Resumo Técnico: Medidas de Efeito Baseadas em Perturbação para Dados Composicionais

Declaração do Problema

Dados composicionais, onde as observações consistem em partes de um todo que somam uma constante (tipicamente normalizada para o simplex $\Delta_{d-1}$), são ubíquos em campos como pesquisa de microbioma, ecologia e ciências sociais. Métodos existentes para avaliar o efeito de características composicionais sobre uma variável de resposta $Y$ enfrentam limitações significativas:

1. Inadequação de Abordagens Paramétricas Tradicionais: Muitas aplicações modernas envolvem dados de alta dimensão e esparsos (ex: contagens de espécies de microbioma), que são mal modelados por abordagens tradicionais de razão de logaritmos (log-ratio).
2. Viés em Análises Marginais: Avaliar como estatísticas resumidas de uma composição (ex: um índice de diversidade) afetam uma resposta é frequentemente enganoso. Como os componentes de uma composição estão deterministicamente vinculados pela restrição de soma unitária, as análises marginais falham em contabilizar o confundimento induzido pela variação restante na composição.
3. Troca entre Interpretabilidade e Flexibilidade: Métodos de aprendizado de máquina não paramétricos flexíveis podem modelar a relação entre $Y$ e $Z$, mas frequentemente carecem de medidas de efeito interpretáveis. Inversamente, medidas interpretáveis (como coeficientes de contraste de logaritmo) muitas vezes dependem de suposições paramétricas estritas que podem não se sustentar.
4. O Problema do Zero: Transformações de razão de logaritmo padrão exigem que os dados estejam no simplex aberto (sem zeros), necessitando de estratégias de imputação de zeros ad hoc que podem distorcer os resultados.

Os autores argumentam que definir intervenções em variáveis composicionais é difícil porque os componentes individuais não são independentes; alterar um componente exige mudanças em outros para satisfazer a restrição do simplex.

Metodologia

O artigo propõe um framework unificado baseado em perturbações de dados hipotéticos para definir funcionais estatísticos interpretáveis chamados Efeitos de Perturbação Média.

1. Framework de Perturbação

Em vez de transformar os dados ou assumir um modelo de regressão específico, os autores definem efeitos diretamente no simplex via perturbações $\psi(z, \gamma)$, que mapeiam uma composição $z$ para uma trajetória no simplex.

• Perturbações Binárias: Codificam mudanças discretas (ex: definir um componente $Z_j$ como 0 e reescalar o restante). O efeito é o contraste médio na resposta entre os estados original e perturbado, normalizado pela probabilidade de mudança.
• Perturbações Direcionais: Codificam mudanças contínuas (ex: mover-se em direção ao centro do simplex para aumentar a diversidade). O efeito é a taxa média inicial de mudança da função de regressão ao longo do caminho de perturbação.

2. Reparametrização de Isolamento de Derivada

Uma contribuição técnica central é a construção de uma reparametrização de isolamento de derivada $\phi: \Delta_{d-1} \to \mathbb{R} \times \mathcal{W}$.

• Esta bijeção transforma o vetor composicional $Z$ em uma variável escalar $L$ e um vetor de ruído (nuisance) $W$.
• Crucialmente, a perturbação $\psi$ altera apenas $L$, mantendo $W$ invariante.
• Esta transformação reduz o problema de estimar um funcional complexo no simplex à estimativa de um efeito parcial médio padrão (para perturbações direcionais) ou de um contraste de média condicional (para perturbações binárias) em um cenário genérico, permitendo a aplicação de teoria semiparamétrica estabelecida.

3. Estratégias de Estimativa

O artigo propõe estimadores eficientes para esses efeitos usando técnicas semiparamétricas:

• Estimativa Não Paramétrica: Utiliza estimadores corrigidos de um passo (baseados em funções de influência) com cross-fitting para estimar os parâmetros alvo. Isso requer a estimativa de funções de ruído (funções de regressão, escores de propensão ou funções de score condicionais).
• Estimativa Parcialmente Linear: Assume um modelo parcialmente linear $E[Y|L, W] = \theta L + h(W)$. Aqui, $\theta$ corresponde exatamente ao efeito de perturbação. Esta abordagem depende apenas da estimativa de médias condicionais ($E[Y|W]$ e $E[L|W]$), o que é geralmente mais robusto e menos sensível a erros de estimativa do que estimar derivadas ou funções de score.
• Tratamento de Zeros: O framework lida naturalmente com zeros nos dados. Para perturbações onde a velocidade desaparece na fronteira (ex: velocidade multiplicativa quando $Z_j=0$), os estimadores são adaptados para excluir esses pontos do cálculo da derivada sem exigir imputação.

