Resumo Técnico: Identificação de Efeitos Causais Médios de Complacentes e Não Complacentes na Presença de Resultados com Falta de Dados Aleatória Latente (LMAR)

1. Definição do Problema

O estudo de efeitos de tratamento é frequentemente complicado por dois desafios simultâneos: não conformidade (onde os participantes não aderem ao tratamento atribuído) e dados de resultados ausentes (missing data). Este artigo foca no cenário de não conformidade unilateral, onde a não conformidade ocorre apenas no braço de tratamento (os participantes podem recusar o tratamento ativo, mas os participantes do grupo controle não podem "recusar" o controle).

Neste cenário, os pesquisadores estão frequentemente interessados nos Efeitos Causais Principais (PCEs): o Efeito Causal Médio dos Complacentes (CACE) e o Efeito Causal Médio dos Não Complacentes (NACE). Esses efeitos são definidos com base em estratos principais latentes (complacentes vs. não complacentes), que são inobserváveis na condição de controle.

O problema específico abordado é a identificação desses efeitos quando os resultados são Missing at Random (MAR) no braço de tratamento, mas Missing Not at Random (MNAR) no braço de controle, uma condição denominada Latent Missing at Random (LMAR) ou ignorabilidade latente. Embora existam métodos para lidar com LMAR dentro da estrutura de Variável Instrumental (IV) (que depende da Restrição de Exclusão), nenhuma solução geral foi proposta para abordagens não-IV (como a Ignorabilidade Principal).

2. Metodologia e Estrutura

2.1 Pressupostos de Base

Os autores estabelecem uma estrutura de base baseada em dois pressupostos fundamentais:

1. Ignorabilidade de Atribuição de Tratamento (A0): Condicional a covariáveis de linha de base $X$, a atribuição de tratamento $Z$ é independente dos potenciais resultados e do tipo de conformidade.
2. Latent Missing at Random (B0): Condicional a $X$, $Z$ e o tipo de conformidade $C$, o indicador de ausência $R$ é independente do resultado $Y$. Crucialmente, isso permite que a ausência dependa de $C$ no braço de controle.

2.2 Caracterização da Não-Identificabilidade

O artigo demonstra que sob A0 e B0, os PCEs são não-identificáveis. A não-identificabilidade decorre da incapacidade de recuperar as médias condicionais dos resultados sob controle para cada estrato, denotadas por $\mu_{0c}(X) = E[Y | X, Z=0, C=c]$.

Os autores derivam que este problema se reduz a um sistema de duas equações de mistura conectadas:

1. Equação de Mistura de Resposta: Relaciona a probabilidade de resposta global no braço de controle ($\lambda_0(X)$) com as probabilidades de resposta específicas do estrato ($\varpi_{0c}(X)$).
   $$\lambda_0(X) = \varpi_{01}(X)\pi_1(X) + \varpi_{00}(X)\pi_0(X)$$
2. Equação de Mistura de Resultado: Relaciona a média do resultado observada no braço de controle ($\kappa^R_0(X)$) com as médias de resultado específicas do estrato ($\mu_{0c}(X)$), ponderadas pelas probabilidades de resposta específicas do estrato.
   $$\kappa^R_0(X) = \mu_{01}(X)\pi^R_{01}(X) + \mu_{00}(X)\pi^R_{00}(X)$$

As incógnitas são as probabilidades de resposta específicas do estrato ($\varpi_{0c}$) e as médias de resultado específicas do estrato ($\mu_{0c}$). As equações estão conectadas porque as probabilidades de resposta determinam os pesos na equação de resultado.

2.3 O Modelo Unificador

O artigo propõe um modelo de identificação em duas etapas:

1. Etapa 1 (Mecanismo de Ausência): Introduzir um pressuposto específico sobre o mecanismo de ausência para resolver a Equação de Mistura de Resposta e identificar as probabilidades de resposta ($\varpi_{0c}$).
2. Etapa 2 (Identificação Principal): Introduzir um pressuposto de identificação principal para resolver a Equação de Mistura de Resultado para as médias dos resultados ($\mu_{0c}$).

Os autores enfatizam que estes são processos separados; um pressuposto de ausência específico não precisa estar alinhado com um pressuposto de identificação principal específico (por exemplo, pode-se combinar a Restrição de Exclusão com um pressuposto de ausência não-ER).

