Resumo Técnico: Análise de Mediação Causal Sem Viés em Ambientes de Altíssima Dimensionalidade na Presença de Efeitos de Interação

1. Configuração do Problema e Motivação

Este artigo aborda o desafio de estimar os efeitos diretos naturais (NDE) e os efeitos indiretos naturais (NIE) na análise de mediação causal quando tanto as covariáveis pré-tratamento ($X \in \mathbb{R}^p$) quanto os mediadores pós-tratamento ($M \in \mathbb{R}^q$) são de altíssima dimensionalidade (UHD - ultra-high-dimensional), o que significa que $p \wedge q \gg n$. Crucialmente, o arcabouço proposto acomoda efeitos de interação entre o tratamento binário ($A$) e tanto as covariáveis quanto os mediadores.

A literatura existente sobre análise de mediação de alta dimensionalidade tem se baseado amplamente em triagem heurística, redução de dimensionalidade ou seleção de caminhos, muitas vezes carecendo de uma teoria inferencial rigorosa para efeitos naturais na presença de variáveis UHD. Além disso, avanços teóricos recentes em mediação de alta dimensionalidade (por exemplo, Guo et al., 2022–2024; Lin et al., 2025) tipicamente assumem covariáveis de dimensão fixa ou excluem interações entre tratamento-covariável/mediador. A dificuldade específica abordada aqui é a estimação do funcional de mediação $\theta_{10} = E[Y(1, M(0))]$, que envolve uma interação de "braços cruzados" (cross-arm): ela combina parâmetros aprendidos do braço de tratamento (os coeficientes de regressão do desfecho $\gamma_1$) com os aprendidos do braço de controle (a matriz de regressão do mediador $B_0$). Essa estrutura impede a aplicação direta de técnicas de debiasing (desenviesamento) padrão para funcionais lineares ou bilineares, pois o alvo envolve um termo composto $\bar{X}^\top B_0^\top \gamma_1$, onde $B_0 \bar{X}$ pode ser denso e não consistentemente estimável na norma $\ell_1/\ell_2$.

2. Metodologia

Os autores propõem um novo estimador de debiasing multi-etapas que combina regressão de alta dimensionalidade com etapas de balanceamento cuidadosamente desenhadas. O método utiliza um procedimento de cross-fitting para dividir os dados em duas dobras ($D_1, D_2$) para evitar o sobreajuste (overfitting) e garantir inferência válida.

O Procedimento de Estimação (Algoritmo 1)

O núcleo da metodologia estima o parâmetro $\theta_{10} = \bar{X}^\top (\beta_1 + B_0^\top \gamma_1)$ através das seguintes etapas:

1. Balanceamento para Aproximação (Etapa 1): Utilizando observações de controle ($A=0$), o método constrói um vetor de pesos de balanceamento $\hat{\tau}_2$ resolvendo um problema de otimização. Este peso aproxima o vetor médio de covariáveis $\bar{X}$ no espaço das covariáveis de controle. Crucialmente, o produto $\hat{m}_c = M_c^\top \hat{\tau}_2$ serve como uma aproximação direta do vetor desconhecido $B_0 \bar{X}$ na norma $\ell_\infty$, contornando a necessidade de estimar a matriz UHD completa $B_0$.
2. Regressão do Desfecho (Etapa 2): Utilizando observações de tratamento ($A=1$), uma regressão Lasso estima os coeficientes do desfecho $\hat{\phi}_1 = (\hat{\beta}_1, \hat{\gamma}_1)$.
3. Primeiro Debiasing (Etapa 3): O estimador $\hat{\phi}_1$ é desenviesado na direção $a = (\bar{X}^\top, \hat{m}_c^\top)^\top$. Esta etapa corrige o viés de regularização do Lasso, mas introduz um novo viés porque a direção $\hat{m}_c$ é uma aproximação de $B_0 \bar{X}$, não o valor real.
4. Segundo Debiasing (Etapa 4): Para remover o viés introduzido pela aproximação na Etapa 3, uma segunda regressão é realizada nos dados de controle. O pseudo-desfecho $M_c^\top \hat{\gamma}_1$ é regredido em $X_c$ para estimar $b = B_0^\top \hat{\gamma}_1$. Este estimador é então desenviesado usando o mesmo peso de balanceamento $\hat{\tau}_2$ usado na Etapa 1.
5. Combinação (Etapa 5): O estimador final é construído combinando o termo de desfecho desenviesado e o termo de aproximação desenviesado, subtraindo um termo de correção para contabilizar a sobreposição.
6. Cross-Fitting (Etapa 6): Os papéis de $D_1$ e $D_2$ são trocados, e os resultados são calculados pela média para obter o estimador final de cross-fitted $\hat{\theta}_{10}^{cf}$.

Os estimadores para NDE e NIE são construídos combinando $\hat{\theta}_{10}^{cf}$ com estimadores análogos para $\theta_{11}$ e $\theta_{00}$ (que são mais simples, pois não envolvem interações de braços cruzados).

