigma^{(2)}_1} + \sqrt{\sigma^{(2)}_0})^2$.
   • Momenti Superiori: I Teoremi 16–18 generalizzano questi risultati per un $m$ arbitrario. Per $m$ pari, se $\sigma^{(m)}_1$ e $\sigma^{(m)}_0$ sono disponibili, vengono derivati limiti stretti. Per $m$ dispari, il documento mostra che conoscere un singolo momento inferiore $k \leq m$ generalmente non fornisce limiti non banali per $\mu^{(m)}$ (eccetto in casi estremi in cui i momenti inferiori sono zero).
   • Intersezione dei Limiti: Il documento indaga se l'intersezione dei limiti provenienti da diversi momenti disponibili (ad esempio, usando sia $\sigma^{(2)}$ che $\sigma^{(4)}$) produca risultati più stretti. Gli autori riscontrano che, sebbene ciò restringa spesso l'intervallo, i limiti risultanti sono generalmente non nitidi (Teorema 7, 11, 15), tranne in casi specifici che coinvolgono la varianza e i momenti superiori.

3. Casi di Studio Empirici:
   Gli autori applicano i loro metodi a due studi reali in cui sono state riportate solo statistiche riassuntive:

   • Moseley et al. [2002] (Artroscopia del Ginocchio): Utilizzando medie e deviazioni standard riportate, gli autori delimitano la varianza dell'ICE. Riscontrano una sostanziale eterogeneità, con la varianza che può variare da 19,36 a 806,56. Sotto l'assunzione di correlazione positiva tra il basale e l'ICE, il limite superiore si restringe significativamente.
   • Špirtović et al. [2023] (Programma di Aerobica): Utilizzando media, deviazione standard, asimmetria e curtosi riportate, gli autori delimitano la varianza, l'asimmetria e la curtosi dell'ICE. I limiti risultanti sono ampi, riflettendo la fondamentale non-identificabilità data l'informazione limitata, ma permettono comunque di caratterizzare la forma della distribuzione (ad esempio, asimmetria positiva sotto IED).

4. Esperimenti Numerici:
   Le simulazioni che confrontano i limiti basati sui momenti proposti con un estimatore di integrazione Monte Carlo (MCI) (che assume distribuzioni marginali complete) mostrano che:

   • In alcuni contesti, i limiti basati sui momenti sono comparabili o addirittura più stretti dei limiti MCI.
   • Il metodo proposto è robusto in contesti a campione finito, sebbene gli intervalli di confidenza si allarghino con campioni più piccoli.

Significato e Rivendicazioni

Il documento sostiene che i suoi risultati di identificazione e delimitazione siano novi, poiché il problema di valutare i momenti centrali dell'ICE utilizzando solo i momenti centrali marginali non è mai stato studiato sistematicamente prima.

• Rilevanza Pratica: La significatività primaria risiede nel rendere possibile l'analisi dell'eterogeneità per studi che riportano solo statistiche riassuntive (medie, varianze, asimmetria, curtosi) anziché dataset completi. Ciò consente ai ricercatori di ri-analizzare studi storici accumulati o studi con dati soggetti a restrizioni sulla privacy per inferire l'entità e la struttura dell'eterogeneità dell'effetto del trattamento.
• Limiti dell'Informazione: Gli autori dichiarano con modestia che il loro lavoro caratterizza esplicitamente "cosa si può e non si può apprendere" sotto l'informazione dei soli momenti. Dimostrano che, mentre la varianza può spesso essere delimitata in modo significativo, le caratteristiche di ordine superiore (come asimmetria e curtosi) sono intrinsecamente sottodeterminate senza assunzioni più forti (come IED) o la conoscenza della distribuzione completa.
• Nitidezza (Sharpness): Il documento sottolinea che i limiti derivati sono nitidi dove dichiarato, fornendo gli intervalli più stretti possibili date le specifiche informazioni sui momenti. Tuttavia, riconosce anche che per molte combinazioni di momenti disponibili, i limiti non sono nitidi, evidenziando i limiti fondamentali dell'inferenza da statistiche aggregate.

Gli autori concludono che, mentre l'assunzione IED permette l'identificazione puntuale, i limiti derivati senza di essa forniscono una caratterizzazione necessaria dell'incertezza inerente all'eterogeneità dell'effetto causale quando sono disponibili solo i momenti marginali. Notano che il lavoro futuro potrebbe esplorare il restringimento di questi limiti utilizzando assunzioni strutturali aggiuntive, come i grafi causali o la monotonicità.