On the error control of invariant causal prediction

Resumo Técnico: Sobre o controle de erro na Predição Causal Invariante

Enunciação do Problema
A Predição Causal Invariante (ICP), introduzida por Peters et al. (2016), é um framework para identificar preditores causais de uma variável resposta utilizando dados heterogêneos de múltiplos ambientes. O método original garante que todos os preditores descobertos sejam preditores causais verdadeiros com alta probabilidade, controlando a Taxa de Erro Familiar (FWER). Embora essa garantia seja forte, ela é frequentemente excessivamente conservadora, particularmente quando preditores causais estão altamente correlacionados com preditores não causais, levando a poucas ou nenhuma descoberta. O artigo aborda a questão de saber se a ICP pode ser equipada com garantias de erro menos conservadoras — especificamente o controle da Taxa de Descoberta Falsa (FDR) e limites de descoberta verdadeiros simultâneos — para extrair mais informação causal dos dados sem comprometer a validade estatística.

Metodologia
Os autores reformulam a ICP como um problema de testes múltiplos. Em vez de estimar diretamente o conjunto de preditores causais, eles propõem testar as hipóteses nulas $H^*_{0,i}: i \notin S^*$ (que a variável $i$ não é um preditor causal) para todo $i \in [m]$.

1. Formulação de Testes Múltiplos:

   • Com base nos valores-p $p_S$ gerados pela ICP para testes de invariância de subconjuntos $S$, os autores constroem valores-p válidos para hipóteses individuais: $p^*_i = \max_{S \subseteq [m]\setminus\{i\}} p_S$.
   • Eles também definem valores-p para hipóteses de interseção $H^*_{0,S}: i \notin S^*$ para todo $i \in S$ como $p^*_S = \max_{I \subseteq [m]\setminus S} p_I$.
   • Uma descoberta teórica chave é que o conjunto de descobertas original da ICP é exatamente equivalente ao conjunto de hipóteses rejeitadas ao comparar diretamente $p^*_i$ com o nível nominal $\alpha$ sem qualquer correção para testes múltiplos. Consequentemente, o método original da ICP já controla a FDR, mas simplesmente relaxar o limiar nesses valores-p específicos não produz mais descobertas.

2. Controle de FDR via e-Fechamento:

   • Para alcançar um controle de FDR não trivial (ou seja, obter mais descobertas do que a ICP original), os autores adotam o princípio de e-Fechamento (Xu et al., 2025).
   • Eles transformam os valores-p $p^*_S$ em valores-e usando calibradores p-para-e recém-projetados.
   • Os autores propõem o calibrador Su e duas versões adaptadas de função degrau: Step-Su e Step-LinearSu. Esses calibradores são adaptados à estrutura de limiar discreto inerente à regra de decisão de e-Fechamento para FDR, otimizando a alocação do orçamento de integral unitária para melhorar o poder.
   • A aplicação do princípio de e-Fechamento à coleção de valores-e resultante produz uma família de conjuntos de descoberta que satisfazem o controle simultâneo de FDR. Isso significa que a garantia de FDR vale para todos os conjuntos na família simultaneamente, permitindo que os usuários selecionem um conjunto com base em critérios dependentes dos dados, mantendo a garantia.

3. Limites de Descoberta Verdadeira Simultâneos:

   • Os autores derivam limites de descoberta verdadeira simultâneos usando o procedimento de teste fechado (Marcus et al., 1976; Goeman e Solari, 2011).
   • Devido à monotonicidade dos $p^*_S$ construídos, o passo de ajuste de teste fechado computacionalmente caro é desnecessário; uma hipótese é rejeitada se e somente se for localmente rejeitada.
   • Isso leva a uma fórmula simplificada para o limite de descoberta verdadeira simultânea $t_\alpha(R)$, que fornece um limite inferior de alta probabilidade sobre o número de preditores causais verdadeiros em qualquer conjunto $R$ especificado pelo usuário.
   • Os autores mostram que esse limite é equivalente a um limite derivado diretamente da formulação original da ICP ($\tilde{t}_\alpha(R)$), fornecendo uma interpretação estatística mais clara (por exemplo, admissibilidade) das propriedades do método original.

