Resumo Técnico: Inferência Causal sob Interferência de Rede

1. Definição do Problema

A inferência causal tradicional baseia-se na Suposição de Valor de Unidade de Tratamento Estável (SUTVA), que postula que os resultados potenciais de uma unidade não são afetados pelas atribuições de tratamento de outras unidades. No entanto, em populações interconectadas — que variam de redes sociais a mercados econômicos — essa suposição é frequentemente violada. O artigo aborda o desafio de inferir efeitos causais quando existe interferência, definida como o fenômeno onde a atribuição de tratamento de uma unidade afeta os resultados de outras.

Os autores distinguem dois tipos primários de interferência:

• Transbordamento (Spillover): Efeitos diretos onde o resultado de uma unidade é influenciado pelas atribuições de tratamento de seus vizinhos (ex: um adolescente comprando roupas porque um amigo foi exposto a um anúnio).
• Contágio (Contagion): Efeitos indiretos onde o resultado de uma unidade é influenciado pelos resultados de outros, que, por sua vez, foram influenciados pelas atribuições de tratamento (ex: um adolescente comprando roupas porque observou um amigo usando-as, independentemente de o amigo ter sido diretamente alvo).

O artigo revisa avanços recentes na detecção, identificação e estimativa de efeitos causais sob estas condições, baseando-se na inferência causal, ciência de redes e disciplinas correlatas.

2. Metodologia e Estrutura

2.1 Notação e Resultados Potenciais

Os autores adotam o framework de resultados potenciais de Rubin, estendendo-o para permitir que os resultados potenciais $Y_i(x)$ dependam do vetor completo de tratamento $x \in \{0, 1\}^N$. Eles distinguem entre:

• Resultados Potenciais Fixos ($y(\cdot)$): Os resultados são tratados como constantes fixas, com a aleatoriedade surgindo unicamente do mecanismo de atribuição de tratamento.
• Resultados Potenciais Aleatórios ($Y(\cdot)$): Os resultados são tratados como variáveis aleatórias geradas por um processo estocástico.

A interferência é representada via grafos de interferência (definindo quais unidades podem afetar outras) e mapeamentos de exposição (reduzindo o vetor de tratamento de alta dimensão $x$ a uma exposição de baixa dimensão $d$).

2.2 Alvos de Inferência Causal

O artigo revisa várias definições de efeitos causais:

• Efeito Médio Global de Tratamento (GATE): A diferença nos resultados médios entre um cenário onde todas as unidades são tratadas versus nenhuma ($\tau(1, 0)$).
• Efeitos Diretos e Indiretos: Decomposições do efeito total no impacto do próprio tratamento da unidade (direto) e no impacto dos tratamentos de outros (indireto/transbordamento).
• Efeitos Baseados em Exposição: Efeitos definidos por níveis específicos de exposição (ex: número de vizinhos tratados) em vez de vetores de tratamento específicos.

2.3 Identificação

A identificação de efeitos causais baseia-se na ignorabilidade (atribuição de tratamento é independente dos resultados potenciais) ou ignorabilidade condicional (independência dado confundidores observados).

• Em configurações experimentais com controle total, a randomização garante a identificação.
• Em configurações observacionais, a identificação requer que a atribção de tratamento seja independente dos resultados potenciais dados as covariáveis observadas e o grafo de interferência.

2.4 Estratégias de Estimativa

O artigo categoriza os estimadores em duas classes principais:

• Estimadores Baseados em Design: Estes dependem do mecanismo de randomização sem modelar o processo de resultado. Exemplos principais incluem os estimadores Horvitz-Thompson e Hájek, que utilizam o peso inverso da propensão para estimar efeitos diretos ou efeitos baseados em mapeamentos de exposição.
• Estimadores Baseados em Modelo: Estes assumem um modelo paramétrico ou semiparamétrico para os resultados potenciais. Exemplos incluem estimadores duplamente robustos, que combinam a modelagem de resultados com a modelagem do escore de propensão para alcançar consistência se qualquer um dos modelos estiver correto.

2.5 Detecção de Interferência

Os autores revisam testes de randomização condicional (ex: Aronow [1]) para detectar a presença de interferência. Esses testes condicionam em um subconjunto de unidades focais para criar uma hipótese nula nítida. O artigo observa que, embora esses testes sejam eficazes para detectar transbordamento (interferência baseada em vizinhança), eles frequentemente falham em detectar o contágio, pois o contágio pode violar as suposições de exposição de vizinhança que sustentam os estatísticos de teste padrão.