3. Contribuições Teóricas e Resultados

O artigo estabelece que o estimador proposto é $\sqrt{n}$-consistente e assintoticamente normal sob condições razoavelmente gerais de esparsidade, regularidade e de valores próprios restritos (restricted eigenvalue).

• Estrutura de Viés: Os autores provam que o erro de estimação se decompõe em um termo estocástico principal e um termo de resto $\Delta_n$. Este termo de resto exibe uma forma de produto (por exemplo, $\|\text{erro de aproximação}\|_\infty \times \|\text{erro de estimação}\|_1$). Esta estrutura garante que o viés seja assintoticamente desprezível ($o_p(n^{-1/2})$) mesmo quando os erros de estimação individuais são grandes, desde que as condições de esparsidade $(1+s)(1+k)\log(p+q)/\sqrt{n} \to 0$ sejam atendidas.
• Normalidade Assintótica: O artigo deriva a variância assintótica e constrói estimadores consistentes para ela, permitindo a construção de intervalos de confiança válidos para NDE, NIE e o efeito total. Os resultados valem tanto para alvos de média amostral quanto de média populacional, e são estendidos para lidar com erros condicionalmente heterocedásticos.
• Comparação com Métodos Existentes: Os autores demonstram que sua abordagem evita as fortes suposições de "beta-min" (força de sinal mínima) e recuperação de suporte exigidas por alguns métodos de inferência de alta dimensionalidade existentes (por exemplo, Guo et al., 2023). Seu método permite sinais mais fracos e níveis de esparsidade mais altos, desde que o produto de esparsidade e dimensão cresça lentamente o suficiente em relação ao tamanho da amostra.

4. Avaliação Empírica

A metodologia foi avaliada através de extensos estudos de simulação e uma aplicação de dados reais.

• Simulações: O estimador desenviesado proposto ($\hat{\theta}_{10}^{cf}$) foi comparado contra um estimador plug-in padrão e uma versão modificada do método de Guo et al. (2022).
  • O estimador desenviesado alcançou consistentemente um Erro Quadrático Médio (RMSE) mais baixo e probabilidades de cobertura próximas ao nível nominal (95%) em vários regimes, incluindo esparsidade crescente, sinal mínimo evanescente e ruído heterocedástico.
  • Em contraste, o estimador padrão exibiu viés substancial, e o método modificado de Guo et al. mostrou instabilidade e baixa cobertura em ambientes de altíssima dimensionalidade, particularmente quando a esparsidade era alta ou os sinais eram fracos.
• Aplicação de Dados Reais: O método foi aplicado ao conjunto de dados de câncer de pulmão TCGA para estimar o efeito do tabagismo na sobrevivência, mediado pela metilação do DNA.
  • A análise envolveu $n=738$ pacientes com $p=42$ covariáveis e $q=264.797$ mediadores.
  • Os resultados indicaram que o efeito total do tabagismo na sobrevivência era primariamente mediado pela metilação do DNA (NIE), sendo que o efeito indireto foi estatisticamente significativo enquanto o efeito direto não foi.
  • Uma comparação com uma abordagem OLS de dimensão fixa (usando apenas 6 sítios CpG pré-selecionados) produziu resultados contraditórios e contraintuitivos (sugerindo que o tabagismo aumentava a sobrevivência), destacando a importância da metodologia de alta dimensionalidade em sistemas biológicos complexos.

5. Significância e Alegações

O artigo afirma ser o primeiro trabalho a fornecer uma metodologia para estimar efeitos diretos naturais e indiretos naturais na presença de covariáveis simultaneamente de altíssima dimensionalidade, mediadores de altíssima dimensionalidade e suas interações com a variável de tratamento.

As principais alegações sobre a significância do artigo incluem:

1. Inovação Estrutural: A estratégia de debiasing multi-etapas proposta aborda um desafio estrutural único (parâmetros de confusão de braços cruzados envolvendo matrizes e vetores UHD) que as técnicas de debiasing existentes para funcionais lineares ou bilineares não conseguem lidar diretamente.
2. Suposições Mais Fracas: O arcabouço teórico opera sob suposições de força de sinal mais fracas do que os métodos de inferência de mediação de alta dimensionalidade concorrentes, permitindo a detecção de efeitos mesmo quando alguns coeficientes são fracos.
3. Utilidade Prática: O método fornece inferência válida para mecanismos biológicos complexos (como mediação epigenética) onde o número de mediadores potenciais excede vastamente o tamanho da amostra, um cenário onde os métodos tradicionais de seleção de baixa dimensão podem falhar ou produzir resultados enviesados.

Os autores concluem que, embora o presente trabalho foque em modelos lineares, o arcabouço desenvolvido oferece uma base para extensões futuras para modelos lineares generalizados e outros modelos de equações estruturais com complexidades de braços cruzados semelhantes.