Testing identification in mediation and dynamic treatment models

Resumo Técnico: Teste de Identificação em Modelos de Mediação e de Tratamento Dinâmico

Enunciado do Problema
Na análise de mediação causal, avaliação de tratamento dinâmico e modelos de seleção de amostra, a identificação de efeitos causais (como efeitos diretos, indiretos ou conjuntos) depende tipicamente da suposição de ignorabilidade sequencial. Esta suposição postula que, condicionalmente às covariáveis observadas, o tratamento e o mediador (ou um indicador de seleção) são exógenos, o que significa que não são confundidos por variáveis não observadas. No entanto, esta suposição é não testável em dados observacionais padrão e é frequentemente controversa, uma vez que não se pode descartar definitivamente a existência de confundidores não observados. Embora a literatura anterior tenha proposto testes para a identificação de efeitos de tratamento único utilizando instrumentos, há uma carência de métodos para testar conjuntamente as suposições de identificação para modelos que envolvem tratamentos sequenciais, mediadores ou seleção de amostra.

Metodologia
Os autores propõem um framework de teste que estende o trabalho de Huber e Kueck (2022) de modelos de tratamento único para cenários com atribuição sequencial de um tratamento ($D$) e um mediador ($M$), ou um indicador de seleção. A abordagem baseia-se em dois conjuntos de variáveis observadas: covariáveis ($X$) a serem controladas e instrumentos suspeitos ($Z_1$ para $D$, e $Z_2$ para $M$).

A metodologia é construída sobre uma estrutura causal específica (Suposição 1) que descarta a causalidade reversa do resultado para o tratamento, mediador, covariáveis ou instrumentos, e assume fidelidade causal (causal faithfulness). Sob esta estrutura, os autores derivam implicações testáveis que são equivalentes à satisfação conjunta de:

1. Exogeneidade: O tratamento e o mediador são independentes dos resultados potenciais e dos mediadores potenciais, dado as covariáveis (ignorabilidade sequencial).
2. Validade do Instrumento: Os instrumentos são independentes dos resultados potenciais e dos mediadores, dado as covariáveis e o respectivo status de tratamento/mediador, implicando que eles não afetam diretamente o resultado e não são confundidos.

Especificamente, as implicações testáveis (ITs) são afirmações de independência condicional envolvendo quantidades fatuais:

• $Y \perp Z_1 | D, X$
• $M \perp Z_1 | D, X$
• $Y \perp Z_2 | D, M, X$

O framework é flexível o suficiente para acomodar:

• Interdependência de Instrumentos: Cenários onde $Z_1$ afeta $Z_2$, exigindo que $Z_2$ seja incluído no conjunto de condicionamento para testar $Z_1$.
• Confundimento Pós-Tratamento: Cenários onde covariáveis pós-tratamento ($W$) afetam a relação mediador-resultado, exigindo que $W$ seja incluído nos conjuntos de condicionamento.

Para implementar o teste em ambientes de alta dimensão, os autores utilizam uma abordagem baseada em aprendizado de máquina (machine learning). Eles testam a hipótese nula de que a média condicional do resultado ou do mediador é independente dos instrumentos. Isso é formulado como uma condição de momento quadrático envolvendo as diferenças ao quadrado entre funções de regressão que incluem e excluem os instrumentos. A estimação utiliza cross-fitting e ortogonalidade de Neyman (Chernozhukov et al., 2018), permitindo o uso de algoritmos flexíveis de aprendizado de máquina (ex: Lasso) para controlar covariáveis de alta dimensão sem comprometer as propriedades assintóticas. Um termo de perturbação aleatória é adicionado à função de score para garantir uma variância não degenerada sob a hipótese nula.

Principais Contribuições

1. Extensão de Testes de Identificação: Este é o primeiro estudo a propor um teste de identificação especificamente para mediação causal, efeitos de tratamento dinâmico e modelos de seleção de amostra, estendendo o framework de tratamento único de Huber e Kueck (2022).
2. Teste Conjunto: O método permite o teste conjunto da exogeneidade do tratamento e da validade do instrumento, em vez de testá-los separadamente.
3. Flexibilidade: O framework lida com instrumentos multivalorados, instrumentos sequenciais (onde um instrumento afeta outro) e confundimento dinâmico (covariáveis pós-tratamento).
4. Decomposição Diagnóstica: A estrutura do teste permite que os pesquisadores localizem as rejeições a partes específicas do modelo causal (por exemplo, distinguindo entre uma violação da exogeneidade do tratamento versus a validade do instrumento).
5. Integração com Aprendizado de Máquina: A proposta de um procedimento de teste orientado por dados capaz de lidar com covariáveis de alta dimensão via aprendizado de máquina, abordando o desafio prático de controlar inúmeros confundidores.

Resultados

• Estudo de Simulação: Os autores realizam um estudo de simulação com tamanhos de amostra de 1.000 e 4.000. Os resultados indicam que o teste mantém o tamanho empírico correto (próximo ao nível nominal de 5%) quando as suposições de identificação são atendidas. Quando as suposições são violadas (por exemplo, introduzindo confundidores não observados ou invalidando instrumentos), o teste demonstra alto poder, com taxas de rejeição aproximando-se de 100% em amostras maiores. O estudo também mostra que o teste proposto desempenha bem na detecção de violações mesmo quando os instrumentos possuem efeitos diretos no resultado.
• Aplicação Empírica: O método é aplicado a dados do mercado de trabalho eslovaco para avaliar os efeitos de programas de treinamento sequenciais (Prática Graduada seguida de Incentivos ao Emprego) sobre o emprego. Utilizando a disponibilidade local de programas como instrumentos e controlando por um rico conjunto de covariáveis pré e pós-tratamento, as implicações testáveis não são rejeitadas em níveis de significância convencionais. Isso sugere que a suposição de ignorabilidade sequencial é plausível para esta aplicação específica. Consequentemente, os autores estimam o efeito de tratamento dinâmico, encontrando que a participação em ambos os programas aumenta a probabilidade de emprego em aproximadamente 8,55 pontos percentuais.

Significância e Alegações
O artigo afirma fornecer uma ferramenta necessária para verificar suposições de identificação em modelos causais complexos onde o confundimento não observado é uma preocupação primária. Ao estabelecer condições testáveis suficientes, os autores argumentam que os pesquisadores podem ir além de depender apenas de motivação teórica ou intuição para a ignorabilidade sequencial. A significância reside na capacidade de "verificar" a identificação em dados observacionais, aumentando assim a confiança nas estimativas causais derivadas de modelos de mediação e de tratamento dinâmico. Os autores mantêm a modéstia, observando que, embora o teste verifique condições necessárias para a identificação, ele não garante a identificação de efeitos diretos e indiretos naturais (que exigem suposições de independência entre mundos mais fortes), mas suporta a identificação de efeitos diretos controlados e efeitos totais.