3. Contribuições Principais

3.1 Novos Pressupostos de Ausência e Modificações

O artigo categoriza pressupostos de ausência específicos em dois tipos:

• Tipo 1: Comparação de Ausência entre Condições de Tratamento.
  • Inclui pressupostos existentes como Resposta Estável do Não Complacente (SNR/rER) e Resposta Estável do Complacente (SCR).
  • Descoberta Crítica: Os autores identificam uma limitação nos pressupostos SNR/SCR existentes: eles podem implicar probabilidades de resposta implausíveis (negativas ou $>1$) dependendo da distribuição dos dados observados.
  • Proposta: Eles propõem versões modificadas, Near-SNR e Near-SCR, que restringem as probabilidades a intervalos válidos (ex: $[\epsilon, 1]$) quando o pressuposto exato produz valores inválidos.
• Tipo 2: Comparação de Ausência entre Estratos Principais.
  • Ignorabilidade Principal de Resposta (rPI): Assume que a probabilidade de resposta é independente do tipo de conformidade no braço de controle ($R \perp C | X, Z=0$).
  • Odds de Resposta Proporcional (rPO): Assume que a razão de chances (odds ratio) de resposta entre complacentes e não complacentes é a mesma em ambos os braços.
  • Estes pressupostos não sofrem do problema de probabilidades implausíveis inerente ao Tipo 1.

3.2 Fórmulas de Identificação

O artigo deriva fórmulas explícitas de identificação para CACE, NACE e ATE sob várias combinações de:

• Pressupostos de Identificação Principal: Restrição de Exclusão (ER), Ignorabilidade Principal (PI) e pressupostos de análise de sensibilidade (PIsens-GOR, PIsens-MR, PIsens-SMD).
• Pressupostos de Ausência Específicos: Near-SNR, Near-SCR, rPI e rPO.

Resultado Teórico Chave: Se a Ignorabilidade Principal (PI) for usada como o pressuposto de identificação principal, os PCEs são identificados sem a necessidade de um mecanismo de ausência específico além do LMAR. A PI fornece uma solução para a equação de mistura de resultado que contorna a necessidade de resolver a equação de mistura de resposta. Além disso, a combinação de PI e LMAR implica que o resultado é MAR.

3.3 Ilustração Empírica

Os autores aplicam seu modelo aos dados do Baltimore Experience Corps Trial (um estudo sobre voluntariado para idosos).

• Dados: 623 participantes (284 intervenção, 339 controle) com 22,6% de ausência total no desfecho "percepção de realização de generatividade".
• Análise: Eles estimaram os efeitos sob todas as combinações dos três pressupostos principais (ER, PI, PIsens-SMDe) e quatro pressupostos de ausência.
• Resultados:
  • As estimativas de efeito variaram significamente com base na escolha do pressuposto de identificação principal (ex: ER vs. PI).
  • Dentro de um pressuposto de identificação principal fixo, as estimativas foram relativamente robustas à escolha do pressuposto de ausência específico (exceto pelo aumento da incerteza sob Near-SNR).
  • Quando a PI foi assumida, os resultados foram idênticos independentemente do mecanismo de ausência, confirmando o resultado teórico de que a PI torna desnecessário o uso de pressupostos de ausência adicionais.

4. Significância e Alegações

O artigo afirma fornecer uma visão unificada e um modelo flexível para a identificação de efeitos na presença de resultados LMAR. Sua principal significância reside em:

1. Desacoplamento de Pressupostos: Esclarecer que a identificação de PCEs geralmente requer dois pressupostos distintos (um para ausência e outro para estratos principais) que podem ser escolhidos independentemente com base em justificativa substantiva.
2. Expansão de Opções: Ir além da estrutura IV/ER para incluir Ignorabilidade Principal e abordagens de análise de sensibilidade, que são cada vez mais utilizadas na prática.
3. Correção de Métodos Existentes: Destacar e corrigir o problema de probabilidades implausíveis em pressupostos de resposta estável amplamente utilizados (SNR/SCR) ao propor versões "near".
4. Identificação de Casos Especiais: Demonstrar que, sob PI, o problema complexo de LMAR simplifica-se para um problema padrão de MAR, removendo a necessidade de pressupostos de ausência adicionais.

Os autores concluem que, embora o modelo ofereça fórmulas imediatas de identificação, trabalhos futuros são necessários para desenvolver métodos de estimação e inferência robustos (ex: estimação de variância) para estas novas fórmulas, particularmente sob os novos pressupostos de resposta estável ("near"). Eles também observam que o trabalho atual é limitado ao LMAR e não aborda a ausência dependente do próprio resultado (MNAR além do LMAR).