Sintesi Tecnica: Imparare Chi Trattare Quando il Trattamento è Mancante

Formulazione del Problema

Il documento affronta la sfida di apprendere politiche ottimali di allocazione del trattamento ($d: \mathcal{X} \to \{0, 1\}$) sotto vincoli di budget ($\kappa$) quando i dati di assegnazione del trattamento ($A$) sono mancanti per una porzione della popolazione. L'obiettivo è massimizzare l'utilità attesa $V(d) = E[Y(d(X))]$ identificando gli individui con il più alto Effetto Medio Condizionale del Trattamento (CATE), $\tau(X) = E[Y(1) - Y(0) | X]$.

I metodi standard di apprendimento delle politiche assumono dati completi. Tuttavia, negli studi osservazionali (ad esempio, in ambito sanitario o nei servizi sociali), le registrazioni del trattamento sono frequentemente mancanti a causa di record incompleti, errori di misurazione o problemi di integrazione dei dati. Il documento distingue tra due meccanismi di mancanza:

1. Mancanza Completamente Casuale Condizionata (MCCAR): La mancanza ($R=0$) dipende solo dalle covariate osservate $X$. Formalmente, $R \perp\!\!\!\perp (A, Y) \mid X$.
2. Mancanza Casuale (MAR): La mancanza dipende dalle covariate osservate $X$ e dagli esiti osservati $Y$. Formalmente, $R \perp\!\!\!\perp A \mid (X, Y)$.

Sotto MCCAR, l'analisi standard dei casi completi (scartando le unità con $A$ mancante) è valida ma potenzialmente inefficiente. Sotto MAR, l'analisi dei casi completi è distorta perché il meccanismo di mancanza è correlato all'esito, violando l'assunto che la mancanza sia indipendente dai potenziali esiti dati le covariate. Il documento restringe l'attenzione a questi due scenari, escludendo gli scenari MNAR (Mancanza Non Casuale) in cui la mancanza dipende da fattori non osservati.

Metodologia

Gli autori estendono i metodi della funzione di influenza efficiente (IF), originariamente sviluppati per la stima dell'Effetto Medio del Trattamento (ATE) sotto l'assunto MAR, ai problemi di stima del Valore della Politica e della stima del CATE.

1. Strategie di Identificazione

Il documento propone due strategie di identificazione basate sugli assunti di mancanza:

• Strategia Uno (basata su MAR): Valida sia per MCCAR che per MAR. Utilizza tutti i dati disponibili (inclusi i casi parzialmente osservati) rinc权重ando (reweighting) gli esiti osservati. Il valore della politica è identificato come:
  $$V(d) = E\left[\frac{\beta_d(X)}{\gamma_d(X)}\right]$$
  dove $\beta_d(X) = E[Y \lambda_d(X, Y) \mid X]$ e $\gamma_d(X) = E[\lambda_d(X, Y) \mid X]$. Qui, $\lambda_d(X, Y) = P(A=d(X) \mid X, Y, R=1)$ è il punteggio di propensione condizionato agli esiti, e $\pi(X, Y) = P(R=1 \mid X, Y)$ è la probabilità di osservare il trattamento.
• Strategia Due (basata su MCCAR): Valida solo sotto MCCAR. È uno stimatore dei casi completi che utilizza solo le unità con trattamenti osservati:
  $$V(d) = E[\nu_d(X)]$$
  dove $\nu_d(X) = E[Y \mid X, A=d(X), R=1]$.

2. Stimatori Efficienti

Gli autori derivano stimatori corretti per il bias e doppiamente robusti utilizzando le Funzioni di Influenza (IF) per raggiungere i limiti di efficienza semiparametrici.

• Stimatore MCCAR ($\hat{\Phi}_{MCCAR}$): Basato sulla IF $\phi_{MCCAR}$, che si affida alle funzioni di disturbo $\eta_d(X) = P(A=d(X), R=1 \mid X)$ e $\nu_d(X)$. È consistente se $\hat{\eta}_d$ o $\hat{\nu}_d$ sono correttamente specificati.
• Stimatore MAR ($\hat{\Psi}_{MAR}$): Basato sulla IF $\phi_{MAR}$, che sfrutta l'intero campione. Richiede la stima consistente delle funzioni di disturbo $\pi(X, Y)$, $\lambda_d(X, Y)$, $\beta_d(X)$ e $\gamma_d(X)$. Fondamentalmente, richiede la stima consistente di $\gamma_d$ (il punteggio di propensione senza la condizione sull'esito) oltre a $\lambda_d$ o $\pi$.

