📊 statistics

Principal stratification with U-statistics under principal ignorability

Este artigo estende a teoria da estratificação principal sob ignorabilidade principal para acomodar contrastes não lineares por meio de estimandos de efeito causal generalizado principal, derivando funções de influência eficientes que permitem o desenvolvimento de estimadores de aprendizado de máquina multiplamente robustos e enviesados baseados em U-estatísticas.

Autores originais: Xinyuan Chen, Fan Li

Publicado 2026-06-02

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Xinyuan Chen, Fan Li

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando julgar a eficácia de um novo programa de treinamento (como um Job Corps) sobre os ganhos futuros das pessoas. Você tem um problema simples: nem todos seguem as regras. Alguns, designados para o programa, não o frequentam, e alguns, no grupo de controle, acabam entrando no programa mesmo sem serem designados.

Além disso, há um segundo obstáculo: algumas pessoas desistem ou mudam seu status (como conseguir um emprego ou não) antes mesmo que você possa medir seus ganhos finais. Se alguém não consegue um emprego, seu "ganho semanal" torna-se indefinido.

Este artigo apresenta uma nova e mais inteligente maneira de medir o sucesso nessas situações conturbadas. Aqui está a divisão usando analogias do cotidiano:

1. O Jeito Antigo vs. O Jeito Novo

O Jeito Antigo (Diferença Média):
Tradicionalmente, os pesquisadores perguntam: "Em média, quantos dólares a mais o grupo de tratamento ganhou?"

A Falha: Isso é como medir uma corrida olhando para a velocidade média. Se um corredor tropeça e cai (um valor atípico/outlier) ou se a pista está lamacenta (dados enviesados/skewed), a velocidade média torna-se enganosa. Também tem dificuldade com dados "ordinais" — como classificar corredores em 1º, 2º ou 3º lugar — onde a diferença entre o 1º e o 2º não é necessariamente a mesma que entre o 2º e o 3º.

O Jeito Novo (A Abordagem de "Vitória" e "Probabilística"):
Os autores sugerem fazer perguntas diferentes:

O "Índice Probabilístico" (O Lançamento da Moeda): Em vez de perguntar "Quanto dinheiro a mais?", pergunte: "Se eu escolher uma pessoa do grupo de tratamento e uma do grupo de controle ao acaso, qual é a chance de a pessoa do tratamento ter se saído melhor?"
- Analogia: Imagine o lançamento de uma moeda. Se a moeda cai cara 55% das vezes, você sabe que o tratamento tem uma leve vantagem, mesmo que não saiba exatamente quanto dinheiro foi ganho. Isso é robusto contra valores atípicos estranhos (como uma pessoa ganhando um milhão de dólares).
A "Razão de Vitória" (O Torneio): Para resultados classificados (como níveis de emprego), pergunte: "Quantas vezes a pessoa do tratamento 'vence' contra a pessoa do controle, comparado a quantas vezes ela 'perde'?"
- Analogia: É como a pontuação de uma partida de tênis. Se o Tratamento vence 3 partidas para cada 1 derrota, a razão é 3:1. Isso é ótimo para comparar coisas que são classificadas, mas não medidas por uma régua.

2. O Filtro de "Estratificação Principal"

O artigo utiliza um conceito chamado Estratificação Principal (Principal Stratification). Pense nisso como separar as pessoas em "clubes" invisíveis baseados em como elas se comportariam em ambos os cenários (tratamento e controle), embora só possamos ver um cenário de cada vez.

O Clube dos "Sempre-Cumpridores": Pessoas que fariam o tratamento aconteça o que acontecer.
O Clube dos "Nunca-Participantes": Pessoas que nunca fariam o tratamento.
O Clube dos "Protegidos": Pessoas que só fazem o tratamento se forem designadas para ele.

Os autores argumentam que, para obter uma resposta justa, você deve comparar maçãs com maçãs dentro desses clubes específicos. Você não pode comparar um "Nunca-Participante" no grupo de tratamento com um "Cumpridor" no grupo de controle; isso é como comparar um atleta profissional com um corredor casual.

3. A Rede de Segurança "Triplamente Segura"

O maior desafio é que não sabemos exatamente quem pertence a qual clube invisível. Temos que adivinhar usando modelos matemáticos. Se nossa suposição estiver errada, nossos resultados serão lixo.

Os autores desenvolveram uma nova ferramenta matemática (usando U-estatísticas) que atua como uma Rede de Segurança Triplamente Segura.

Para obter uma resposta correta, você geralmente precisa que três modelos diferentes sejam perfeitos:
1. Um modelo prevendo quem recebe o tratamento.
2. Um modelo prevendo a qual "clube" a pessoa pertence.
3. Um modelo prevendo o resultado.
A Magia: O novo método deles é "triplamente robusto". Isso significa que você só precisa que dois desses três modelos estejam corretos para obter a resposta certa. Se você acertar dois, o terceiro pode estar completamente errado, e a matemática ainda funcionará. É como uma ponte que permanece de pé mesmo se um de seus três pilares de sustentação colapsar.

