Testability of Instrumental Variables in Additive Nonlinear, Non-Constant Effects Models

Este artigo propõe e valida uma condição de teste de independência baseada em auxiliares (AIT) para verificar a validade de variáveis instrumentais em modelos aditivos não lineares com efeitos não constantes e variáveis de tratamento contínuas ou discretas, demonstrando sua eficácia em dados sintéticos e reais.

O essencial

Imagine que você é um detetive tentando descobrir se uma certa ação (como tomar um remédio) realmente causa um resultado (como a cura de uma doença). O problema é que existem "fantasmas" invisíveis (fatores que não conseguimos medir, como genética ou estilo de vida) que influenciam tanto a ação quanto o resultado. Isso torna difícil saber se o remédio funcionou ou se foi apenas o acaso.

Para resolver isso, os estatísticos usam uma ferramenta chamada Variável Instrumental (VI). Pense na VI como um "mensageiro" ou um "sinalizador" que só afeta a ação, mas não toca diretamente no resultado. Se o mensageiro funciona, podemos usar ele para limpar a sujeira dos "fantasmas" e ver a verdade.

Mas aqui está o grande dilema: Como saber se o mensageiro é honesto? Como saber se ele não está, secretamente, influenciando o resultado por outro caminho?

Até agora, existiam regras para testar mensageiros em situações simples (quando a ação é "sim/não" ou quando os efeitos são sempre iguais). Mas no mundo real, as coisas são mais complexas: a dose do remédio pode variar (é contínua) e o efeito pode mudar dependendo de quem toma (não é constante). A maioria dos métodos antigos falhava nesses casos.

Este artigo, escrito por Guo, Li, Huang e colegas, apresenta uma nova solução chamada Teste de Independência Baseado em Auxílio (AIT).

A Analogia do "Cozinheiro e o Tempero"

Vamos usar uma analogia de cozinha para entender como o método funciona:

1. O Cenário: Você quer saber se o Sal (X) melhora o Sabor do Prato (Y).
2. O Problema: Existe um Cozinheiro Secreto (U) que decide quanto sal colocar e também ajusta o tempero final. Você não vê o cozinheiro.
3. O Mensageiro (Z): Você tem um Fornecedor de Sal (Z) que envia sal para a cozinha.
   • Se o Fornecedor for honesto, ele só manda sal. O Cozinheiro Secreto não sabe quem é o fornecedor e não o influencia.
   • Se o Fornecedor for desonesto, ele pode estar "amigo" do Cozinheiro Secreto ou mandando temperos extras direto para o prato.

Como o método AIT descobre a mentira?

O método cria uma "Conta de Saldo" (Variável Auxílio).

• Primeiro, ele calcula quanto o Sal deveria melhorar o Sabor, baseado em uma fórmula matemática inteligente.
• Depois, ele subtrai esse "Sabor Esperado" do "Sabor Real" que você experimentou. O que sobra é o Erro (a diferença entre o esperado e o real).

A Regra de Ouro do AIT:
Se o Fornecedor (Z) for honesto, esse Erro deve ser totalmente aleatório em relação ao Fornecedor. Eles não devem ter nenhuma conexão. É como se o erro fosse um barulho de fundo que não muda quando o fornecedor muda o preço do sal.

• Se o Fornecedor for desonesto: O Erro e o Fornecedor vão "conversar" entre si. Eles ficarão dependentes. O método AIT detecta essa "conversa" (dependência estatística) e diz: "Ei! Esse fornecedor não é confiável!".

Por que isso é revolucionário?

1. Funciona com Coisas Contínuas: Métodos antigos só funcionavam se a ação fosse "ligado/desligado" (como fumar ou não). O AIT funciona mesmo quando a ação é uma quantidade (como 5mg, 10mg, 15mg de remédio).
2. Funciona com Efeitos Variáveis: Ele entende que o remédio pode fazer mais efeito em uma pessoa do que em outra.
3. O Segredo da Não-Gaussianidade: O artigo mostra que, para detectar mentiras em modelos lineares simples, precisamos que os dados tenham "formatos estranhos" (não sejam perfeitamente em forma de sino, como a distribuição normal). Se tudo for perfeitamente normal, é difícil detectar a mentira. Mas, se houver alguma "curvatura" ou não-linearidade (como uma curva exponencial), o método consegue ver a falha.

