Graph Machine Learning based Doubly Robust Estimator for Network Causal Effects

Resumo Técnico: Estimador Duplamente Robusto Baseado em Aprendizado de Máquina em Grafos para Efeitos Causais em Redes

1. O Problema

O artigo aborda o desafio de inferir efeitos causais a partir de dados de redes sociais observacionais. A inferência causal nesse contexto enfrenta duas barreiras principais que violam os pressupostos tradicionais de dados independentes e identicamente distribuídos (i.i.d.):

• Interferência (Spillover): O resultado de uma unidade (indivíduo) é afetado não apenas pelo seu próprio tratamento, mas também pelos tratamentos de seus vizinhos na rede.
• Confundimento Induzido pela Rede: As covariáveis dos vizinhos atuam como confundidores. A estrutura da rede e a topologia criam dependências complexas e de alta dimensão que são difíceis de ajustar com métodos tradicionais.

Métodos existentes frequentemente assumem formas pré-definidas de agregação de informações da rede (como médias ou máximos dos vizinhos) ou fazem suposições fortes sobre os mecanismos de confundimento, o que pode levar à perda de informações críticas e conclusões errôneas, especialmente em redes de alta dimensão. Além disso, métodos baseados em Machine Learning (ML) puro, como Redes Neurais em Grafos (GNNs), muitas vezes carecem de garantias teóricas para inferência causal (como intervalos de confiança válidos) devido a vieses de regularização e taxas de convergência lentas.

2. Metodologia Proposta

Os autores propõem um novo framework que integra Aprendizado de Máquina em Grafos (especificamente Redes Neurais em Grafos - GNNs) ao framework de Double Machine Learning (DML).

• Objetivo: Estimar dois parâmetros causais:

  1. Efeito Direto Médio (ADE): O impacto direto do tratamento no próprio indivíduo.
  2. Efeito de Pares Médio (APE): O impacto do tratamento dos vizinhos no indivíduo (efeito de interferência).

• Arquitetura do Estimador:

  • Modelos de Nuisance (Perturbadores): Utiliza GNNs (especificamente Graph Isomorphism Network - GIN) para estimar dois modelos preditivos complexos:
    1. Propensity Score: A probabilidade de atribuição de tratamento dada as covariáveis da rede.
    2. Modelo de Resultado: A previsão do resultado dado as covariáveis da rede.
  • Ortogonalização e DML: O método emprega a técnica de "double ML" (ou ML ortogonalizado). Ao subtrair as previsões dos modelos de nuisance dos tratamentos e resultados observados, o estimador torna-se robusto a erros de especificação do modelo. Se o modelo de propensity score ou o modelo de resultado estiver correto, o estimador permanece consistente (dupla robustez).
  • Conjunto Focal (Focal Set): Para lidar com a dependência entre nós na rede (que viola a independência necessária para a inferência estatística padrão), o método constrói um "conjunto focal" maximal de nós independentes (onde os vizinhos de um nó não são vizinhos de outro). Isso permite a estimativa consistente da variância.
  • Cross-Fitting: Utiliza-se K-fold cross-fitting sobre o conjunto focal para evitar overfitting e garantir que os modelos de nuisance sejam treinados em dados não vistos durante a estimativa dos parâmetros causais.

• Garantias Teóricas: O artigo prova que o estimador é consistente e assintoticamente normal sob condições de regularidade moderadas, permitindo a construção de intervalos de confiança válidos.

3. Contribuições Principais

1. Novo Framework de Inferência: Desenvolvimento de um método que integra GNNs ao DML para lidar com confundidores de rede de alta dimensão, oferecendo estimativas pontuais e intervalares de alta qualidade.
2. Garantias Teóricas: Demonstração teórica da consistência e normalidade assintótica do estimador, permitindo quantificação de incerteza (intervalos de confiança), algo que métodos puramente baseados em GNNs para causalidade frequentemente não oferecem.
3. Desempenho Superior: Avaliação empírica em três conjuntos de dados semi-sintéticos (Cora, Pubmed, Flickr) comparando o método com seis baselines de ponta, demonstrando menor erro quadrático médio (MSE) e melhor escalabilidade.
4. Aplicação do Mundo Real: Estudo de caso utilizando dados reais de vilas na Índia para investigar o impacto da participação em Grupos de Autoajuda (SHG) na tolerância ao risco financeiro, demonstrando a aplicabilidade prática do método.

4. Resultados Experimentais

• Dados Semi-Sintéticos: O método proposto (GDML) superou ou igualou o desempenho de métodos state-of-the-art como NetEst, Net-TMLE e T-Learner, com erros quadráticos médios significativamente menores em várias configurações.
• Escalabilidade: O método escalou bem em grandes redes (ex: Flickr com ~100k nós), enquanto outros métodos (como Ma & Tresp) falharam devido a limitações de memória ou tempo de execução.
• Intervalos de Confiança: O método foi capaz de gerar intervalos de confiança válidos, cobrindo o valor verdadeiro nos testes de simulação (com taxas de cobertura próximas a 95-100% em redes menos densas).
• Análise de Densidade: A performance degrada em redes muito densas devido à redução do tamanho do "conjunto focal" (amostra efetiva), mas mantém-se robusto em redes esparsas, comuns em muitos cenários sociais.
• Estudo de Caso (SHG): Na análise de dados reais, o método estimou um efeito direto positivo (embora não estatisticamente significativo devido ao tamanho da amostra efetiva) da participação em SHG na tolerância ao risco, e um efeito de pares próximo de zero, alinhando-se com a literatura existente.

5. Significado e Impacto

Este trabalho preenche uma lacuna crítica na interseção entre Aprendizado de Máquina em Grafos e Inferência Causal.

• Avanço Teórico: Oferece um caminho rigoroso para usar modelos de ML complexos (como GNNs) em cenários causais sem sacrificar a validade estatística, resolvendo problemas de viés e convergência.
• Aplicabilidade Prática: Permite que pesquisadores e formuladores de políticas avaliem intervenções em redes sociais (como campanhas de saúde pública, programas econômicos ou algoritmos de mídia social) com maior precisão, separando o efeito direto de uma intervenção do efeito de contágio/interferência dos vizinhos.
• Políticas Públicas: A capacidade de quantificar efeitos diretos e de pares com intervalos de confiança confiáveis é vital para otimizar o design de intervenções sociais e econômicas, evitando alocação ineficiente de recursos baseada em inferências causais incorretas.

Em resumo, o artigo propõe uma solução robusta, escalável e teoricamente fundamentada para o problema complexo de inferência causal em redes, superando as limitações de métodos anteriores que dependiam de suposições simplistas sobre a estrutura da rede.