4. A Atualização de "Aprendizado de Máquina"

O artigo também mostra como usar o Aprendizado de Máquina (Machine Learning/IA) para construir esses modelos.

O Problema: O aprendizado de máquina é ótimo para encontrar padrões, mas pode ser "ruidoso" e introduzir viés se você não tiver cuidado.
A Solução: Eles utilizam uma técnica chamada Cross-Fitting. Imagine que você tem um baralho de cartas. Você divide o baralho em pilhas. Você usa uma pilha para ensinar a IA como prever, e uma pilha diferente para testar a previsão. Você troca as pilhas várias vezes. Isso garante que a IA não apenas "trapaceie" memorizando os dados, dando-lhe um resultado limpo e sem viés.

5. Teste no Mundo Real: O Estudo do Job Corps

Os autores testaram isso com dados reais do Job Corps (um programa para jovens desfavorecidos).

Cenário A (Emprego): Eles observaram se as pessoas conseguiam um emprego. Descobriram que, para pessoas que conseguiriam um emprego independentemente do programa, o programa aumentou suas chances de ganhar mais dinheiro.
Cenário B (Classificação): Eles observaram os níveis de renda (Desempregado, Baixa Remuneração, Alta Remuneração). Descobriram que o programa ajudou as pessoas a "vencerem" contra o grupo de controle, empurrando-as para faixas de renda mais altas.
A Surpresa: Eles descobriram que mesmo as pessoas que não participaram de fato do programa (mas foram designadas para ele) pareceram se sair ligeiramente melhor, talvez porque a oferta do programa tenha dado a elas um impulso psicológico.

Resumo

Este artigo fornece um conjunto de ferramentas robusto e flexível para medir causa e efeito quando:

As pessoas não seguem as instruções perfeitamente.
Os dados são bagunçados, enviesados ou classificados (não apenas números).
Não temos 100% de certeza de que nossos modelos estatísticos são perfeitos.

Ele substitui a antiga régua da "diferença média" por uma planilha de "probabilidade de vitória", apoiada por uma rede de segurança que funciona mesmo se algumas de nossas suposições estiverem ligeiramente incorretas.

Resumo Técnico: Estratificação Principal com U-estatísticas sob Ignorabilidade Principal

Enunciado do Problema
A estratificação principal é um framework padrão para inferência causal quando existe uma variável intermediária (ex: não conformidade ao tratamento ou status de sobrevivência). Embora a literatura se concentre predominantemente no efeito causal médio principal (PACE), definido como a diferença esperada entre potenciais resultados dentro de um estrato principal específico, essa métrica pode ser insuficiente quando o interesse científico reside na ordenação relativa dos resultados, em vez de suas diferenças de média. Isso é particularmente relevante para resultados ordinais, desfechos compostos ou distribuições com caudas pesadas e outliers, onde contrastes de média são sensíveis. Além além disso, métodos existentes para efeitos causais generalizados (como índices probabilísticos ou razões de vitória/win ratios) não foram totalmente estendidos para o cenário de estratificação principal, deixando uma lacuna na identificação não paramétrica e na estimação eficiente para esses estimandos.

Metodologia
Os autores propõem um framework para estimar o Efeito Causal Generalizado Principal (PGCE), definido como $\tau^s_h = E[h\{Y_1(1), Y_2(0)\} | S_1 = S_2 = s]$ , onde $h$ é uma função de contraste arbitrária (potencialmente não linear) e $S$ denota o estrato principal. A metodologia procede através dos seguintes passos:

Identificação: Sob três pressupostos estruturais — Ignorabilidade de Tratamento, Monotonicidade (excluindo o estrato "defensor" ou "prejudicado") e Ignorabilidade Principal de Média por Pares, os autores derivam fórmulas de identificação não paramétricas. O pressuposto de Ignorabilidade Principal de Média por Pares generaliza o pressuposto unitário encontrado em trabalhos anteriores (ex: Jiang et al., 2022) para acomodar funções de contraste não lineares. Ele postula que, condicionalmente às covariáveis, a função de contraste esperada é permutável entre pares específicos de estratos principais latentes que mapeiam para os mesmos estratos de dados observados.
Funções de Influência Eficientes (EIFs): Os autores derivam as EIFs para os estimandos de PGCE. Essas funções caracterizam o limite de eficiência semiparamétrica e servem como base para a construção de estimadores ótimos. A derivação leva em conta a estrutura de razão de muitos PGCEs (ex: razões de vitória) e a dependência de funções de confusão (nuisance functions) definidas em pares de observações.
Estimação via U-estatísticas: Como as EIFs envolvem funções de confusão definidas em pares de observações, os autores constroem estimadores usando U-estatísticas.
- Estimadores Triplamente Robustos: Eles desenvolvem estimadores que são "triplamente robustos", o que significa que permanecem consistentes e assintoticamente normais se quaisquer dois dos três modelos de confusão (propensão de tratamento, escore principal ou média de par de resultados) forem corretamente especificados.
- Aprendizado de Máquina Desenviesado (DML): Para alcançar eficiência assintótica total e acomodar a estimação de funções de confusão flexíveis e adaptativas aos dados, os autores integram o framework de U-estatística com a técnica de cross-fitting (divisão de amostra). Isso permite o uso de algoritmos de aprendizado de máquina (ex: florestas aleatórias, SuperLearner) enquanto mantém a consistência $n^{1/2}$ e a normalidade assintótica sob condições de regularidade brandas.
Análise de Sensibilidade: O artigo aborda a natureza não testável do pressuposto de monotonicidade propondo uma estratégia de análise de sensibilidade. Isso envolve a introdução de uma função de sensibilidade $\eta(X)$ para quantificar a proporção do estrato "prejudicado", permitindo a estimação corrigida de viés quando a monotonicidade é violada.