3. Principais Resultados e Descobertas

3.1 O Entrelaçamento de Efeitos

Através de expressões de forma fechada derivadas de modelos de expectativa condicional linear (especificamente Campos Aleatórios de Markov Gaussianos), os autores demonstram que os efeitos de tratamento, transbordamento e contágio estão profundamente entrelaçados. Mesmo em cenários simples, o efeito causal total é uma função complexa do efeito direto do tratamento, do coeficiente de transbordamento e do coeficiente de contágio. Crucialmente, o contágio pode amplificar ou atenuar o efeito total, mas não pode inverter seu sinal sob as condições estudadas.

3.2 Limitações das Suposições de Exposição de Vizinhança

O artigo destaca uma limitação crítica na metodologia atual: muitos estimadores e testes assumem exposição de vizinhança (os resultados dependem apenas do próprio tratamento da unidade e do tratamento de seus vizinhos).

• Violação por Contágio: O contágio permite que as atribuições de tratamento de não-vizinhos afetem os resultados indiretamente.
• Evidência de Simulação: Simulações mostram que, enquanto os testes padrão detectam com sucesso o transbordamento, eles falham em detectar a interferência impulsionada puramente pelo contágio. Isso ocorre porque os estatísticos de teste dependem de estruturas de vizinhança que o contágio ignora.

3.3 Escopo das Conclusões Causais: Grafos Fixos vs. Aleatórios

Uma parte significativa do artigo analisa o escopo das conclusões causais com base em se o grafo de interferência é tratado como fixo ou aleatório.

• Grafos Fixos: Condicionar em um grafo de interferência específico limita o escopo das conclusões. Se o grafo varia significativamente (ex: a presença ou ausência de "influenciadores" ou superestrelas), as conclusões derivadas de um grafo podem não se generalizar para outro.
• Grafos Aleatórios: Tratar o grafo como aleatório permite que as conclusões se generalizem através de diferentes estruturas de rede (ex: de grafos esparsos para densos), desde que o processo gerador do grafo seja corretamente especificado.
• Simulação sobre Variabilidade: Simulações envolvendo "superestrelas" (nós com alta conectividade) demonstram que a alta variabilidade nos grafos de interferência leva a distribuições multimodais de resultados potenciais. Condicionar em um grafo sem superestrelas produz resultados médios diferentes do que condicionar em um grafo com elas, ilustrando que as conclusões causais são altamente sensíveis à estrutura da rede.

3.4 Validade Externa

O artigo identifica a validade externa (generalização e transportabilidade) como um grande problema em aberto. Os métodos atuais têm dificuldade em generalizar descobertas de uma amostra para uma população quando existe interferência, particularmente porque os resultados das unidades amostradas podem ser afetados por unidades não amostradas (contágio).

4. Significância e Problemas em Aberto

O artigo posiciona-se como uma revisão abrangente do estado da arte na inferência causal sob interferência, preenchendo lacunas entre a inferência causal teórica, a ciência de redes e campos aplicados como saúde pública e economia.

Significância:

• Esclarece a distinção entre transbordamento e contágio, mostrando que os métodos padrão frequentemente confundem ou perdem o segundo.
• Demonstra que a escolha entre resultados potenciais fixos ou aleatórios, e grafos de interferência fixos ou aleatórios, altera fundamentalmente o escopo e a validade das conclusões causais.
• Fornece um framework rigoroso para entender como a estrutura da rede (ex: a presença de influenciadores) atua como um confundidor ou modificador de efeito na análise causal.

Problemas em Aberto Identificados:

1. Detecção de Contágio: Desenvolver testes que não dependam de suposições de exposição de vizinhança para detectar interferência proveniente de contágio.
2. Efeitos da Estrutura de Rede: Compreender como características específicas de alta dimensão das redes (além de simples contagens de grau, como estrutura de comunidade ou nós "ponte") afetam os efeitos causais.
3. Dados Indexados no Tempo: Estender a inferência causal para configurações com observações repetidas onde o tratamento e os resultados evoluem ao longo do tempo.
4. Dados Indexados no Espaço e no Tempo: Abordar a interferência espacial onde as conexões são ponderadas pela distância.
5. Além das Médias: Ir além da estimativa de resultados potenciais médios para entender como os tratamentos afetam toda a distribuição (variância, caudas, multimodalidade) dos resultados, especialmente na presença de variabilidade de rede.

Os autores concluem que, embora progressos significativos tenham sido feitos na identificação e estimativa de efeitos causais sob interferência, o campo permanece em sua infância no que diz respeito à detecção de contágio, à generalização de resultados através de variadas estruturas de rede e ao tratamento de dependências temporais e espaciais.