Retrospective Counterfactual Prediction by Conditioning on the Factual Outcome: A Cross-World Approach

Titel: Retrospectieve Contradictorische Voorspelling door Conditionering op het Feitelijke Resultaat: Een Cross-World Benadering

1. Probleemstelling

Het artikel adresseert een fundamenteel probleem in de causale inferentie: het schatten van retrospectieve contradictorische uitkomsten.

• Definitie: Gegeven een individu met covariaten $X=x$ en een waargenomen uitkomst $Y(0)$ (bijvoorbeeld zonder behandeling), wat zou de uitkomst $Y(1)$ zijn geweest als dit individu wel behandeling had ontvangen?
• Het "Missing Data" Probleem: In het Neyman-Rubin-raamwerk is het onmogelijk om zowel $Y(0)$ als $Y(1)$ voor hetzelfde individu te observeren. De gezamenlijke verdeling $(Y(0), Y(1))$ is daardoor niet identificeerbaar zonder extra aannames.
• Bestaande Beperkingen: Traditionele methoden richten zich vaak op het schatten van het Conditional Average Treatment Effect (CATE), $\tau(x) = E[Y(1)-Y(0)|X=x]$, en imputeren de contradictorische uitkomst vaak als $\hat{Y}(1) = Y(0) + \hat{\tau}(x)$ of negeren de feitelijke uitkomst $Y(0)$ volledig door alleen te conditioneren op $X$.
• Kernvraag: Hoe kunnen we de waardevolle informatie in de feitelijke uitkomst $Y(0)$ gebruiken om een nauwkeuriger voorspelling te doen voor $Y(1)$, en hoe kunnen we geldige voorspellingsintervallen construeren, gezien de onzekerheid over de relatie tussen de twee potentiële uitkomsten?

2. Methodologie

De auteur introduceert een raamwerk genaamd Retrospective Counterfactual Prediction (RCP), dat expliciet de afhankelijkheid tussen potentiële uitkomsten modelleert.

A. Cross-World Aannames en Correlatie

De kern van de methode is het introduceren van een cross-world correlatieparameter $\rho(x)$:
$$\rho(x) = \text{cor}(Y(1), Y(0) \mid X = x)$$

• Niet-identificeerbaarheid: Lemma 2 toont aan dat zonder kennis van $\rho(x)$, de verwachte contradictorische uitkomst $E[Y(1) \mid X=x, Y(0)=y]$ niet kan worden geïdentificeerd uit de data. Verschillende waarden van $\rho$ leiden tot dezelfde waargenomen data maar verschillende voorspellingen.
• Praktische Toepassing: In plaats van $\rho$ te schatten (wat onmogelijk is zonder extra data), wordt deze behandeld als een sensitivity parameter. Experts kunnen plausibele waarden of grenzen voor $\rho$ specificeren op basis van domeinkennis (bijv. gedeelde latente factoren zoals genetische aanleg).

B. De RCP($\rho$) Schatter

De methode combineert basale schatters voor de gemiddelde uitkomsten $\hat{\mu}_0(x)$ en $\hat{\mu}_1(x)$ met de feitelijke uitkomst $y$ en de correlatie $\rho$.

• Puntschatting: De geschatte contradictorische uitkomst wordt berekend als:
  $$\hat{\mu}_\rho(x, y) = \hat{\mu}_1(x) + \rho \cdot \lambda(x) \cdot (y - \hat{\mu}_0(x))$$
  Waarbij $\lambda(x)$ de verhouding is van de breedtes van de voorspellingsintervallen van de behandelde en controlegroep.
  • Als $\rho = 0$: De feitelijke uitkomst wordt genegeerd; de schatter is gelijk aan $\hat{\mu}_1(x)$.
  • Als $\rho = 1$: De schatter volgt een lineaire relatie gebaseerd op het residu van de feitelijke uitkomst.
• Voorspellingsintervallen: De methode construeert intervallen $C_\rho(x, y)$ die de onzekerheid wegen op basis van $\rho$. De breedte van het interval wordt verkleind naarmate $\rho$ toeneemt, omdat een hogere correlatie betekent dat $Y(0)$ meer informatie geeft over $Y(1)$.
• Bias Correctie ($C^{+CI}_\rho$): Voor eindige steekproeven wordt een correctie toegevoegd voor de onzekerheid in het schatten van de parameters zelf, gebruikmakend van bootstrapping.

