Technische Samenvatting: Stop met het onderdrukken van de staart: Causale inferentie voor extreme gebeurtenissen

1. Probleemstelling

De schatting van de Gemiddelde Dosis-Respons Functie (ADRF), $\theta(t) = E[Y(t)]$, onder continue behandeling is een fundamentele taak in causale inferentie, die doorgaans wordt aangepakt via Double Machine Learning (DML). Echter, wanneer uitkomsten $Y$ zware staarten vertonen (bijvoorbeeld financiële rendementen, verzekeringsclaims, klimaatschade), staan standaard robuuste DML-benaderingen voor een kritisch dilemma:

1. Onderdrukking van de staart: Om het bulk-gemiddelde te stabiliseren, onderdrukken robuuste DML-methoden (met Huber-, Kwantiel- of Winsorized-verliezen) opzettelijk extreme waarden. Hoewel dit het puntsschatting stabiliseert, gooit het de staartinformatie weg die vaak de primaire grootheid van belang is in hoog-risico domeinen (bijvoorbeeld het verlies van 1 op 1000).
2. Circulaire afhankelijkheid in staartschatting: Een naïef alternatief is het schatten van staartkarakteristieken (bijvoorbeeld de vormparameter $\xi$ van de Generalized Pareto-verdeling) uit de residuen van de kern-DML-schatting. Dit introduceert een structurele circulariteit: de afgeleide staartvorm $\hat{\xi}$ wordt een functie van de keuze van de kernschatting. Bijvoorbeeld, op dezelfde dataset kan het wisselen van het kernverlies van Huber naar Welsch de afgeleide staartvorm verschuiven van begrensd ($\hat{\xi} \approx -0.42$) naar zwaarstaartig ($\hat{\xi} \approx +0.28$), waardoor de diagnose onbetrouwbaar wordt.
3. Gebrek aan staartoutput: Standaard robuuste DML levert alleen een bulk-gestabiliseerde puntsschatting op, en laat schattingen van staartvorm, extreme kwantielen of conditionele tekorten achterwege.

2. Methodologie

De auteurs stellen een tweecomponentenschatting voor die de kern-ADRF-schatting ontkoppelt van de staartdiagnose, zodat de staartoutput invariant blijft ten opzichte van de keuze van de kernmethode.

A. Kernschatting: TailWelsch-DML

De eerste component is een robuuste kernschatting die is ontworpen om de standaard Neyman-orthogonale DML-convergentiesnelheid te behouden terwijl de onderdrukking van de staart wordt geminimaliseerd.

• Mechanisme: Het maakt gebruik van een kernel-gewogen lokale lineaire M-schatting met een terugvallende Welsch-gewichtfunctie: $w(r) = \exp(-\gamma (r/\sigma)^2)$.
• Vaste afsnijding: In tegenstelling tot adaptieve benaderingen, wordt de afsnijdingsparameter $\gamma$ constant gehouden op een milde waarde ($\gamma = 0.10$). De auteurs betogen dat het koppelen van $\gamma$ aan een datagedreven staartschatting de gemiddelde absolute fout (MAE) van de kern-ADRF niet verbetert en dat staartinformatie beter wordt benut in de post-kernoutput.
• Voordeel: Dit ontwerp zorgt ervoor dat de tweede-stapsverliesfunctie vrij is van datagedreven tuning, waardoor standaard DML-snelheden direct van toepassing zijn.

B. Staartdiagnose: PDHTE+JK

De tweede component schat de per-behandeling staartvorm $\hat{\xi}(t)$ en schaal $\hat{\sigma}(t)$ zonder te vertrouwen op de residuen van de kernschatting, waardoor de circulaire afhankelijkheid wordt doorbroken.

• Pilot-medián centrering: In plaats van $Y - \hat{\theta}(T)$ te gebruiken, centreert de methode de uitkomst $Y$ met behulp van een pilot kernel-gewogen mediaan $\tilde{Y}(t)$. Deze locatieschatting is onafhankelijk van de downstream kernmethode.
• Plateau-detectie: De methode past een Hill-schatting toe over een reeks rangorde-statistiek-facties ($\kappa$) om een "plateau" (stabiliteit in $\hat{\xi}$) te detecteren. Een variatiecoëfficiënt (CV)-drempel ($<0.25$) bepaalt of een regulier variërende staart bestaat.
• Hybride schatting: Als een plateau wordt gedetecteerd, gebruikt de uiteindelijke vormschatting een Dekkers-Einmahl-de Haan (DEdH) moment-schatting (onbevooroordeeld over Fréchet, Gumbel en Weibull domeinen).
• Jackknife-correctie: Een shrinkage-gedempte jackknife wordt toegepast om de vertekening in kleine steekproeven van de DEdH-schatting te corrigeren.
• Weigeringsmechanisme: Als de plateau-conditie niet wordt vervuld (wat aangeeft dat de data niet volgt uit een regime met regulier variërende staarten), weigert de schatter expliciet te extrapoleren en geeft een ongedefinieerde output terug in plaats van een spurious staartschatting.

