Resumo Técnico: Estimativa Bayesiana de Efeitos Causais Usando Proxies de uma Rede de Interferência Latente

Definição do Problema

Na inferência causal, a interferência de rede ocorre quando o tratamento atribuído a uma unidade afeta os resultados de outras. As abordagens tradicionais tipicamente assumem que a rede observada especifica corretamente a estrutura de interferência. No entanto, na prática, os pesquisadores muitas vezes não têm acesso à verdadeira rede de interferência ($A^*$). Em vez disso, possuem apenas medições de proxy ($A$) devido a limitações na coleta de dados (ex: erros de autorrelato, viés de memória) ou porque os laços sociais observados não correspondem às vias reais de interferência (ex: conexões online versus contato físico).

Tratar uma rede de proxy como a verdadeira estrutura de interferência pode levar à especificação incorreta do modelo e a estimativas de efeitos causais enviesadas. As soluções existentes frequentemente dependem de suposições estruturais específicas (ex: modelos lineares em médias com mecanismos de erro específicos) ou de abordagens de dois estágios que primeiro inferem a rede e depois a tratam como fixa. Esta última abordagem falha em propagar a incerteza da etapa de inferência da rede para as estimativas causais, levando à subestimação da incerteza. Além disso, a verdadeira rede de interferência é frequentemente latente, criando um espaço discreto de alta dimensão que torna a inferência Bayesiana padrão computacionalmente intratável.

Metodologia

Modelos Causais Estruturais (SCMs)

Os autores propõem um framework geral de Modelos Causais Estruturais onde a verdadeira rede de interferência $A^*$ é tratada como uma variável latente gerada de um modelo de rede aleatória. O framework acomoda diversas configurações estruturais:

1. Proxies Causais: As redes observadas $A$ são descendentes diretas de $A^*$ (ex: medições ruidosas).
2. Proxies Não-Causais: Tanto $A^*$ quanto $A$ dependem de variáveis latentes compartilhadas $V$ (ex: redes multicamadas compartilhando posições latentes), sem um link causal direto entre elas.
3. Atribuição de Tratamento: O framework modela a atribuição de tratamento ($Z$) como potencialmente dependente ou da rede latente $A^*$ (cenários observacionais) ou dos proxies observados $A$ (ensaios randomizados com randomização por cluster baseada em proxies).

O modelo de resultado ($Y$) incorpora a interferência através de funções de sumarização (mapeamentos de exposição) que agregam tratamentos e covariáveis de vizinhos com base na verdadeira rede $A^*$. Os estimandos causais são definidos como intervenções em políticas de nível populacional (estáticas, dinâmicas ou estocásticas), distintas de intervenções nos níveis de exposição.

Identificabilidade

O artigo investiga a identificabilidade de parâmetros estruturais em cenários simplificados. Demonstra que, embora a natureza latente de $A^*$ apresente desafios, os parâmetros estruturais são recuperáveis desde que haja informação suficiente da distribuição conjunta de resultados, tratamentos e redes de proxy. A análise mostra que cada módulo de dados (resultados, tratamentos, proxies) contribui para a identificação dos parâmetros, muitas vezes exigindo menos redes de proxy independentes do que seria necessário se apenas os proxies fossem utilizados.

Inferência Bayesiana e Algoritmo de Amostragem

Para estimar os efeitos causais, os autores desenvolvem um framework de inferência Bayesiana. A distribuição posterior envolve um espaço misto de parâmetros contínuos ($\Theta$) e a rede discreta latente ($A^*$). A marginalização direta de $A^*$ é computacionalmente inviável devido ao crescimento super-exponencial do espaço de estados ($O(2^{N^2})$).

Para abordar isso, os autores propõem um Amostrador Gibbs em Blocos (Block Gibbs sampler) com Propostas Localmente Informadas (LIP):

1. Estrutura de Gibbs em Blocos: O algoritmo alterna entre a atualização de parâmetros contínuos (usando técnicas MCMC padrão como NUTS) e a atualização da rede discreta latente $A^*$.
2. Propostas Localmente Informadas (LIP): Propostas de caminhada aleatória padrão para atualizações de rede sofrem de má mistura (mixing) em espaços discretos de alta dimensão. Os autores empregam LIP, que enviesa as inversões de arestas (edge flips) para estados com maior probabilidade posterior.
3. Aproximação Baseada em Gradiente: A LIP exata requer a avaliação da posterior para cada possível inversão de aresta, o que é $O(N^2)$ por iteração. Para tornar isso viável, os autores aproximam as diferenças de log-posterior usando gradientes (via série de Taylor de primeira ordem). Isso reduz o custo computacional para uma única avaliação de gradiente por iteração, aproveitando a diferenciação automática.
4. Inicialização: Um procedimento de inicialização em múltiplos estágios é utilizado para garantir que a cadeia de Markov comece em uma região de alta probabilidade, utilizando distribuições de cut-posterior para estimar parâmetros de rede e de proxy antes de refinar o estado da rede com o feedback total do modelo.

