Cross-World Assumption and Refining Prediction Intervals for Individual Treatment Effects

Título: Assunção de Mundos Cruzados e Refinamento de Intervalos de Previsão para Efeitos Individuais de Tratamento

1. O Problema: Incerteza em Nível Individual e Não Identificabilidade

O artigo aborda um desafio fundamental na inferência causal: a estimativa de Efeitos Individuais de Tratamento (ITE), definidos como $Y(1) - Y(0)$, onde $Y(1)$ e $Y(0)$ são os potenciais resultados sob tratamento e controle, respectivamente.

• Limitação Atual: Métodos existentes focam em Efeitos Médios de Tratamento (ATE) ou Efeitos Médios Condicionais (CATE), que fornecem resumos populacionais ou de subgrupos, mas falham em capturar a incerteza em nível individual.
• O Dilema da Não Identificabilidade: Para qualquer indivíduo, apenas um dos dois potenciais resultados é observado (o outro é contrafactual). Isso torna o ITE verdadeiro fundamentalmente não identificável a partir de dados observacionais padrão.
• Falha dos Métodos Atuais: As abordagens recentes para construir intervalos de previsão para ITEs (como métodos conformais) tendem a produzir intervalos extremamente largos (pouco úteis na prática) ou carecem de garantias rigorosas de cobertura devido à impossibilidade de inferir a dependência entre os mundos (tratamento vs. controle) sem suposições adicionais.

2. Metodologia: A Assunção de Mundos Cruzados (Cross-World Assumption)

Os autores propõem uma nova abordagem baseada em um parâmetro de correlação entre mundos, denotado por $\rho(x)$.

• Definição do Parâmetro:
  $$\rho(x) = \text{cor}(Y(1), Y(0) \mid X = x)$$
  Este parâmetro descreve a dependência condicional entre os potenciais resultados dado os covariáveis $X$. Embora $\rho$ seja não identificável a partir de dados observacionais padrão, os autores argumentam que é possível impor limites plausíveis baseados em conhecimento de domínio ou dados auxiliares.

• Justificativa da Assunção:
  Em muitos cenários do mundo real (ex: medicina), fatores latentes não observados (como genética ou saúde basal) afetam tanto o resultado sob tratamento quanto sob controle de maneira similar. Isso sugere que $\rho(x)$ é frequentemente positivo e, em muitos casos, alto (ex: $\rho > 0.5$).

• Construção dos Intervalos CW($\rho$):
  O método propõe uma nova classe de intervalos de previsão, chamados CW($\rho$) (Cross-World Intervals).

  1. Primeiro, constroem-se intervalos de previsão válidos separadamente para $Y(1)$ e $Y(0)$ usando métodos conformais (ex: Regressão Quantílica Conformalizada - CQR).
  2. Em seguida, combinam-se esses intervalos para o ITE utilizando uma métrica de distância ajustada pela correlação, $D_\rho$.
  3. A fórmula do intervalo para o ITE é dada por:
     $$C_{ITE}(x) = \left[ \hat{\tau}(x) - D_\rho(l_1, u_0), \ \hat{\tau}(x) + D_\rho(l_0, u_1) \right]$$
     Onde $D_\rho(x, y) = \sqrt{x^2 + y^2 - 2\rho xy}$.
  • Intuição: Se $\rho = 1$ (correlação perfeita), a variância do ITE é mínima, resultando em intervalos muito mais estreitos. Se $\rho = -1$, os intervalos se expandem para cobrir o pior caso.

• Variação CW+CI($\rho$):
  Para lidar com viés no estimador do CATE ($\hat{\tau}$), especialmente quando $\rho$ é alto, os autores introduzem uma variante que incorpora intervalos de confiança (via bootstrapping) para o estimador de tratamento médio, garantindo validade mesmo com estimadores imperfeitos.

3. Contribuições Principais

1. Novo Paradigma de Assunção: Formalizam o uso de $\rho(x)$ como um parâmetro de sensibilidade que pode ser limitado ou estimado usando dados auxiliares (covariáveis ricas $Z$) e conhecimento de domínio, transformando um problema intratável em um problema de sensibilidade gerenciável.
2. Intervalos CW($\rho$): Desenvolvem uma classe de intervalos de previsão que incorporam explicitamente a suposição de correlação entre mundos.
3. Garantias Teóricas:
   • Provam otimalidade assintótica sob suposições Gaussianas (os intervalos são os menores possíveis que satisfazem a cobertura condicional).
   • Estabelecem garantias de cobertura em amostras finitas para cenários onde $\rho$ é conhecido ou limitado inferiormente, mesmo sem suposições de distribuição (para casos extremos $\rho = \pm 1$).
4. Métodos de Estimativa de Limites: Propõem procedimentos para estimar limites inferiores para $\rho(x)$ usando dados auxiliares (via decomposição de covariância total) ou imputação de contrafactuais, permitindo que a prática guie a escolha do parâmetro.

4. Resultados Empíricos

Os autores realizaram extensas simulações e testes em dados semi-sintéticos (IHDP) e reais (estudos cruzados, gêmeos).

• Desempenho Superior: Os intervalos CW($\rho$) e CW+CI($\rho$) mantêm cobertura válida (atingindo o nível de confiança desejado, ex: 90%) em todos os cenários testados.
• Redução drástica da largura: Em comparação com métodos de estado da arte (como os de Lei & Candès, DR-conformal, CMC), os intervalos propostos são significativamente mais estreitos.
  • Quando $\rho \approx 1$, os intervalos CW+CI($\rho$) são 2 a 3 vezes mais curtos que os concorrentes, mantendo a mesma cobertura.
  • Em geral, a largura é frequentemente menos de 1/3 da largura dos métodos existentes.
• Robustez: O método é robusto a:
  • Especificação incorreta leve de $\rho$ (usar um $\rho$ ligeiramente menor que o verdadeiro ainda resulta em intervalos válidos e superiores aos métodos sem $\rho$).
  • Distribuições de ruído não-Gaussianas (testado com cópulas e marginais variadas).
  • Alta dimensionalidade (embora a precisão do estimador de CATE afete a cobertura, a variante CW+CI($\rho$) mitiga esse problema).

5. Significância e Impacto

Este trabalho é significativo por várias razões:

• Viabilidade Prática: Demonstra que a quantificação de incerteza em nível individual, anteriormente considerada impossível ou impraticável devido à largura dos intervalos, torna-se viável ao incorporar conhecimento de domínio sobre a estrutura de dependência dos dados.
• Tomada de Decisão de Alto Risco: Em áreas como medicina personalizada e avaliação de políticas públicas, a capacidade de fornecer intervalos de previsão estreitos e válidos para indivíduos específicos permite decisões mais seguras e informadas, reduzindo a incerteza sobre quem se beneficiará ou será prejudicado por uma intervenção.
• Ponte entre Teoria e Prática: O artigo oferece um "receituário" prático para pesquisadores e analistas, ensinando como usar dados auxiliares e raciocínio de domínio para calibrar a suposição de $\rho$, transformando uma suposição teórica abstrata em uma ferramenta estatística concreta.

Em resumo, o artigo supera a barreira da não identificabilidade do ITE ao introduzir uma suposição de correlação entre mundos plausível e testável, resultando em intervalos de previsão que são simultaneamente estatisticamente válidos e praticamente úteis (estreitos).