O que eles fizeram na prática?

Os autores criaram um algoritmo (um passo a passo computacional) que:

1. Divide os dados em duas partes (uma para aprender a fórmula, outra para testar).
2. Calcula a "Conta de Saldo" (o Erro).
3. Usa um teste matemático avançado (chamado HSIC) para ver se o Erro e o Fornecedor estão "conversando".
4. Eles testaram isso em dados simulados e em três estudos reais do mundo real (sobre educação e salários, colônias e economia, e violência e paciência), e o método funcionou muito bem, identificando corretamente quais variáveis eram confiáveis e quais não eram.

Resumo em uma frase

Este artigo criou um novo "detector de mentiras" matemático que consegue identificar se uma variável usada para provar causalidade é confiável, mesmo quando os dados são complexos, contínuos e cheios de influências invisíveis, usando a lógica de que um mensageiro honesto nunca deve ter uma "conversa secreta" com o erro do sistema.

Resumo técnico

Título: Testabilidade de Variáveis Instrumentais em Modelos Aditivos Não Lineares e de Efeitos Não Constantes

1. Problema Investigado

A estimação de efeitos causais a partir de dados observacionais é fundamental em diversas áreas (economia, epidemiologia, IA), mas frequentemente enfrenta o desafio de fatores de confusão não observados ($U$). O método de Variáveis Instrumentais (VI) é uma solução padrão, exigindo que o instrumento $Z$ satisfaça três condições:

1. Relevância: $Z$ afeta o tratamento $X$.
2. Exogeneidade: $Z$ é independente dos fatores de confusão $U$.
3. Restrição de Exclusão: $Z$ não afeta o resultado $Y$ diretamente (apenas via $X$).

O problema central abordado no artigo é a testabilidade dessas condições. Em modelos com tratamentos discretos, existem testes conhecidos (como a desigualdade instrumental de Pearl). No entanto, para tratamentos contínuos e efeitos não constantes (não lineares), a validade de um único instrumento é geralmente considerada não testável sem suposições adicionais fortes. Trabalhos anteriores focaram em modelos lineares constantes ou exigiram múltiplos instrumentos válidos. Este artigo busca preencher essa lacuna, propondo um método para testar a validade de um único instrumento em cenários mais complexos e realistas.

2. Metodologia Proposta

Os autores introduzem o Modelo Aditivo Não Linear, de Efeitos Não Constantes (ANINCE), onde as funções de geração de dados podem ser não lineares e os efeitos do tratamento podem variar.

A Condição AIT (Auxiliary-based Independence Test):
O núcleo da metodologia é a definição de uma Variável Auxiliar ($A$) e a verificação de sua independência estatística do instrumento candidato.

• Definição da Variável Auxiliar:
  Seja $h(X)$ uma função tal que a restrição de momento condicional seja satisfeita: $E[Y - h(X) | Z] = 0$.
  A variável auxiliar é definida como:
  $$A_{X \to Y || Z} := Y - h(X)$$
  Sob a condição de completude (Assunção 1), $h(X)$ corresponde à verdadeira função de efeito causal $f(X)$.

• A Condição de Teste:
  O artigo propõe que, se $Z$ for um instrumento válido, a variável auxiliar $A$ deve ser estatisticamente independente de $Z$ ($A \perp \perp Z$).

  • Se $Z$ viola a exogeneidade ou a restrição de exclusão, $A$ e $Z$ tendem a se tornar dependentes, permitindo a detecção da invalidade.

Implementação Prática (Algoritmo 1):
Para dados finitos e na presença de covariáveis ($W$):

1. Divisão de Amostra (Sample Splitting): O conjunto de dados é dividido em dois subconjuntos ($D_1$ e $D_2$) para evitar viés de sobreajuste.
2. Estimação ($D_1$): Estima-se a função causal $h(X, W)$ (usando estimadores de VI não paramétricos ou de controle) e a regressão de $Z$ sobre $W$ para obter o resíduo $\tilde{Z}$.
3. Teste de Independência ($D_2$): Calcula-se a variável auxiliar estimada $\hat{A} = Y - \hat{h}(X, W)$ e testa-se a independência entre $\hat{A}$ e $\tilde{Z}$ utilizando o teste HSIC (Hilbert-Schmidt Independence Criterion) em larga escala.

