A Novel Approach to Instrumental Variable Estimation: TEAM-IV

Sintesi Tecnica: TEAM-IV

Definizione del Problema
L'analisi con variabili strumentali (IV) è un approccio standard per stimare effetti causali in presenza di confondimento non misurato. Tuttavia, la validità delle stime IV dipende dalla restrizione di esclusione, la quale postula che gli strumenti influenzino l'esito solo attraverso l'esposizione. In pratica, in particolare nella randomizzazione mendeliana, gli strumenti spesso violano questa restrizione tramite effetti diretti (pleiotropia orizzontale). I metodi IV robusti esistenti, come sisVIVE e CIIV, si basano su condizioni di "validità di maggioranza" o "validità di pluralità", richiedendo che gli strumenti validi costituiscano più della metà (o il gruppo più numeroso) dell'insieme dei candidati. Questi metodi possono fallire o produrre stime distorte quando gli strumenti invalidi sono prevalenti, quando gli effetti diretti sono grandi o quando la condizione di maggioranza viene violata.

Metodologia: TEAM-IV
Gli autori propongono TEAM-IV (stima delle Variabili Strumentali basata su Team), un nuovo approccio progettato per identificare e aggregare insiemi di strumenti che appaiono validi insieme ("team"), permettendo una stima affidabile anche quando solo un piccolo numero di strumenti candidati è valido (potenzialmente anche solo due). Il metodo procede attraverso quattro fasi chiave:

1. Ordinamento basato su Ridge: Per mitigare l'eterogeneità nella forza degli strumenti che può distorcere le stime degli effetti diretti, gli autori costruiscono prima un vettore di esposizione aggiustato ($d_{adj}$) tale per cui la sua proiezione sullo spazio degli strumenti corrisponda a forze degli strumenti omogenee. Successivamente, applicano un modello penalizzato ridge per stimare gli effetti diretti ($\hat{\alpha}$) e ordinano gli strumenti in base a queste stime. I risultati teorici suggeriscono che, sotto regimi di popolazione simmetrici, questo ordinamento posiziona gli strumenti validi in un blocco contiguo.
2. Costruzione del Team tramite MCP a Finestra Mobile: Gli strumenti ordinati vengono analizzati utilizzando finestre contigue sovrapposte. All'interno di ogni finestra, viene applicata una regressione Minimax Concave Penalty (MCP) per stimare gli effetti diretti. Viene costruita una matrice di "teamness" aggregando l'evidenza diadica attraverso le finestche; gli strumenti che frequentemente presentano effetti diretti stimati ridotti a zero insieme (indicando uno stato di validità concordante) vengono raggruppati in potenziali "team".
3. Valutazione tramite Cross-Validazione: Ogni team candidato viene valutato come un potenziale insieme di strumenti validi. Il metodo utilizza un criterio di cross-validazione in stile sisVIVE: per un insieme valido candidato $G$, gli strumenti rimanenti ($G^c$) sono trattati come covariate in una regressione dell'esito sulla esposizione proiettata. Il rischio di predizione fuori campione è stimato tramite K-fold cross-validation. I team contenenti strumenti invalidi (omessi dal set di covariate) dovrebbero presentare un rischio di predizione più elevato.
4. Unione e Stima: L'insieme finale di strumenti validi è definito come l'unione dei team "quasi-migliori" (quelli con un rischio di cross-validazione entro un errore standard dal minimo). L'effetto causale viene quindi stimato utilizzando i minimi quadrati a due stadi (2SLS), dove gli strumenti nel set unito selezionato fungono da strumenti esclusi, e gli strumenti classificati come invalidi sono inclusi come covariate esogene per regolare i loro effetti diretti.