Principais Contribuições

• Reformulação: Castigar a ICP como um problema de testes múltiplos para preditores causais nulos, revelando que o método original da ICP é equivalente ao teste não ajustado de valores-p específicos derivados de hipóteses de interseção.
• Controle de FDR Não Trivial: Demonstrar que o ajuste direto de valores-p não pode melhorar a ICP para o controle de FDR, e introduzir com sucesso o princípio de e-Fechamento com novos calibradores p-para-e (Step-Su, Step-LinearSu) para alcançar controle de FDR que produz mais descobertas do que a ICP original controlada por FWER.
• Limites Simultâneos: Derivar limites de descoberta verdadeira simultâneos que recuperam os resultados originais da ICP enquanto fornecem informações adicionais sobre o número de descobertas verdadeiras em conjuntos arbitrários. O método simplifica o procedimento padrão de teste fechado, eliminando a necessidade de etapas de ajuste.
• Equivalência: Provar a equivalência entre os limites simultâneos derivados via teste fechado e aqueles derivados da formulação original da ICP, unindo duas perspectivas estatísticas diferentes.

Resultados

• Simulações: Os autores conduziram simulações em modelos de equações estruturais lineares com variações nas forças de sinal e níveis nominais.
  • Os métodos de e-Fechamento com calibradores adaptados (Step-Su, Step-LinearSu) superaram consistentemente o calibrador Su geral e o método original da ICP em termos de número de descobertas verdadeiras, particularmente em cenários com força de sinal moderada a alta.
  • As FDRs empíricas foram confirmadas como estando abaixo do nível nominal em todos os cenários.
  • Os limites simultâneos forneceram insights adicionais, como limites inferiores sobre o número de preditores causais verdadeiros no conjunto completo de variáveis, que não estavam disponíveis a partir do único conjunto de descoberta da ICP original.
• Aplicação em Dados Reais: Aplicado a um conjunto de dados sobre a realização educacional de adolescentes nos EUA.
  • A ICP original identificou dois preditores causais: pontuação no teste e status de faculdade do pai.
  • O método de e-Fechamento controlado por FDR identificou esses dois mais uma terceira variável ("etnia outra"), ilustrando a capacidade de extrair mais candidatos para análise exploratória.
  • Os limites simultâneos revelaram que pelo menos cinco de oito variáveis específicas em um conjunto maior eram provavelmente preditores causais verdadeiros, oferecendo uma caracterização mais rica da estrutura causal do que o método original.

Significado e Alegações
O artigo afirma que os métodos propostos oferecem uma alternativa prática à ICP original, relaxando o controle de erro de FWER para FDR e limites simultâneos.

• Utilidade Prática: Os autores argumentam que o controle FWER original não deve ser a escolha padrão, porque os limites de descoberta verdadeira simultâneos propostos podem recuperar o conjunto controlado por FWER enquanto fornecem estritamente mais informações.
• Exploratório vs. Confirmatório: Os métodos permitem que os pesquisadores escolham entre uma garantia do tipo probabilidade (limites simultâneos) para análise confirmatória ou uma garantia do tipo expectativa (controle de FDR) para análise mais exploratória, onde conjuntos de descoberta maiores são desejados.
• Avanço Metodológico: O trabalho destaca a utilidade de valores-e e do princípio de e-Fechamento em cenários onde abordagens padrão de valores-p são limitadas (especificamente, onde valores-p não ajustados já controlam a FWER). Demonstra que um controle rigoroso de erro pode ser alcançado na ICP com menos conservadorismo, extraindo assim mais informação causal de dados heterogêneos.

Os autores permanecem modestos quanto às direções futuras, observando que, embora seus métodos se apliquem a modelos lineares, eles poderiam potencialmente ser estendidos para cenários não lineares, sequenciais ou de ambiente único, e que os desafios computacionais para grandes $m$ permanecem um obstáculo compartilhado tanto pelo método original quanto pelos propostos.