3. Principais Contribuições Teóricas

1. Condição Necessária (Teorema 1): Sob a condição de completude, se $Z$ é um VI válido no modelo ANINCE, então a condição AIT ($A \perp \perp Z$) necessariamente se mantém. A violação desta condição implica que $Z$ é inválido.
2. Condições de Necessidade e Suficiência:
   • Modelos Lineares: Sob a suposição de não-Gaussianidade parcial (Assunção 2), a condição AIT é necessária e suficiente para detectar violações de exogeneidade. No entanto, em modelos lineares puramente Gaussianos, a condição AIT é sempre satisfeita, tornando o teste inútil (conforme a Proposição 1).
   • Modelos ANINCE (Não Lineares): Sob a condição de completude e uma condição de não degeneração distribucional (Assunção 3, relacionada a derivadas parciais mistas não nulas da densidade conjunta), a condição AIT é necessária e suficiente para detectar todos os instrumentos inválidos (seja por violação de exogeneidade ou exclusão).
3. Identificabilidade em Cenários Não Lineares: O artigo demonstra que a não-linearidade e a não-constância dos efeitos permitem identificar instrumentos inválidos que violam a restrição de exclusão, algo impossível em modelos lineares gaussianos.
4. Validade Assintótica: Os autores provam que o teste proposto controla a taxa de erro Tipo I (nível nominal) e possui poder assintótico (erro Tipo II tendendo a zero) sob condições de regularidade adequadas para os estimadores e kernels.

4. Resultados Experimentais

Os autores validaram o método através de simulações sintéticas e três conjuntos de dados do mundo real:

• Dados Sintéticos:

  • Validação Teórica: Confirmaram que o método detecta instrumentos inválidos em modelos lineares não-Gaussianos e em modelos não lineares (parciais e completos).
  • Comparação: O método superou ou foi competitivo em relação ao método IV-PIM (Burauel, 2023) para tratamentos contínuos e ao teste K-test (Kitagawa, 2015) para tratamentos discretos.
  • Robustez: O desempenho melhorou com o aumento do tamanho da amostra e a presença de não-Gaussianidade ou não-linearidade.

• Dados do Mundo Real:

  1. Retornos da Escolaridade (Card, 1993): O teste não rejeitou a validade de "Vivendo perto de uma faculdade" como instrumento para escolaridade, corroborando a literatura existente.
  2. Origens Coloniais (Acemoglu et al., 2001): O teste validou "Mortalidade" e "Euro1990" como instrumentos para instituições, com resultados de p-valores consistentes com a exogeneidade esperada.
  3. Conflito e Preferência Temporal (Voors et al., 2012): Validou "Distância" e "Altitude" como instrumentos para violência, alinhando-se às conclusões do estudo original.

5. Significado e Impacto

Este trabalho é significativo por várias razões:

• Quebra de Limitações: Desafia a conjectura de que a validade de instrumentos é intestável em cenários de tratamentos contínuos sem suposições paramétricas fortes.
• Generalização: Estende a testabilidade de VI para modelos não lineares e de efeitos não constantes, que são mais comuns em aplicações reais (ex.: dosagem de medicamentos, níveis nutricionais) do que os modelos lineares constantes.
• Aplicabilidade Prática: Fornece um algoritmo prático que lida com covariáveis e dados finitos, utilizando técnicas modernas de aprendizado de máquina (florestas aleatórias, HSIC) para estimativa e teste.
• Insight Teórico: Demonstra que a não-linearidade e a não-Gaussianidade são recursos valiosos para a identificação causal, transformando restrições estruturais em testes estatísticos observáveis.

Em resumo, o artigo oferece uma ferramenta robusta para pesquisadores validarem seus instrumentos em cenários complexos, aumentando a confiabilidade das inferências causais baseadas em dados observacionais.