An average-case sensitivity analysis for unmeasured confounding

Resumo Técnico: Uma Análise de Sensibilidade de Caso Médio para Confundimento Não Medido

Declaração do Problema
Em estudos observacionais, a inferência causal baseia-se na suposição de inconfundibilidade (ignorabilidade), que postula que a atribuição do tratamento é independente dos potenciais resultados condicionada às covariáveis observadas. Como essa suposição é não testável, a análise de sensibilidade é necessária para avaliar como as conclusões podem mudar sob violações de inconfundibilidade. As abordagens existentes, particularmente o modelo de sensibilidade marginal (Tan, 2006; Zhao et al., 2019), tipicamente empregam um parâmetro de "pior caso" ($\Gamma$) que limita a norma $L_\infty$ da diferença de logit entre os escores de propensão observados e de dados completos. Embora matematicamente tratável, essa abordagem de pior caso pode ser excessivamente pessimista, pois o limite é determinado pelos valores mais extremos (e potencialmente raros) das covariáveis, falhando em capturar a força média do confundimento não medido.

Metodologia
Os autores propõem um novo modelo de sensibilidade de caso médio parametrizado pelo segundo momento da razão do escore de propensão, $\Sigma$. Em vez de limitar o desvio máximo, este modelo restringe o valor esperado do quadrado da razão dos escores de propensão:
$$E \{ \nu_{1,h}(X) \} \le \Sigma,$$
onde $\nu_{1,h}(X) = E\{h^2(X, Y) \mid X, Z=1\}$ e $h(X, Y) = e(X)/e(X, Y)$ é a razão do escore de propensão. Esta formulação exige apenas que a força média do confundimento não medido seja limitada.

O artigo aborda a análise de sensibilidade associada como um problema de otimização para derivar limites agudos (sharp bounds) sobre os potenciais resultados médios, $E\{Y(1)\}$ e $E\{Y(0)\}$.

1. Soluções Populacionais: Os autores resolvem analiticamente o problema de otimização usando formulações Lagrangianas.
   • Eles reformulam o problema para minimizar um compromisso (trade-off) entre o "risco" (segundo momento) e o "retorno" (primeiro momento) da razão do escore de propensão, traçando uma analogia com o problema de portfólio de Markowitz.
   • Eles derivam soluções de forma fechada para a função de razão do escore de propensão ótima $h^*(X, Y)$. Diferente do modelo de pior caso, onde a solução ótima é uma função constante por partes (função degrau), a solução de caso médio é uma função linear por partes de $Y$.
   • Eles estabelecem que essas soluções produzem limites agudos (sharp bounds), o que significa que qualquer valor dentro do intervalo derivado é alcançável por uma distribuição de geração de dados válida que satisfaça as restrições.
2. Estimação e Inferência:
   • Os autores derivam as Funções de Influência Eficientes (EIFs) para os limites e valores de sensibilidade sob os modelos de caso médio e de pior caso.
   • Eles propõem estimadores de um passo (one-step estimators) baseados nessas EIFs, utilizando cross-fitting para lidar com parâmetros de incerteza (nuisance parameters), como o escore de propensão e a densidade condicional do desfecho. Essa abordagem permite consistência $\sqrt{n}$ e normalidade assintótica mesmo quando os parâmetros de incerteza são estimados em taxas mais lentas (ex: $o_P(n^{-1/4})$).
   • Para facilitar a inferência sobre uma gama de parâmetros de sensibilidade, eles aplicam o bootstrap de multiplicador para construir bandas de confiança simultâneas para as curvas de sensibilidade.

Principais Resultados

• Limites Mais Estreitos: Através de um exemplo numérico envolvendo uma estrutura de "confundimento de portão" (gated confounding), os autores demonstram que o modelo de caso médio produz limites significativamente mais estreitos para o Efeito Médio do Tratamento (ATE) em comparação ao modelo de pior caso. O parâmetro de pior caso $\Gamma$ mostra-se impulsionado por valores extremos (outliers), enquanto o parâmetro de caso médio $\Sigma$ reflete melhor a força do confundimento para a maioria da população.
• Eficiência: Estudos de simulação confirmam que os estimadores de um passo propostos baseados em EIF convergem mais rapidamente e possuem um erro quadrático médio (RMSE) menor em comparação com estimadores diretos de substituição (plug-in), particularmente quando os parâmetros de incerteza são estimados via métodos não paramétricos.
• Aplicação em Dados Reais: Em um estudo estimando o efeito do consumo de peixe nos níveis de mercúrio no sangue (NHANES 2013-2014), os autores calibraram os parâmetros de sensibilidade contra covariáveis observadas (educação, renda, idade). O modelo de caso médio sugere que a conclusão (de que o consumo de peixe aumenta o mercúrio) é robusta ao confundimento não medido de uma magnitude comparável às suas covariáveis observadas, enquanto o modelo de pior caso sugere que a conclusão é frágil. Os limites de caso médio são notavelmente mais otimistas e estreitos.

Significância e Alegações
O artigo afirma fornecer um arcabouço de análise de sensibilidade mais realista e menos pessimista ao mudar de restrições de pior caso para as de caso médio. As principais contribuições incluem:

1. Tratabilidade Analítica: Ao contrário de generalizações anteriores de modelos de sensibilidade marginal que relaxam restrições para tornar a otimização tratável (resultando em limites não agudos), este artigo fornece soluções de forma fechada e agudas para o problema de caso médio.
2. Visão Unificada: As soluções derivadas oferecem uma perspectiva unificadora sobre os modelos de pior caso e de caso médio, destacando a diferença estrutural entre os pesos ótimos constantes por partes (pior caso) e lineares por partes (caso médio).
3. Utilidade Prática: Ao permitir a construção de bandas de confiança simultâneas e fornecer um método para calibrar parâmetros de sensibilidade usando covariáveis observadas, a abordagem facilita interpretações mais matizadas e otimistas dos resultados de estudos observacionais sem sacrificar o rigor matemático.

Os autores sustentam que, embora o modelo de caso médio seja mais otimista, ele permanece uma ferramenta válida de análise de sensibilidade que captura a extensão "média" do confundimento não medido, o que é frequentemente mais relevante para a política e a inferência científica do que o cenário teórico de pior caso.