4. Construções de Perturbação Específicas

Os autores fornecem construções explícitas para aplicações práticas:

• Influência de Característica Composicional (CFI): Mede o efeito de aumentar um componente específico $Z_j$. Eles propõem uma "velocidade multiplicativa" (invariante de escala) e uma "velocidade unitária".
• Efeito de Knock-out Composicional (CKE): Uma perturbação binária que mede o efeito de remover um componente (definindo-o como 0).
• Influência de Diversidade Composicional (CDI): Mede o efeito de aumentar a diversidade (movendo-se em direção ao centro do simplex). Eles propõem uma "velocidade Gini" baseada no coeficiente de Gini para garantir que o efeito seja interpretável em termos de índices de diversidade.

Principais Resultados

O artigo valida o framework proposto através de análise teórica e experimentos empíricos:

1. Garantias Teóricas: Os autores provam a normalidade assintótica uniforme para seus estimadores sob condições semiparamétricas padrão. Eles mostram que a reparametrização permite inferência válida sem a necessidade de modelar diretamente a geometria complexa do simplex.
2. Estudos de Simulação:
   • Em dados do Censo dos EUA semi-sintéticos, análises marginais da diversidade racial sobre a renda produziram efeitos negativos significativos devido ao confundimento pela estrutura composicional restante. O CDI proposto identificou corretamente o efeito positivo construído nos dados.
   • Em simulações de microbioma, medidas padrão de importância de características (importância de permutação, $R^2$ não paramétrico) falharam porque violam a restrição do simplex ao manter outras coordenadas fixas. As medidas baseadas em perturbação permaneceram consistentes através de diferentes algoritmos de regressão.
3. Aplicações no Mundo Real:
   • Escolas de Nova York: Analisando o efeito da diversidade racial nas notas dos alunos. A abordagem marginal sugeriu um forte efeito positivo mesmo após controlar por covariáveis. A abordagem CDI, que leva em conta a estrutura composicional, encontrou efeitos positivos menores ou indistinguíveis de zero, sugerindo que os resultados marginais foram impulsionados pelo confundimento composicional.
   • American Gut Microbiome: Prevendo o IMC a partir da abundância de espécies. O CFI proposto (velocidade multiplicativa) e o CKE identificaram conjuntos diferentes de micróbios importantes em comparação com a regressão de contraste de logaritmo. Os coeficientes de contraste de logaritmo mostraram-se altamente sensíveis à escolha de pseudocontagens (pseudocounts), enquanto as medidas baseadas em perturbação (especificamente o CKE) lidam explicitamente com zeros e distinguem entre efeitos de presença/ausência e efeitos de abundância contínua.

Significância e Alegações

Os autores alegam que seu trabalho fornece um framework unificado para definir medidas de efeito interpretáveis para características composicionais que:

• Evita o Problema do Zero: Ao contrário das abordagens de razão de logaritmo, não exige transformação de dados ou imputação de zeros.
• Lida com Alta Dimensionalidade: É compatível com métodos de aprendizado de máquina não paramétricos flexíveis via estimativa semiparamétrica, tornando-o adequado para dados esparsos e de alta dimensão, como conjuntos de dados de microbioma.
• Controla o Confundimento: Ao definir efeitos através de perturbações que respeitam a restrição do simplex, controla naturalmente o confundimento induzido pela variação restante na composição, o qual as análises marginais de estatísticas resumidas falham em fazer.
• Une Causalidade e Estatística: Embora os efeitos sejam definidos como quantidades estatísticas, o framework fornece um caminho claro para interpretação causal ao formalizar questões de nível de componente (ex: "aumentar a diversidade") como intervenções bem definidas em toda a composição.

O artigo posiciona esses "Efeitos de Perturbação Média" como uma alternativa necessária aos métodos existentes que ou dependem de suposições paramétricas restritivas ou produzem resultados enganosos por ignorar a natureza composicional dos dados.