Incremental effects for continuous exposures

Resumo Técnico: Efeitos Incrementais para Exposições Contínuas

Problema
A inferência causal com tratamentos contínuos (ex.: dosagem, duração, frequência) depende tipicamente da estimativa de curvas de dose-resposta. A identificação padrão dessas curvas exige a suposição de positividade: que cada sujeito tenha uma probabilidade não nula de receber qualquer nível do tratamento. Na prática, essa suposição é frequentemente violada, particularmente quando as distribuições de tratamento possuem lacunas ou suportes limitados (ex.: certos níveis de dosagem nunca são administrados). Métodos de intervenção estocástica existentes, como as intervenções de deslocamento (shift interventions), frequentemente falham em resolver esse problema se o suporte for limitado ou contiver lacunas, pois o deslocamento do tratamento pode colocar massa fora do suporte observado.

Metodologia
Os autores propõem um arcabouço para efeitos incrementais baseado na inclinação exponencial (exponential tilting) da distribuição do tratamento. Em vez de definir deterministicamente os níveis de tratamento ou deslocá-los por uma quantidade fixa, o método repondera a densidade observacional do tratamento $\pi(a|x)$ por um parâmetro $\delta$. A densidade inclinada é definida como:
$$q_\delta(a | x) = \frac{\exp(\delta a)\pi(a | x)}{\int \exp(\delta t)\pi(t | x) dt}$$
Aqui, $\delta$ atua como uma taxa de mudança da razão de verossimilhança. Um $\delta$ positivo aumenta a probabilidade de níveis de tratamento mais altos, enquanto um $\delta$ negativo a diminui. Crucialmente, os autores tratam $\delta$ não como uma constante fixa, mas como um parâmetro que pode ser ilimitado (aproximando-se de $\pm \infty$).

Principais Contribuições e Resultados

1. Identificação sem Positividade:
   Os autores estabelecem que os efeitos incrementais são identificáveis sob as suposições padrão de consistência e intercambialidade, sem exigir a suposição de positividade. Como a distribuição inclinada $q_\delta$ é zero onde quer que a densidade original $\pi$ seja zero, o método evita as "lacunas" no suporte que prejudicam outros métodos de intervenção estocástica.

2. Limites de Eficiência e Limites Minimax:
   O artigo deriva a função de influência eficiente e o limite de eficiência não paramétrica para esses efeitos incrementais. Um achado central é que a variância da função de influência eficiente escala com $\delta$.

   • O Teorema 2 estabelece um novo limite inferior minimax para o erro de estimativa. Os autores provam que o melhor erro quadrático médio (RMSE) possível escala com um tamanho de amostra efetivo de $n/\delta$ em vez de $n$.
   • Isso implica que, à medida que o parâmetro de inclinação $\delta$ aumenta, a estimativa torna-se significativamente mais difícil, e a taxa de convergência desacelera. Essa dependência é frequentemente ignorada em análises padrão que tratam $\delta$ como uma constante fixa e limitada.

3. Novas Taxas de Convergência e Análise de Viés:
   Os autores analisam um estimador de aprendizado de máquina duplo (DML) de um passo.

   • Eles demonstram que os limites de erro padrão (usando Cauchy-Schwarz e normas $L_2$) levam a dependências subótimas de $\delta$ e frequentemente exigem positividade forte.
   • O Teorema 3 introduz uma nova análise usando normas mistas $L_2(P)$-sup ($||f||_{L^2_x, L^\infty_a}$). Isso permite um limite de erro duplamente robusto que não sofre da penalidade superlinear de $\delta$, desde que uma suposição de "positividade fraca" (positividade próxima às bordas do suporte) seja mantida.
   • O Teorema 4 estabelece que o estimador é assintoticamente normal com uma taxa de convergência de $\sqrt{n/\delta}$, confirmando a redução do tamanho de amostra efetivo.

4. Estimativa de Dose-Resposta via Inclinações Refletidas:
   O artigo explora o limite onde $\delta \to \infty$.

   • À medida que $\delta \to \infty$, a distribuição inclinada converge para uma massa pontual na borda do suporte do tratamento (ex.: $A=1$).
   • Os autores definem uma inclinação exponencial "refletida" em torno de qualquer ponto interior $a'$. Ao aplicar uma inclinação positiva para $a < a'$ e uma inclinação negativa para $a > a'$, e tomar $\delta \to \infty$, eles derivam um novo estimador para a curva de dose-resposta $E[Y^{a'}]$.
   • O Teorema 6 mostra que este estimador alcança uma taxa de convergência de $O_P(n^{-1/3})$ para funções de regressão Lipschitz, que é a taxa minimax ótima.
   • O Corolário 1 demonstra que este estimador iguala a eficiência dos estimadores de dose-resposta baseados em kernel padrão (como o DR-learner), mas requer apenas positividade fraca em uma vizinhança do ponto alvo $a'$, em vez de positividade global.

5. Aplicação Empírica:
   A metodologia é aplicada para estimar o efeito de anúncios políticos sobre contribuições de campanha usando dados de Urban e Niebler (2014). A variável de tratamento (número de anúncios) possui lacunas em sua densidade, violando a positividade padrão. Os autores estimam o efeito incremental e a curva de dose-resposta, encontrando que o aumento no volume de anúncios tem um efeito levemente positivo nas contribuições, enquanto a sua diminuição leva a perdas substanciais. O estimador de efeito incremental refletido mostrou melhor estabilidade em regiões de baixa densidade comparado aos métodos de kernel padrão.

Significância e Alegações
O artigo afirma fornecer uma base teórica rigorosa para a estimativa de efeitos causais sob tratamentos contínuos sem a restritiva suposição de positividade. Sua principal significância reside em:

• Revelar o Custo da Inclinação: Caracterizar explicitamente como a dificuldade de estimativa escala com o parâmetro de inclinação $\delta$, mostrando que grandes inclinações efetivamente reduzem o tamanho da amostra.
• Novos Limites Teóricos: Derivar limites minimax e taxas de convergência que dependem de $\delta$, corrigindo análises anteriores que assumiam $\delta$ como uma constante fixa e limitada.
• Um Novo Estimador para Dose-Resposta: Oferecer um novo estimador não paramétrico para a curva de dose-resposta em pontos de borda e interiores que depende de positividade fraca e alcança taxas ótimas para funções Lipschitz.

Os autores posicionam seu trabalho como um complemento à literatura existente de intervenção estocástica (ex.: Díaz e van der Laan, 2012; Kennedy, 2019), especificamente estendendo o conceito de efeitos incrementais para exposições contínuas e analisando o comportamento assintótico quando o parâmetro de inclinação é ilimitado.