C. Theoretische Eigenschappen

Onder de aanname van een Gaussische copula (of een andere specifieke afhankelijkheidsstructuur) en correct gespecificeerde $\rho$:

• Consistentie: De schatter convergeert naar de ware conditionele verwachting naarmate de steekproefgrootte toeneemt.
• Optimaliteit: De voorspellingsintervallen zijn asymptotisch de kleinste mogelijke intervallen die de gewenste dekking (bijv. 90%) garanderen.

3. Belangrijkste Bijdragen

1. Formalisatie van Cross-World Afhankelijkheid: Het artikel introduceert $\rho(x)$ als een expliciete, bruikbare parameter voor retrospectieve voorspelling, in plaats van deze te negeren of impliciet vast te leggen.
2. Systematische Behandeling: Het biedt de eerste systematische aanpak voor het schatten van $E[Y(1) \mid X, Y(0)]$ en het construeren van bijbehorende voorspellingsintervallen.
3. Het RCP($\rho$) Kader: Een consistent estimator en intervalconstructie die interpoleren tussen bestaande methoden (waarbij $\rho=0$ of $\rho=1$).
4. Empirisch Bewijs: Uitgebreide experimenten tonen aan dat het conditioneren op de feitelijke uitkomst aanzienlijke winsten oplevert in nauwkeurigheid en betrouwbaarheid, vooral wanneer er een positieve correlatie bestaat tussen potentiële uitkomsten.

4. Experimentele Resultaten

De methode werd getest op synthetische, semi-synthetische (IHDP) en real-world (Twins) datasets.

• Vergelijking: RCP($\rho$) werd vergeleken met bestaande methoden zoals Direct Outcome modeling (DO), CATE-gecorrigeerde imputatie (T-learner), Matching, en GANITE.
• Resultaten:
  • Wanneer $0 < \rho < 1$ (wat realistisch is voor veel toepassingen), overtreft RCP($\rho$) alle baselines significant in termen van MSE (Mean Squared Error) voor puntschattingen.
  • De verbetering is het grootst bij lage dimensies en hoge correlaties.
  • Zelfs bij een licht verkeerd gespecificeerde $\rho$ (bijv. $\rho_{gespecificeerd} \neq \rho_{waar}$), presteert de methode vaak beter dan methoden die de feitelijke uitkomst negeren ($\rho=0$).
  • De voorspellingsintervallen tonen een betere balans tussen dekking en breedte (Interval Score), vooral wanneer de bias-correctie ($C^{+CI}_\rho$) wordt gebruikt voor hoge $\rho$.

5. Betekenis en Conclusie

Dit werk is significant omdat het een brug slaat tussen theoretische causale inferentie en praktische individuele voorspelling.

• Paradigmaverschuiving: Het benadrukt dat het negeren van de feitelijke uitkomst ($Y(0)$) bij het voorspellen van een contradictorische uitkomst ($Y(1)$) een verlies aan informatie betekent.
• Transparantie: Door $\rho$ expliciet te maken, dwingt de methode onderzoekers en praktici om na te denken over de onderliggende afhankelijkheid tussen potentiële uitkomsten. Dit maakt de aannames transparant en maakt gevoeligheidsanalyses mogelijk.
• Toepassingsgebied: De methode is cruciaal voor hoog-risico domeinen zoals geneeskunde (bijv. "zou deze patiënt beter zijn geweest met een andere behandeling?") en recht (bijv. causale aansprakelijkheid), waar individuele voorspellingen en het kwantificeren van onzekerheid essentieel zijn.

Kortom, het artikel levert een robuust theoretisch en praktisch raamwerk om retrospectieve vragen te beantwoorden door de onzekerheid over de "wereld die niet was" te modelleren via de "wereld die wel was", gekoppeld aan een plausibele correlatieparameter.