Contributi Chiave

• Nuovo Procedimento di Selezione: Il documento introduce un procedimento di selezione e aggregazione basato su team che costruisce molteplici set di strumenti validi candidati invece di fare affidamento su un singolo fit penalizzato.
• Risultati Teorici: Gli autori stabiliscono due proprietà teoriche:
  1. Sotto un regime di popolazione semplificato e simmetrico con covarianza a simmetria composta, l'ordinamento basato su ridge posiziona asintoticamente gli strumenti validi in un blocco contiguo.
  2. Lo stimatore MCP specifico per finestra assegna asintoticamente una classificazione di segno comune con tolleranza agli strumenti validi all'interno di una finestra, anche quando i loro effetti diretti stimati sono non nulli.
• Robustezza all'Invalidità: Il metodo è progettato per funzionare quando gli strumenti invalidi costituiscono una maggioranza del set di candidati, uno scenario in cui sisVIVE e CIIV spesso incontrano difficoltà.

Simulazioni e Risultati Empirci

• Studio di Simulazione: Attraverso simulazioni che variano il numero, l'entità e il segno degli effetti diretti invalidi, la correlazione tra gli strumenti ed l'endogeneità dell'esposizione, TEAM-IV ha generalmente ottenuto un errore di stima assoluto inferiore rispetto a sisVIVE e CIIV.
  • I guadagni relativi sono stati maggiori quando gli strumenti invalidi erano prevalenti (violando la condizione di validità di maggioranza) e quando gli effetti diretti invalidi erano grandi.
  • TEAM-IV è rimasto robusto sotto strumenti correlati (strutture autoregressive e a simmetria composta) ed effetti diretti con segni misti, sebbene il divario di performance con sisVIVE si sia ridotto nei setting con segni misti.
• Applicazione MESA: Il metodo è stato applicato al Multi-Ethnic Study of Atherosclerosis (MESA) per stimare l'effetto del colesterolo LDL sullo spessore intima-media carotideo (IMT). Nell'analisi empirica, sia TEAM-IV che sisVIVE hanno mantenuto tutti gli otto SNP candidati e hanno prodotto stime puntuali identiche ($\hat{\beta} = 2.19$).
• Studi di Validazione: Due studi di validazione ancorati ai dati hanno evidenziato le differenze tra i metodi:
  1. Stress Test Avversariale: Utilizzando pseudo-strumenti informati sull'esito (deliberatamente invalidi), TEAM-IV ha correttamente identificato il 100% degli pseudo-strumenti come invalidi, mentre sisVIVE ne ha identificati solo l'1.2%. Le stime di TEAM-IV sono rimaste più vicine al riferimento empirico rispetto a quelle di sisVIVE.
  2. Esito Semi-Sintetico: In un contesto con verità fondamentale nota in cui il 62.5% degli strumenti era invalido, TEAM-IV ha raggiunto una classificazione perfetta degli strumenti (100% di sensibilità e specificità) e una minore bias, MAE e RMSE rispetto a sisVIVE.

Significatività e Rivendicazioni
Il documento sostiene che TEAM-IV offre un'alternativa robusta ai metodi IV penalizzati esistenti, particolarmente in configurazioni difficili dove gli strumenti invalidi sono numerosi o forti. Gli autori sottolineano che TEAM-IV è "generalmente" più accurato di sisVIVE e CIIV nelle simulazioni con alte proporzioni di strumenti invalidi.

Tuttovianto, gli autori mantengono un tono modesto riguardo alle loro rivendicazioni:

• Affermano che i risultati supportano la robustezza di TEAM-IV "sotto i meccanismi di generazione dei dati esaminati" ma non implicano una "superiorità uniforme in tutti i contesti di variabili strumentali".
• Notano che nell'analisi empirica MESA, l'accordo tra i metodi non prova la validità degli strumenti, specialmente dato il debole F-stat del primo stadio congiunto.
• Riconoscono i limiti, incluso l'uso di una dimensione campionaria fissa ($n=2000$) e un piccolo numero di strumenti ($L=10$) nelle simulazioni, e richiamano il lavoro futuro su setting con un grande $L$ rispetto a $n$, garanzie teoriche per la selezione e quantificazione valida dell'incertezza.

Il documento conclude che i metodi di selezione degli strumenti penalizzati, combinati con il 2SLS post-selezione, possono fornire una robustezza sostanziale agli effetti diretti degli strumenti, con TEAM-IV che risulta particolarmente promettente quando gli strumenti invalidi violano la condizione di validità di maggioranza richiesta dai metodi esistenti.