Causal Inference under Interference with Learned Exposure Mappings

Technische Samenvatting: Causale Inferentie onder Interferentie met Geleerde Blootstellingsmappings

Probleemstelling
In causale inferentie onder interferentie is de "blootstellingsmapping" (exposure mapping) een cruciaal onderdeel dat bepaalt hoe behandelingen toegewezen aan één eenheid de effectieve blootstelling van anderen beïnvloeden. Traditionele kaders gaan er doorgaans van uit dat deze mapping vooraf bekend is, vaak gespecificeerd via vaste geografische afstanden of netwerkstructuren. Echter, in milieutoepassingen—zoals het analyseren van de gezondheidsimpact van vervuilingsbeheersing—is de blootstellingsmapping niet direct observeerbaar. In plaats daarvan wordt deze geïnduceerd door latente atmosferische transportprocessen die geleerd moeten worden uit vervuilingsgegevens.

Dit creëert een fundamentele uitdaging: hoewel diverse transportmodellen (mechanistische PDE's, physics-informed neural operators, Fourier neural operators en foundation models) vergelijkbare voorspellende nauwkeurigheid kunnen bereiken bij het voorspellen van geobserveerde concentraties vervuiling, kunnen zij verschillende onderliggende transportoperatoren impliceren. Bijgevolg kunnen deze modellen verschillende blootstellingsmappings genereren, wat leidt tot uiteenlopende causale conclusies over spillover-effecten. Dit onderzoek onderzoekt of voorspellende overeenstemming tussen transportmodellen voldoende is voor betrouwbare causale inferentie wanneer blootstellingsmappings geleerd en niet geobserveerd zijn.

Methodologie
De studie maakt gebruik van een kader waarbij een transportoperator $T$ een interventievector $A$ (emissiereducties) afbeeldt naar een blootstellingsmapping $E(T) = TA$. De causale grootheid van belang is het spillover-effect op gezondheidsuitkomsten $H$, gemodelleerd als een functie van directe interventie en spillover-blootstelling.

De auteur vergelijkt vier verschillende transportmodellering-benaderingen:

1. Mechanistische PDE: Een advectie-diffusie partiële differentiaalvergelijking.
2. PINO: Physics-Informed Neural Operators.
3. FNO: Fourier Neural Operators.
4. GeoPT: Een recent foundation model voor geofysisch transport.

De evaluatie verloopt in twee fasen:

• Simulatiestudie: Een latente "ware" transportoperator $T^*$ genereert de vervuilingsdynamiek. Concurrerende modellen worden gefit op de resulterende geobserveerde vervuilingsvelden. De studie beoordeelt elk model op zijn vermogen om vervuiling ($PM$) te voorspellen, de ware blootstellingsmapping te herstellen en het ware spillover-effect te schatten.
• Empirische Analyse: De modellen worden toegepast op Californische $PM_{2.5}$-data. De analyse onderzoekt hoe verschillende transportaannames de geïnferredde spillover-patronen beïnvloeden onder hypothetische beleidsinterventies voor vervuilingsbeheersing, zonder te beweren de enkele "ware" atmosferische proces te identificeren.

Belangrijkste Resultaten

• Voorspellende Equivalentie versus Causale Divergentie: In simulaties bereikten alle vier de modellen een bijna identieke nauwkeurigheid in de voorspelling van vervuiling ($R^2$ variërend van 0,970 tot 0,975). Hun geschatte spillover-effecten varieerden echter aanzienlijk, van 1,78 tot 2,27. Het model dat de blootstellingsmapping het meest accuraat herstelde (FNO), produceerde de spillover-schatting die het dichtst bij de ware waarde lag.
• Nauwkeurigheid van de Blootstellingsmapping als Voorspeller: De studie vond dat nauwkeurigheid in het herstellen van de blootstellingsmapping een sterkere voorspeller was voor inferentiële prestaties dan marginale verbeteringen in de voorspellende nauwkeurigheid van vervuiling. Modellen met grotere fouten in de blootstellingsmapping (bijv. PINO, GeoPT) produceerden grotere afwijkingen in de spillover-schattingen.
• Interventiegevoeligheid: De impact van onzekerheid in de blootstellingsmapping hing sterk af van het type interventie:
  • Regionale Interventies: Toonden een matige onenigheid over de modellen (spillover-bereik: 1,79–2,42).
  • Upwind Interventies: Toonden de kleinste onenigheid (bereik: 1,93–2,13).
  • Gespecialiseerde Puntbron-interventies: Toonden aanzienlijke onenigheid, met geschatte spillover-effecten variërend van 0,51 (PDE) tot 1,56 (GeoPT)—een drievoudig verschil.
• Empirische Bevindingen (Californië): De analyse van Californische $PM_{2.5}$-data weerspiegelde de resultaten van de simulatie. Hoewel concurrerende modellen vergelijkbare voorspellingen gaven voor geobserveerde concentraties, impliceerden zij verschillende spillover-patronen en identificeerden zij verschillende locaties als het meest getroffen door interventies. Opvallend genoeg, terwijl de spillover-schattingen varieerden, bleven de totale geschatte interventie-effecten stabiel (variërend van 0,303 tot 0,305), wat suggereert dat transportonzekerheid de mechanistische interpretatie meer beïnvloedt dan de aggregatieve beleidsimpact-voorspellingen.

Betekenis en Claims
Het artikel betoogt dat voorspellende overeenstemming alleen onvoldoende is voor betrouwbare causale inferentie wanneer blootstellingsmappings geleerd worden. De kernbijdrage is het aantonen dat modellen die de geobserveerde data even goed fitten, verschillende blootstellingsmappings kunnen induceren, wat leidt tot substantieel verschillende conclusies over spillover-effecten, met name bij gelokaliseerde interventies.

De auteur claimt dat:

1. Blootstellingsmappings behandeld moeten worden als geschatte grootheden in plaats van vaste ontwerpobjecten, wat een propagatie van onzekerheid vanuit het leerproces van het transport naar downstream causale analyses noodzakelijk maakt.
2. Evaluatiecriteria voor transportmodellen in causale settings verder moeten gaan dan voorspellende nauwkeurigheid en ook de stabiliteit en betrouwbaarheid van de geïnduceerde blootstellingsmappings moeten omvatten.
3. Onzekerheid in geleerde transportprocessen het meest relevant is voor gerichte interventies, waar lokaal transportgedrag een sterkere invloed heeft op de downstream blootstelling dan brede regionale interventies.

De studie concludeert dat zonder rekening te houden met de onzekerheid in geleerde transportprocessen, causale inferenties met betrekking tot spillover-effecten onbetrouwbaar kunnen zijn, zelfs wanneer de onderliggende modellen ononderscheidbaar lijken in termen van voorspellende prestaties.