Principais Contribuições

Generalização de Estimandos: O artigo introduz o PGCE, uma classe de estimandos que acomoda funções de contraste arbitrárias dentro de estratos principais, estendendo-se além do PACE padrão para incluir índices probabilísticos e razões de vitória.
Extensão Teórica: Expande os resultados teóricos de Jiang et al. (2022) de contrastes lineares para uma classe mais ampla de contrastes não lineares sob ignorabilidade principal, fornecendo as primeiras fórmulas de identificação não paramétrica para esses efeitos generalizados na presença de uma variável intermediária binária.
Funções de Influência Eficientes: A derivação das EIFs para os PGCEs estabelece os limites de eficiência semiparamétrica para esses estimandos.
U-estatísticas Triplamente Robustas: Os autores demonstram que os estimadores propostos baseados em U-estatística possuem a propriedade de tripla robustez (consistentes se dois de três modelos estiverem corretos) e alcançam eficiência local quando todos os modelos estão corretos.
Integração com Aprendizado de Máquina: O trabalho fornece uma base teórica rigorosa para a aplicação de aprendizado de máquina desenviesado à estratificação principal com contrastes não lineares, provando que as U-estatísticas com cross-fitting alcançam o limite de eficiência sob taxas de convergência padrão de aprendizado de máquina.

Resultos
Os métodos propostos foram avaliados através de estudos de simulação e uma aplicação de dados reais:

Simulações: Em cenários com resultados contínuos e ordinais, os estimadores triplamente robustos e de aprendizado de máquina desenviesado (DML) demonstraram consistência mesmo quando um dos três modelos de confusão era incorretamente especificado. Em contraste, os estimadores de momento plug-in padrão apresentaram viés sob tal especificação incorreta. Os estimadores DML geralmente exibiram um viés ligeiramente menor e melhor precisão em comparação com os estimadores paramétricos triplamente robustos, particularmente em amostras finitas.
Exemplo de Dados (Jobs Corps): Os métodos foram aplicados ao estudo U.S. Jobs Corps para estimar o efeito causal do treinamento profissional sobre os ganhos, contabilizando a não conformidade e o status de emprego (truncamento por morte).
- Para o Índice Probabilístico de Sobrevivente (SPI) entre participantes sempre empregados, os métodos DML e triplamente robusto estimaram uma probabilidade de 0.539 de que um indivíduo tratado tenha ganhos superiores a um indivíduo de controle (IC de 95% excluindo 0.5), sugerindo um efeito positivo do tratamento.
- Para a Razão de Vitória Principal (PWR) com ganhos ordinais, a análise revelou efeitos heterogêneos entre os estratos. Os conformes (compliers) mostraram um efeito positivo significativo (razão de vitória ~1.27), enquanto os nunca-conformes (never-takers) mostraram um efeito neutro. Notavelmente, os sempre-conformes (always-takers) também mostraram um efeito positivo significativo, sugerindo um potencial impacto psicológico da própria atribuição.
- Análise de Sensibilidade: Os estimadores de PWR mostraram forte robustez a violações do pressuposto de monotonicidade, enquanto os estimadores de SPI mostraram um leve deslocamento na magnitude conforme a proporção de estratos "prejudicados" aumentava.

Significância e Alegações
O artigo afirma fornecer um framework abrangente para inferência causal em estratificação principal que vai além de contrastes de média para acomodar resultados ordinais e compostos. Ao estabelecer as funções de influência eficientes e desenvolver estimadores de U-estatística triplamente robustos, o trabalho preenche uma lacuna crítica na literatura em relação à identificação e estimação eficiente de efeitos causais generalizados. Os autores enfatizam que sua abordagem oferece uma maneira fundamentada de lidar com contrastes não lineares e desfechos compostos, mantendo a robustez contra a especificação incorreta de modelos. A integração do aprendizado de máquina via cross-fitting permite a modelagem flexível de funções de confusão complexas, tornando o framework aplicável a configurações de dados modernos de alta dimensão. Os autores observam modestamente que o desenvolvimento atual assume dados independentes e identicamente distribuídos (i.i.d.) e que a extensão desses métodos para estruturas de dados agrupados ou longitudinais permanece como uma direção para pesquisas futuras.