C. Post-kern causale functionalen

Met behulp van de outputs van de kern en de diagnose construeert het kader vijf staart-conditionele grootheden:

1. Per-staartvorm $\hat{\xi}(t)$: De invariante staartvormschatting.
2. Gemiddelde herstel $\hat{E}[Y(t)]$: Een formule die het volledige gemiddelde ADRF reconstrueert door teken-conditionele GPD-bijdragen (voor positieve en negatieve overschrijdingen) toe te voegen aan de robuuste kernschatting $\hat{\theta}_W(t)$. Dit is cruciaal voor asymmetrische contaminatie waar de M-functioneel verschilt van het gemiddelde.
3. Hybride terugkeer-niveaus $\hat{Q}_\alpha(t)$: Extreme kwantielen geschat via een hybride aanpak:
   • Empirische modus: Gebruikt kernel-gewogen empirische kwantielen wanneer de effectieve steekproefgrootte voldoende is ($\alpha n_{eff} \ge 1$).
   • GPD-modus: Gebruikt GPD-extrapolatie alleen wanneer data schaars is ($\alpha n_{eff} < 1$).
4. Conditioneel tekort $\hat{S}_\alpha(t)$: Het verwachte verlies gegeven een overschrijding (analoog aan CVaR), afgeleid in gesloten vorm uit de GPD-aanpassing.
5. Causaal-staart effect: De gevoeligheid van het terugkeer-niveau voor behandeling, $\partial \hat{Q}_\alpha / \partial t$.

Deconfounding: Voor verward settings ($T \not\perp X$) past de methode Generalized Propensity Score (GPS) stabilisatiegewichten toe op de kernel-gewichten. Hoewel dit geen $\sqrt{n}$-consistentie bereikt, biedt het een eerste-orde gedeeltelijke deconfounding, wat de vertekening in terugkeer-niveaus met ongeveer 63% vermindert.

3. Belangrijkste bijdragen

1. TailWelsch-DML: Een terugvallende Welsch-DML kernschatting met constante afsnijding ($\gamma=0.10$) die de kern-ADRF MAE verbetert met 11,6% ten opzichte van Standard-DML op verificatiepanelen.
2. PDHTE+JK: Een plateau-detectie hybride staartschatting die alleen pilot-medián-gecentreerde uitkomsten consumeert. Het vestigt method-invariantie, zodat staartdiagnoses niet verward worden door de keuze van de kern-robuste verliesfunctie. Het bevat een expliciet weigeringsmechanisme wanneer EVT-aannames falen.
3. Staart-conditionele causale functionalen: Een suite van vijf outputs (vorm, gemiddelde herstel, terugkeer-niveaus, tekort, staart effect) die bruikbare extreme-gebeurtenis-metrics bieden naast de puntsschatting.
4. Empirische superioriteit: Aangetoonde verminderingen in diepe-staartfouten ten opzichte van standaard baselines.

4. Experimentele resultaten

Het artikel valideert de aanpak op synthetische Data Generating Processes (DGPs) en real-world data (freMTPL2 motorverzekeringclaims).

• Kernprestaties: TailWelsch-DML vermindert de kern-ADRF MAE met 11,6% (90% CI: $[-17,3\%, -5,8\%]$) ten opzichte van Standard-DML en presteert marginaal beter dan Huber-DML.
• Method-invariantie: Op asymmetrische DGPs waarbij residu-gebaseerde schatters (Standard, Huber, Welsch) conflicterende staartvormen produceerden (variërend van $-0.42$ tot $+0.28$), weigerde PDHTE+JK correct te schatten, wat zijn onafhankelijkheid van de kernmethode demonstreert.
• Diepe-staartnauwkeurigheid ($\alpha = 0.001$):
  • De voorgestelde schatter vermindert de Return-Level MAE met 11% ten opzichte van Kernel-gewogen Kwantielregressie (QR).
  • Het vermindert de Conditioneel Tekort MAE met 25,5% ten opzichte van QR.
  • In kleine steekproefregimes ($n \le 2000$) varieerde de MAE-vermindering van 20% tot 29%.
• Regime-classificatie: De methode classificeerde zwaarstaartige regimes (Fréchet) correct in 6/6 gevallen, terwijl QR-afgeleide proxies slechts in 1/6 gevallen slaagden.
• Real-world toepassing (freMTPL2): Op motorverzekeringclaims met extreme kurtosis (1667), weigerde de voorgestelde schatter expliciet te extrapoleren op de log-claim-schaal (waar de kurtosis laag was), een kritieke veiligheidsoutput die noch QR, noch verlies-only DML produceerden.

5. Betekenis en claims

Het artikel betoogt dat de standaardpraktijk om zware staarten te onderdrukken om ADRF-schattingen te stabiliseren, juist de grootheden weggooit die hoog-risico beslissingen drijven (bijvoorbeeld extreme verliezen). Verder wordt benadrukt dat het afleiden van staarteigenschappen uit kern-schatting residuen een circulaire afhankelijkheid creëert die de diagnose ongeldig maakt.

De voorgestelde schatter adresseert deze problemen door:

1. De staart te behouden: Het vermijdt het onderdrukken van extremen in de verliesfunctie, en gebruikt in plaats daarvan een robuuste kern met constante afsnijding.
2. Validiteit te waarborgen: Het biedt een staartdiagnose (PDHTE+JK) die invariant is ten opzichte van de keuze van de kernmethode, waardoor de circulariteit wordt doorbroken.
3. Bruikbare outputs te leveren: Het levert gestructureerde staartgrootheden (vorm, terugkeer-niveaus, tekorten) en een expliciet weigeringsmechanisme wanneer data extreme-waarde modellering niet ondersteunt.

De auteurs merken bescheiden beperkingen op: de methode richt zich op univariate residu-staarten, de GPS deconfounding is niet $\sqrt{n}$-consistent, en de schatter neemt aan dat de staartindex causaal is via max-stabiliteit (Propositie 2), terwijl terugkeer-niveaus en tekorten gedeeltelijke deconfounding vereisen. De aanpak wordt gepresenteerd als een praktisch kader voor causale inferentie in zwaarstaartige settings waar extreme gebeurtenissen de primaire zorg zijn.