Causal Inference under Interference with Learned Exposure Mappings

Sintesi Tecnica: Inferenza Causale sotto Interferenza con Mappature di Esposizione Apprese

Definizione del Problema
Nell'inferenza causale sotto interferenza, la "mappatura dell'esposizione" è una componente critica che definisce come i trattamenti assegnati a un'unità influenzino l'esposizione effettiva di altre unità. I framework tradizionali tipicamente assumono che questa mappatura sia nota a priori, spesso specificata tramite distanze geografiche fisse o strutture di rete. Tuttavia, nelle applicazioni ambientali — come l'analisi degli impatti sulla salute del controllo dell'inquinamento — la mappatura dell'esposizione non è direttamente osservabile. Al contrario, essa è indotta da processi latenti di trasporto atmosferico che devono essere appresi dai dati sull'inquinamento.

Ciò crea una sfida fondamentale: mentre vari modelli di trasporto (equazioni differenziali alle derivate parziali meccanicistiche, operatori neurali informati dalla fisica, operatori neurali di Fourier, e modelli di fondazione) possono ottenere una precisione predittiva simile nella previsione delle concentrazioni di inquinamento osservate, essi possono implicare diversi operatori di trasporto sottostanti. Di conseguenza, questi modelli possono generare diverse mappature di esposizione, portando a conclusioni causali divergenti riguardo agli effetti di spillover. Il presente lavoro investiga se l'accordo predittivo tra i modelli di trasporto sia sufficiente per un'inferenza causale affidabile quando le mappature di esposizione sono apprese anziché osservate.

Metodologia
Lo studio impiega un framework in cui un operatore di trasporto $T$ mappa un vettore di intervento $A$ (riduzioni delle emissioni) in una mappatura di esposizione $E(T) = TA$. La quantità causale di interesse è l'effetto di spillover sulla salute $H$, modellato come funzione dell'intervento diretto e dell'esposizione di spillover.

L'autore confronta quattro distinti approcci di modellazione del trasporto:

1. PDE Meccanicistica: Un modello di equazione differenziale alle derivate parziali di advezione-diffusione.
2. PINO: Operatori Neurali Informati dalla Fisica (Physics-Informed Neural Operators).
3. FNO: Operatori Neurali di Fourier (Fourier Neural Operators).
4. GeoPT: Un recente modello di fondazione per il trasporto geofisico.

La valutazione procede in due fasi:

• Studio di Simulazione: Un operatore di trasporto "vero" latente $T^*$ genera la dinamica dell'inquinamento. I modelli concorrenti vengono adattati al campo di inquinamento osservato risultante. Lo studio valuta la capacità di ciascun modello di prevedere l'inquinamento ($PM$), recuperare la vera mappatura dell'esposizione e stimare il vero effetto di spillover.
• Analisi Empirica: I modelli sono applicati ai dati $PM_{2.5}$ della California. L'analisi esamina come diverse assunzioni di trasporto influenzino i pattern di spillover inferiti sotto ipotetiche interviste di controllo dell'inquinamento, senza pretendere di identificare il singolo processo atmosferico "vero".

Risultati Chiave

• Equivalenza Predittiva vs. Divergenza Causale: Nelle simulazioni, tutti e quattro i modelli hanno raggiunto una precisione di previsione dell'inquinamento quasi identica ($R^2$ compreso tra 0,970 e 0,975). Tuttavia, le loro stime di effetto di spillover variavano significativamente, da 1,78 a 2,27. Il modello che ha recuperato con maggiore accuratezza la mappatura dell'esposizione (FNO) ha prodotto la stima dello spillover più vicina al valore reale.
• L'Accuratezza della Mappatura dell'Esposizione come Predittore: Lo studio ha rilevato che l'accuratezza nel recupero della mappatura dell'esposizione è un predittore più forte delle prestazioni inferenziali rispetto a miglioramenti marginali nell'accuratezza della previsione dell'inquinamento. I modelli con errori di mappatura dell'esposizione più elevati (ad esempio, PINO, GeoPT) hanno prodotto deviazioni maggiori nelle stime di spillover.
• Sensibilità all'Intervento: L'impatto dell'incertezza della mappatura dell'esposizione dipendeva fortemente dal tipo di intervento:
  • Interventi Regionali: Hanno mostrato un disaccordo modesto tra i modelli (intervallo di spillover: 1,79–2,42).
  • Interventi a Monte (Upwind): Hanno mostrato il minor disaccordo (intervallo: 1,93–2,13).
  • Interventi su Sorgenti Puntiformi Localizzate: Hanno mostrato un disaccordo sostanziale, con effetti di spillover stimati che variavano da 0,51 (PDE) a 1,56 (GeoPT) — una differenza di tre volte.
• Risultati Empirici (California): L'analisi dei dati $PM_{2.5}$ della California ha rispecchiato i risultati della simulazione. Sebbene i modelli concorrenti producessero previsioni simili delle concentrazioni osservate, essi implicavano diversi pattern di spillover e identificavano diverse località come le più colpite dagli interventi. Notevolmente, mentre le stime di spillover variavano, l'effetto complessivo dell'intervento rimaneva stabile (variando tra 0,303 e 0,305), suggerendo che l'incertezza del trasporto influenzi la comprensione meccanicistica più che le previsioni dell'impatto politico aggregato.

Significatività e Rivendicazioni
Il documento sostiene che l'accordo predittivo da solo è insufficiente per un'inferenza causale affidabile quando le mappature di esposizione sono apprese. Il contributo principale è dimostrare che modelli che si adattano ugualmente bene ai dati osservati possono indurre diverse mappature di esposizione, portando a conclusioni sostanzialmente diverse riguardo agli effetti di spillover, in particolare per gli interventi localizzati.

L'autore afferma che:

1. Le mappature dell'esposizione dovrebbero essere trattate come quantità stimate piuttosto che come oggetti di design fissi, rendendo necessaria la propagazione dell'incertezza dal processo di apprendimento del trasporto nelle analisi causali a valle.
2. I criteri di valutazione per i modelli di trasporto in contesti causali devono estendersi oltre l'accuratezza predittiva per includere la stabilità e l'affidabilità delle mappature di esposizione indotte.
3. L'incertezza nei processi di trasporto appresi conta maggiormente per gli interventi mirati, dove il comportamento di trasporto locale ha un'influenza più forte sull'esposizione a valle rispetto agli interventi regionali ampi.

Lo studio conclude che, senza tenere conto dell'incertezza nei processi di trasporto appresi, le inferenze causali riguardanti gli effetti di spillover potrebbero non essere affidabili, anche quando i modelli sottostanti appaiono indistinguibili in termini di prestazioni predittive.