Estimativa de Efeito Causal

Os estimandos causais são estimados através da média sobre as amostras da posterior da rede latente e dos parâmetros. Para uma política estática, o resultado esperado é aproximado pela média das expectativas condicionais sobre as amostras da posterior de $A^*$ e $\Theta$. Esta abordagem propaga naturalmente a incerteza da inferência da rede para as estimativas causais finais.

Principais Contribuições

1. Modelos Causais Estruturais Flexíveis: O artigo introduz um framework de SCM geral que trata a rede de interferência como uma variável latente, acomodando tanto mecanismos de proxy causais quanto não-causais e diversas dependências de atribuição de tratamento.
2. Estimativa Conjunta: Diferente de abordagens heurísticas de dois estágios, o framework proposto estima conjuntamente a rede latente e os parâmetros causais. Isso garante que a incerteza na estrutura da rede seja corretamente propagada para as estimativas de efeito causal.
3. Inferência Eficiente para Redes Discretas Latentes: Os autores desenvolvem um amostrador Gibbs em blocos equipado com Propostas Localmente Informadas e aproximações baseadas em gradiente. Isso permite a exploração eficiente do espaço posterior discreto de alta dimensão, tornando a inferência Bayesiana viável para redes de tamanhos práticos, tarefa que anteriormente era impedida pela natureza discreta do problema. O artigo também fornece uma análise formal do erro de aproximação, mostrando que ele permanece independente do tamanho da rede sob certas condições.

Resultados

Os autores avaliam o método usando dados totalmente sintéticos e semi-sintéticos:

• Dados Totalmente Sintéticos: Simulações com $N=500$ unidades demonstram que o algoritmo de Gibbs em Blocos (BG) proposto atinge consistentemente um Erro Percentual Absoluto Médio (MAPE) menor na estimativa de efeitos causais em comparação com os baselines, incluindo abordagens ingênuas (tratar proxies como verdade), métodos de relaxação contínua e abordagens de dois estágios. Crucialmente, o método BG alcança taxas de cobertura empírica para intervalos de credibilidade próximas ao nível nominal, enquanto métodos de dois estágios e baselines de agregação tendem a subestimar a incerteza.
• Dados Semi-Sintéticos: Utilizando um conjunto de dados de rede multicamadas do mundo real (funcionários da Universidade de Aarhus), o método foi testado designando uma camada como a rede latente e outras como proxies. O método BG novamente superou os métodos de dois estágios e estratégias simples de agregação (união/interseção de camadas) em termos de precisão de estimativa e quantificação de incerteza.

Significância e Alegações

O artigo afirma avançar a literatura sobre inferência causal com interferência de rede ao fornecer um framework unificado para cenários onde a rede de interferência é latente e apenas medições de proxy estão disponíveis. A significância reside em:

• Abordagem da Especificação Incorreta: Ele modela explicitamente a discrepância entre os proxies observados e a verdadeira estrutura de interferência, mitigando vieses causados pela especificação incorreta da rede.
• Quantificação de Incerteza: Ao estimar conjuntamente a rede e os efeitos causais, o framework evita a subestimação da incerteza inerente às abordagens de dois estágios.
• Viabilidade Computacional: O desenvolvimento da LIP baseada em gradiente dentro de um amostrador Gibbs em blocos torna a inferência Bayesiana computacionalmente viável para redes de tamanhos práticos, uma tarefa anteriormente dificultada pela natureza discreta do problema.

Os autores observam que sua abordagem depende de uma especificação de modelo precisa, que pode ser avaliada via verificações preditivas posteriores (posterior predictive checks). Eles também reconhecem que, embora seu framework lide com redes latentes, identificar efeitos de intervenções na própria estrutura da rede ainda pode exigir suposições adicionais devido ao confundimento latente.