Causal Stability Selection

Technische Samenvatting: Causale Stabiliteitsselectie

Probleemformulering
Het centrale probleem dat wordt aangepakt, is de identificatie van effectmodificatoren—covariaten die heterogeniteit in behandelingseffecten verklaren. Hoewel veel studies nul gemiddelde behandelingseffecten (ATE) rapporteren, variëren behandelingresponsen vaak systematisch met pre-behandelingscovariaten ($X$). Formeel worden effectmodificatoren gedefinieerd via de Conditioneel Gemiddelde Behandelingseffect (CATE), $\tau(x) = E[Y(1) - Y(0) | X=x]$. Een covariaat $X_j$ is een effectmodificator als $\tau(X) \not\perp\!\!\perp X_j | X_{-j}$.

Bestaande data-adaptieve procedures voor variabeleselectie falen vaak om controle in eindige steekproeven te bieden over het verwachte aantal valse ontdekkingen. Zoals geïllustreerd in de motiverende simulatie van het artikel, leiden standaardbenaderingen zoals eerlijke splitsing of K-voudige cross-fitting in combinatie met Lasso of stabiliteitsselectie vaak tot ernstig opgeblazen rates van valse ontdekkingen (FDR), wat de betrouwbaarheid van downstream gerichte interventies ondermijnt. De uitdaging is om een parsimonische set van echte effectmodificatoren te ontdekken terwijl strikte garanties voor foutpercentages in eindige steekproeven worden gehandhaafd, ondanks het feit dat de ware CATE $\tau(X)$ niet wordt waargenomen en moet worden geschat.

Methodologie: Causale Stabiliteitsselectie (CausalStabSel)
De auteurs stellen Causale Stabiliteitsselectie voor, een algoritme dat cross-fitted CATE-schatting integreert met Geïntegreerde Pad-Stabiliteitsselectie (IPSS). De methode werkt in twee hoofdfasen:

1. Cross-Fitted Schatting van Selectiekansen:
   In tegenstelling tot standaard stabiliteitsselectie, die ervan uitgaat dat de uitkomst direct wordt waargenomen, erkent CausalStabSel dat de "respons" voor variabeleselectie de niet-waargenomen CATE is. Het algoritme verloopt via $B$ iteraties:

   • In elke iteratie worden de gegevens opgesplitst in twee disjuncte subsets, $A$ en $A^c$.
   • Een CATE-schatter $\hat{\tau}$ wordt getraind op de vastgehouden set $A^c$.
   • Het getrainde model voorspelt CATE-waarden voor de samples in $A$.
   • Een basisvariabeleselector $\hat{S}_\lambda$ (bijvoorbeeld Lasso of XGBoost-importhandelscores) wordt toegepast op de paren $(x_i, \hat{\tau}(x_i))$ voor $i \in A$.
   • Dit proces wordt herhaald met omgekeerde rollen ($A^c$ voor training, $A$ voor selectie) om $2B$ subsamples te genereren.
   • De selectiekans $\hat{\pi}_{j,m}(\lambda)$ voor covariaat $j$ wordt berekend als het aandeel keren dat $j$ wordt geselecteerd over alle $2B$ subsamples.

2. Constructie van de Selectieset:
   De uiteindelijke set effectmodificatoren wordt geconstrueerd met behulp van het IPSS-criterium, dat de selectiekansen integreert over een parameterrooster $\Lambda$ in plaats van ze simpelweg te maximaliseren. Een variabele $j$ wordt geselecteerd als:
   $$\int_{\Lambda} f(\hat{\pi}_{j,m}(\lambda)) \mu(d\lambda) \geq \gamma$$
   waarbij $f(x) = (2x-1)^3 \mathbb{1}(x \geq 1/2)$ en $\mu$ een waarschijnlijkheidsmaat is. Deze benadering levert een strakkere bovengrens op voor het verwachte aantal valse positieven (EFP) in vergelijking met traditionele stabiliteitsselectie. De drempel wordt bepaald door een gewenst EFP-niveau $t$ of een nominaal FDR-niveau $\alpha$.

