Which Covariates to Adjust for? Specification-robust Causal Inference in Observational Studies

Título: Quais Covariáveis Ajustar? Inferência Causal Robusta à Especificação em Estudos Observacionais

Autores: Aditya Ghosh e Dominik Rothenhausler (Stanford University)

1. O Problema

Em estudos observacionais, a estimação do Efeito Médio do Tratamento (ATE) frequentemente depende do ajuste por um conjunto de covariáveis para satisfazer a condição de ignorabilidade (ausência de confundimento não medido dado o conjunto de covariáveis). No entanto, na prática, o conhecimento de domínio frequentemente admite múltiplos conjuntos de ajuste plausíveis, mas não há base empírica para escolher entre eles, pois a ignorabilidade é intestável.

Os desafios principais identificados são:

• Conflito de Estimativas: Diferentes conjuntos de ajuste podem produzir estimativas de ATE conflitantes.
• Falhas nas Soluções Atuais:
  • Ajustar pela união ou interseção dos conjuntos candidatos pode levar a estimativas enviesadas.
  • A média das estimativas pode confundir discordância substantiva com a ausência de efeito.
  • O método do fecho convexo (convex hull) dos intervalos de confiança de todos os conjuntos candidatos garante cobertura nominal se pelo menos um conjunto for válido, mas sua largura não converge para zero com o aumento do tamanho da amostra ($O(1)$), deixando o ATE apenas parcialmente identificado.

2. Metodologia Proposta

Os autores propõem um procedimento robusto à especificação que retorna uma única estimativa pontual e um intervalo de confiança válido, desde que pelo menos um dos conjuntos de ajuste candidatos satisfaça a ignorabilidade. A abordagem baseia-se em três pilares principais:

A. Mudança de População Alvo (Reweighting)

Em vez de tentar forçar a identificação na população original (o que exigiria saber qual conjunto de ajuste é o correto), o método redefine o alvo para uma população reponderada.

• Objetivo: Encontrar uma população alvo $w^*P$ que seja o mais próximo possível da população original $P$ (minimizando a Divergência de Kullback-Leibler - KL), tal que todos os estimadores candidatos concordem sobre o efeito do tratamento nessa nova população.
• Mecanismo: O método calcula pesos de transferência $w^*(X_{\cap})$ baseados apenas nas covariáveis comuns a todos os conjuntos candidatos ($X_{\cap}$).
• Interpretação: Sob a suposição de que pelo menos um conjunto é válido, o estimando comum na população reponderada corresponde ao ATE dessa nova população.

B. Formulação de Otimização

O problema é formulado como uma projeção I (I-projection) em um conjunto com restrições de momentos. O peso ótimo $w^*$ é obtido resolvendo:
$$w^* = \arg\min_{w} D_{KL}(wP \parallel P)$$
sujeito a:
$$E_P[w(X_{\cap})\tau(X_{S_1})] = \dots = E_P[w(X_{S_K})]$$
onde $\tau(X_{S_k})$ é o contraste condicional estimado para o conjunto $S_k$.

• A solução assume a forma de tilting exponencial: $w^*(X_{\cap}) \propto \exp(g(X_{\cap})^\top \lambda^*)$, onde $g$ representa as diferenças entre os contrastes condicionais e $\lambda^*$ é encontrado via otimização convexa.

C. Inferência e Correção de Viés

Para garantir uma taxa de convergência paramétrica ($n^{-1/2}$) e construir intervalos de confiança válidos:

1. Estimadores AIPW: Utiliza-se a abordagem de Ponderação Inversa de Probabilidade Aumentada (AIPW) para cada conjunto de ajuste, garantindo dupla robustez.
2. Correção de Viés: Como os pesos de transferência $w^*$ são estimados a partir dos dados, há incerteza adicional. O método introduz um termo de correção de viés de primeira ordem para compensar a estimativa de $\lambda^*$ e dos pesos.
3. Combinação Afim: As estimativas reponderadas de todos os conjuntos são combinadas em uma única estimativa afim, com pesos escolhidos para minimizar a variância assintótica.

D. Extensões Práticas

• Proteção de Covariáveis: O método permite adicionar restrições para garantir que funções específicas das covariáveis (ex: médias de variáveis demográficas importantes) sejam preservadas na população reponderada, similar ao uso de "calipers" em pareamento.
• Diagnóstico: Recomenda-se o uso de gráficos de densidade para comparar a distribuição das covariáveis na população original versus a reponderada, avaliando se a mudança populacional é cientificamente aceitável.

3. Principais Contribuições

1. Procedimento Robusto Único: Desenvolveu um método que fornece um único intervalo de confiança válido assintoticamente, sem exigir que o pesquisador saiba qual conjunto de ajuste é o correto, apenas que pelo menos um seja válido.
2. Convergência Paramétrica: Diferente do fecho convexo (cuja largura é constante), o intervalo de confiança proposto encolhe na taxa $n^{-1/2}$, permitindo inferência precisa em grandes amostras.
3. Interpretabilidade Transparente: A mudança de alvo é explicitamente definida e quantificada via divergência KL, permitindo que o pesquisador avalie se a nova população alvo ainda responde à pergunta de interesse.
4. Tratamento de Inviabilidade: O método identifica quando os conjuntos candidatos são fundamentalmente incompatíveis (nenhuma população reponderada faz todos concordarem), servindo como um diagnóstico de incompatibilidade de pressupostos.

4. Resultados Empíricos

Os autores validaram o método através de simulações e dados reais:

• Simulações (Exemplos 1 e 2):
  • Demonstraram que ajustar apenas pela união ou interseção pode falhar (cobertura de 0% em alguns casos).
  • Mostraram que o método proposto mantém a cobertura nominal (95%) e produz intervalos significativamente mais estreitos do que o fecho convexo.
• Aplicação Real (401(k)):
  • Estudo sobre o efeito da elegibilidade para 401(k) no patrimônio financeiro líquido.
  • Considerou-se 4 conjuntos de ajuste aninhados com diferentes combinações de covariáveis (idade, educação, renda, etc.).
  • O método reponderou a população usando apenas idade e educação (interseção comum).
  • Resultado: O intervalo de confiança proposto foi ~77% mais estreito que o intervalo do fecho convexo, mantendo a cobertura nominal e mostrando uma mudança de distribuição de covariáveis modesta e aceitável.

5. Significado e Impacto

Este trabalho oferece uma solução pragmática para a incerteza de especificação em inferência causal, um problema comum em ciências sociais, epidemiologia e economia.

• Paradigma: Assim como o overlap weighting e o trimming aceitam mudar a população alvo para lidar com violações de sobreposição (positividade), este método aceita mudar a população alvo para lidar com a incerteza sobre quais covariáveis controlam o confundimento.
• Prática: Substitui a prática de reportar uma "multiverso" de resultados desconexos ou intervalos de confiança inútilmente largos por uma estimativa única, precisa e cientificamente interpretável, desde que o pesquisador esteja disposto a aceitar a população reponderada como alvo de interesse.
• Limitações: O método assume que pelo menos um conjunto de ajuste é válido e que há interseção não vazia entre os conjuntos candidatos. Se todos os conjuntos forem inválidos ou incompatíveis, o método pode não convergir ou indicar incompatibilidade.

Em resumo, o artigo transforma um problema de seleção de modelo (onde escolher o conjunto de ajuste?) em um problema de reponderação de dados, permitindo inferência causal robusta e eficiente mesmo na presença de ambiguidade estrutural.