Resumo Técnico: Rótulos Contrafactuais Sintéticos para Inferência Contrafactual Conformal Eficiente (SP-CCI)

1. Definição do Problema e Motivação

O artigo aborda o desafio de construir intervalos de previsão confiáveis para resultados contrafactuais individuais em cenários com desequilíbrio de tratamento. Na inferência causal, para uma unidade com covariáveis $X$ e tratamento observado $T$, apenas um resultado potencial $Y(T)$ é observado, enquanto o resultado contrafactual $Y(1-T)$ permanece não observado.

Métodos existentes, especificamente a Inferência Contrafactual Conformal (CCI) (Lei e Candès, 2021), fornecem garantias de cobertura marginal para essas previsões contrafactuais. No entanto, a CCI depende de dados de calibração do braço de tratamento específico de interesse. Em muitos cenários do mundo real (por exemplo, ensaios clínicos onde tratamentos caros são raros, ou publicidade online com exposição esparsa), o conjunto de dados para o braço de tratamento alvo ($D_1$) é significativamente menor que o braço de controle ($D_0$). Essa escassez leva a intervalos de previsão excessivamente conservadores e amplos, limitando a utilidade da inferência conformal na tomada de decisões de alto risco.

Embora dados sintéticos gerados por modelos pré-treinados poderiam aumentar o conjunto de calibração escasso, incorporar diretamente esses rótulos sintéticos em procedimentos conformais padrão viola a validade estatística, pois os resultados sintéticos são aproximações enviesadas da verdade.

2. Metodologia: Estrutura SP-CCI

Os autores propõem a Inferência Contrafactual Conformal Potencializada por Dados Sintéticos (SP-CCI), uma estrutura que aumenta o conjunto de calibração com rótulos contrafactuais sintéticos, preservando as garantias de cobertura marginal por meio de um procedimento de estimativa não enviesada.

Componentes Principais

1. Geração de Dados Sintéticos:

   • O método utiliza um modelo gerador contrafactual pré-treinado $\hat{P}_{Y(1)|X}$ (que pode ser uma rede neural ou um Modelo de Linguagem de Grande Escala) para gerar rótulos contrafactuais sintéticos $\hat{Y}(1)$ para unidades no conjunto de dados de controle maior $D_0$.
   • Isso cria um conjunto de dados sintético aumentado $\tilde{D}_1 = \{(X_i, \hat{Y}_i(1))\}_{i=1}^{n_0}$.

2. Estimativa de Não Cobertura Não Enviesada (Integração PPI):

   • Para corrigir o viés introduzido pelos rótulos sintéticos, a SP-CCI adapta a Inferência Potencializada por Previsão (PPI) (Angelopoulos et al., 2023a).
   • O conjunto de calibração $D_1$ (dados tratados reais) é usado para "corrigir" as estimativas sintéticas. Especificamente, as $n_0$ amostras sintéticas são particionadas em $n_1$ grupos, cada um atribuído a uma amostra tratada real $(X_i, Y_i) \in D_1$.
   • Um estimador não enviesado da probabilidade de não cobertura $\hat{L}_\eta$ é construído usando uma diferença ponderada entre a perda nos dados sintéticos e a perda nos dados reais:
     $$\hat{\ell}_{i,\eta} = \frac{1}{r} \sum_{j} \tilde{w}_j \ell_\eta(\tilde{X}_j, \tilde{Y}_j) - w_i [\ell_\eta(X_i, \hat{Y}_i) - \ell_\eta(X_i, Y_i)]$$
     onde $w_i$ e $\tilde{w}_i$ são pesos de importância que accountam por escores de propensão e probabilidades de tratamento.

3. Conjuntos de Previsão Controlados por Risco (RCPS):

   • O método emprega Conjuntos de Previsão Controlados por Risco (RCPS) (Bates et al., 2021) para selecionar o parâmetro de alargamento do intervalo $\eta$.
   • Em vez de garantir cobertura incondicional, a SP-CCI assegura que o risco de não cobertura seja controlado com alta probabilidade ($1-\delta$) sobre a extração dos dados de calibração.
   • O parâmetro de alargamento $\hat{\eta}$ é escolhido de modo que o limite superior de confiança da probabilidade de não cobertura estimada não exceda o nível alvo $\alpha$.