Belangrijkste Bijdragen
Het artikel levert drie primaire bijdragen:

1. Gecombineerd Kader met Garanties voor Eindige Steekproeven: De auteurs bieden het eerste kader voor de ontdekking van effectmodificatoren dat een niet-asymptotische bovengrens voor eindige steekproeven biedt op het verwachte aantal valse positieven. Deze garantie geldt zonder de vorm van de basisselector of de CATE-schatter te beperken.
2. Theoretische Connectie tussen Schatting en Ontdekking: Het artikel bewijst dat de geschatte selectiekansen convergeren naar hun "oracle"-tegenhangers (waarbij de ware $\tau$ bekend is) met een snelheid die direct wordt bepaald door de convergentiesnelheid van de onderliggende CATE-schatter. Specifiek, als de CATE-schatter een parametrische snelheid bereikt ($n^{-1/2}$), zijn de selectiekansen asymptotisch onbevooroordeeld.
3. Berekenbare Haalbaarheid en Stabiliteit: Door resultaten te aggregeren over herhaalde subsamples, levert de methode stabiele ontdekkingen op, zelfs in hoogdimensionale settings, en blijft rekenbaar haalbaar terwijl valse ontdekkingen worden gecontroleerd.

Resultaten
De methode werd geëvalueerd via uitgebreide simulatiestudies en twee toepassingen in de echte wereld:

• Simulaties: In 34 experimenten die lineaire en niet-lineaire settings omvatten met variërende steekproefgroottes, dimensies en confoundingstructuren, was CausalStabSel de enige methode die de empirische FDR uniform over alle regimes op of onder het nominale niveau hield. concurrerende methoden, waaronder IPSS, Knockoffs en Benjamini-Hochberg, vertoonden anti-conservatief gedrag (FDR significant hoger dan nominale niveaus) wanneer ze werden toegepast op geschatte CATE's. CausalStabSel bereikte hoge True Positive Rates (TPR) die vergelijkbaar waren met de best presterende alternatieven, zonder macht op te offeren.
• Toepassingen in de Echte Wereld:
  • PRIME Gerandomiseerde Trial (Oncologie): Toegepast op een trial van anti-EGFR-therapie bij gemetastaseerd colorectaal kanker. CausalStabSel identificeerde de KRAS-mutatiestatus (BMMTR1, BMMTR3) als effectmodificatoren, consistent met bekende klinische literatuur, naast bloedplaatjes, leeftijd en lactaatdehydrogenase.
  • Rookgedrag van Moeders en Geboortegewicht (Observationeel): Toegepast op geboorteregisters in Pennsylvania. De methode identificeerde de leeftijd van de moeder en de status van eerstgeborene als effectmodificatoren, consistent met epidemiologische bevindingen over rook-geïnduceerde vermindering van het geboortegewicht.
  • In beide gevallen bood vastgehouden inferentie met BLP-op-CATE-specificaties bevestiging voor de geselecteerde modificatoren.

Betekenis en Claims
Het artikel claimt dat CausalStabSel een directe, kwantitatieve link vestigt tussen schatting van behandelingseffecten en ontdekking van effectmodificatoren. Door aan te tonen dat de bias in selectiekansen wordt gecontroleerd door de CATE-schatfout, tonen de auteurs aan dat verbeteringen in causale inferentie direct vertalen naar betrouwbaardere variabeleselectie.

De betekenis van het werk ligt in het vermogen om het "valse ontdekking"-probleem op te lossen dat inherent is aan huidige data-adaptieve causale inferentie. De auteurs benadrukken dat zonder controle in eindige steekproeven, schijnbare bevindingen het risico lopen niet te repliceren, wat bijzonder gevaarlijk is in precisiegeneeskunde en beleidsgerichte targeting. CausalStabSel biedt een robuuste, theoretisch onderbouwde oplossing die arbiträre schatters van behandelingseffecten en basisselectoren accommodert, waardoor het toepasbaar is op zowel gerandomiseerde trials als observationele studies onder standaard identificatieaannames (SUTVA en sterke onafhankelijkheid).