3. Apprendimento della Politica (Stima del CATE)

Per apprendere la politica ottimale, gli autori impiegano il framework DR-Learner. Costruiscono pseudo-esiti basati sulla differenza tra gli stimatori della funzione di valore MAR o MCCAR per il trattamento ($A=1$) e il controllo ($A=0$):

• $\tilde{\phi}_{MAR} = \hat{\phi}_{MAR}(1) - \hat{\phi}_{MAR}(0)$
• $\tilde{\phi}_{MCCAR} = \hat{\phi}_{MCCAR}(1) - \hat{\phi}_{MCCAR}(0)$

Questi pseudo-esiti vengono regrediti sulle covariate $X$ utilizzando metodi generici di machine learning (ad esempio, Random Forests) per stimare $\tau(X)$. La politica ottimale è poi definita trattando gli individui in cui il CATE stimato supera una soglia determinata dal vincolo di budget.

Contributi Chiave

1. Estensione degli Stimatori Efficienti: Gli autori estendono i metodi della funzione di influenza efficiente dalla stima dell'ATE alla stima del valore della politica e del CATE sotto gli assunti MAR e MCCAR.
2. Dimostrazione dell'Efficienza Teorica: Il documento dimostra che lo stimatore basato su MAR è asintoticamente più efficiente dello stimatore MCCAR (caso completo) ogni volta che entrambi sono validi (ovvero, sotto gli assunti MCCAR). Ciò fornisce una giustificazione formale per preferire i metodi basati su MAR anche quando l'assunto più forte di MCCAR è soddisfatto, poiché lo stimatore MAR utilizza le unità parzialmente osservate per ridurre la varianza.
3. Robustezza alla Misspecificazione: I proposti stimatori possiedono proprietà di doppia robustezza. Lo stimatore MAR rimane consistente se l'uno o l'altro modello (modello dell'esito $\lambda_d$ o modello della mancanza $\pi$) è correttamente specificato, a condizione che il modello del punteggio di propensione $\gamma_d$ sia stimato consistentemente.
4. Validazione Empirica: Esperimenti esaustivi su dataset sintetici e semi-sintetici (Voting e STAR) dimostrano che la corretta specificazione del meccanismo di mancanza è critica. Gli stimatori misspecificati rimangono distorti indipendentemente dalla dimensione del campione, mentre i proposti stimatori MAR raggiungono prestazioni vicine all'oracolo quando gli assunti sono soddisfatti.

Risultati

• Esperimenti Sintetici:
  • Convergenza: In contesti MAR, lo stimatore MCCAR mostra un bias persistente anche con grandi dimensioni campionarie, mentre lo stimatore MAR converge all'oracolo. In contesti MCCAR, entrambi gli stimatori sono non distorti, ma lo stimatore MAR raggiunge tassi di convergenza leggermente più rapidi.
  • Robustezza: Lo stimatore MAR è robusto alla misspecificazione del punteggio di propensione del trattamento o del meccanismo di mancanza, ma non di entrambi simultaneamente.
  • Guadagni di Efficienza: L'analisi teorica e le simulazioni confermano che l'efficienza relativa asintotica (ARE) dello stimatore MAR rispetto allo stimatore MCCAR aumenta con il punteggio di propensione aumentato, il tasso di mancanza e la correlazione tra essi.
• Esperimenti Semi-Sintetici:
  • Utilizzando dati reali da trial randomizzati (Voting e STAR) con mancanza indotta artificialmente, gli stimatori basati su MAR (DR-MAR) hanno costantemente superato i metodi dei casi completi e altri baseline (IPW, Regressione dell'Esito, MTRNET) in contesti MAR, in particolare quando i dati del trattamento erano severamente limitati (10-30% osservati).
  • In contesti MCCAR, la maggior parte dei metodi ha performato in modo simile, sebbene l'approccio basato su MAR sia rimasto competitivo.
  • I risultati evidenziano che scartare le osservazioni incomplete (analisi dei casi completi) porta a politiche subottimali quando la mancanza dipende dagli esiti.

Significato e Rivendicazioni

Il documento sostiene che l'analisi dei casi completi non è la scelta efficiente anche quando valgono gli assunti dei casi completi (MCCAR). Gli autori affermano che gli stimatori basati su MAR sono teoricamente superiori perché:

1. Raggiungono una varianza asintotica inferiore sfruttando le unità parzialmente osservate.
2. Richiedono meno assunti di identificazione rispetto agli stimatori MCCAR (poiché MCCK è un caso speciale di MAR).
3. Forniscono un framework robusto e non parametrico per l'apprendimento delle politiche che evita il bias inerente allo scartare i dati quando la mancanza dipende dall'esito.

Gli autori concludono che, nella pratica, dove il meccanismo di mancanza è spesso incerto, adottare la stima basata su MAR è la strategia più prudente. L'uso di stimatori MCCAR sotto assunti MAR porta a un bias persistente, mentre l'uso di stimatori MAR sotto assunti MCCAR produce un'efficienza superiore. Questa asimmetria rafforza la raccomandazione di adottare metodi basati su MAR per un apprendimento delle politiche robusto in presenza di dati di trattamento mancanti.