4. Tratamento de Especificação Incorreta de Pesos:

   • A estrutura inclui garantias teóricas para casos em que os pesos de importância são estimados em vez de conhecidos exatamente. Demonstra-se que as garantias de cobertura podem ser mantidas ajustando o parâmetro de alargamento para contabilizar os limites de erro dos pesos estimados.

3. Contribuições Principais

• Metodologia: Introdução da SP-CCI, que integra dados de calibração reais e sintéticos por meio de um estimador de não cobertura não enviesado, permitindo o uso de dados de controle abundantes para melhorar a inferência para braços de tratamento escassos.
• Garantias Teóricas: Prova formal de que a SP-CCI alcança cobertura marginal de alta probabilidade (controlada pelo parâmetro $\delta$) sob ponderação por importância exata e aproximada. O artigo distingue isso da cobertura marginal incondicional da CCI padrão, oferecendo um mecanismo de controle de "falha" ajustável.
• Eficiência: Demonstração teórica e empírica de que a SP-CCI produz intervalos de previsão significativamente mais estreitos em comparação com a CCI padrão e a estrutura GESPI (Bashari et al., 2025), particularmente quando geradores sintéticos de alta qualidade estão disponíveis.

4. Resultados Experimentais

Os autores avaliaram a SP-CCI em dados sintéticos (seguindo Lei e Candès, 2021) e no conjunto de dados semi-sintético IHDP (Hill, 2011), comparando-a com a CCI padrão e a GESPI.

• Dados Sintéticos: A SP-CCI produziu consistentemente intervalos de previsão mais estreitos que a CCI e a GESPI, mantendo as garantias de cobertura necessárias. A largura do intervalo diminuiu à medida que a qualidade do modelo gerador contrafactual melhorou (Baixa/Média/Alta Qualidade).
• Conjunto de Dados IHDP:
  • A SP-CCI alcançou uma Largura Média do Intervalo de Previsão (APIW) de 3,52 (rótulos sintéticos de Alta Qualidade) em comparação com 20,24 para a CCI padrão.
  • Embora a GESPI com um guarda-chuva relaxado pudesse produzir intervalos mais estreitos, ela sofreu de uma Alta Taxa de Violação de Cobertura (CVR) de 42% quando apertada, tornando-a inadequada para cenários de alto risco. A SP-CCI manteve uma baixa CVR (2–6%) em todas as variantes.
  • O método aproveitou com sucesso um modelo pré-treinado LLaMA-2-13B como fonte geradora, alcançando desempenho competitivo apesar do modelo ter sido treinado fora do conjunto de dados específico, demonstrando robustez a deslocamentos de distribuição.
• Experimentos Adicionais:
  • Avaliação de Políticas: Em um cenário de handover sem fio, a SP-CCI forneceu uma quantificação de desempenho mais precisa (intervalos mais estreitos) para políticas fixas em comparação com a CCI.
  • Desequilíbrio Extremo: No conjunto de dados Twins com desequilíbrio extremo de tratamento (63 tratados vs. 11.921 unidades de controle), a CCI produziu intervalos quase 20 vezes mais largos que a SP-CCI para manter a cobertura. A SP-CCI manteve uma cobertura próxima ao alvo com intervalos significativamente mais apertados.

5. Significado e Alegações

O artigo afirma que a SP-CCI representa um passo significativo para tornar a inferência contrafactual conformal prática para conjuntos de dados desequilibrados. Ao aproveitar efetivamente dados sintéticos sem comprometer a validade estatística, o método aborda a "maldição da dimensionalidade" e a escassez de dados inerentes à inferência causal para tratamentos raros.

Os autores enfatizam que a SP-CCI oferece uma troca ajustável entre a largura do intervalo e a confiabilidade da cobertura através do parâmetro $\delta$, uma característica ausente na CCI incondicional padrão. O trabalho demonstra que dados sintéticos de alta qualidade, quando devidamente corrigidos para viés, podem melhorar drasticamente a eficiência da inferência causal, tornando-a mais aplicável a domínios do mundo real como medicina personalizada e avaliação de políticas, onde os dados de tratamento são frequentemente escassos.

O artigo conclui modestamente, observando que extensões para tratamentos multibrazo, tratamentos contínuos e cenários onde nenhum resultado potencial é observado permanecem problemas abertos para trabalhos futuros.