The Honest Truth About Causal Trees: Accuracy Limits for Heterogeneous Treatment Effect Estimation

Resumo Técnico: Limites de Precisão das Árvores Causais

1. O Problema

As árvores de decisão recursivas (especificamente baseadas no algoritmo CART - Classification and Regression Trees) são amplamente utilizadas na inferência causal para estimar Efeitos de Tratamento Heterogêneos (HTE). Métodos como a "Árvore Causal Honesta" (Honest Causal Tree) de Athey e Imbens (2016) são populares por sua interpretabilidade e capacidade de descobrir subgrupos relevantes em dados experimentais e observacionais.

No entanto, as propriedades estatísticas fundamentais desses estimadores, especialmente em relação à convergência uniforme sobre o espaço de covariáveis, permanecem mal compreendidas. A literatura existente frequentemente assume condições de "partição balanceada" (como a regularidade $\alpha$) que são incompatíveis com a implementação canônica e gananciosa (greedy) do CART. O artigo investiga se as árvores causais construídas via regras de divisão padrão do CART podem realmente garantir taxas de convergência polinomiais em $n$ (tamanho da amostra) para a estimativa uniforme do efeito de tratamento.

2. Metodologia e Configuração

Os autores analisam estimadores de árvores causais construídos através de três componentes principais:

1. Estimadores dentro do nó: Diferença de Médias (DIM) e Pesagem por Probabilidade Inversa (IPW).
2. Critérios de Construção da Árvore: Maximização de Variância (focada na heterogeneidade do tratamento) e Minimização do Erro Quadrático Soma (SSE).
3. Esquemas de Uso de Dados: Sem divisão de amostra (NSS) e com divisão de amostra ("Honesty" ou Honradez).

Hipóteses Principais:

• Modelo de Efeito Constante: Os autores assumem um cenário onde o efeito de tratamento verdadeiro é constante em todo o espaço de covariáveis ($\tau(x) = \tau$). Este é um caso limite "favorável" para a estimativa, pois elimina viés de especificação ou de suavização. Se o método falha aqui, falha em casos mais complexos.
• Processo de Geração de Dados: Experimento randomizado com covariáveis independentes e distribuídas continuamente (ex: uniforme em $[0,1]^p$) e erros sub-exponenciais.

Abordagem Analítica:
O artigo desenvolve novas ferramentas probabilísticas para estudar a partição recursiva adaptativa. A prova baseia-se em:

• Aproximações não assintóticas para supremos de somas parciais e processos gaussianos.
• Teoremas do Limite Central em alta dimensão e desigualdades de comparação gaussiana.
• Análise da distribuição do índice de divisão ótimo em nós terminais, mapeando o critério de divisão para processos de Ornstein-Uhlenbeck (O-U) transformados no tempo.

3. Contribuições Principais

O artigo faz três contribuições teóricas fundamentais:

1. Limites Inferiores de Convergência: Estabelece que estimadores de árvores causais construídos via regras de divisão gananciosas padrão (CART) não podem atingir taxas de convergência polinomiais em $n$ na norma uniforme, mesmo sob condições básicas e com efeito de tratamento constante.
2. Análise da "Honesty" (Divisão de Amostra): Demonstra que o uso de "honesty" (separar dados para construção da árvore e para estimação) melhora a taxa de convergência apenas removendo um fator logarítmico ($\sqrt{\log \log n}$), mas não resolve a limitação fundamental. As estimativas ainda convergem mais lentamente do que qualquer taxa polinomial uniforme.
3. Implicações para Florestas Causais: Clarifica que as garantias teóricas existentes para Florestas Causais (que dependem de suposições de partição quase-uniforme ou regularidade $\alpha$) não se aplicam diretamente a implementações baseadas em CART padrão, pois o CART pode gerar divisões altamente desbalanceadas com probabilidade não nula.

4. Resultados Chave

A. O Mecanismo de Falha (Divisões Desbalanceadas):
O fenômeno central é que, devido à natureza estocástica dos dados, o critério de divisão ótimo em um nó pai frequentemente ocorre muito perto da fronteira desse nó. Isso gera nós filhos altamente desbalanceados (um nó com muitos pontos, outro com muito poucos).

• Em um "decision stump" (árvore de profundidade 1), com probabilidade não nula, um nó terminal conterá apenas $O(n^b)$ observações (onde $b < 1$).
• Como o efeito de tratamento é estimado por média local dentro do nó, nós com poucas observações induzem uma variância de estimação enorme.
• A natureza recursiva propaga esse problema, criando múltiplas regiões no espaço de covariáveis com tamanhos de amostra efetivos muito pequenos, impedindo a convergência uniforme.

B. Teorema 1 (Precisão Uniforme):
Para qualquer estimador causal (DIM, IPW, SSE) com ou sem divisão de amostra:
$$\liminf_{n \to \infty} P\left( \sup_{x \in \mathcal{X}} |\hat{\tau}(x) - \tau(x)| \geq C n^{-b/2} \sqrt{\log \log n} \right) \geq \text{constante} > 0$$
Isso implica que o erro uniforme pode ser arbitrariamente lento e o estimador pode ser inconsistente em certas regiões do espaço de covariáveis, mesmo que o efeito verdadeiro seja constante.

C. Teorema 2 (Precisão em Média Quadrática Integrada - IMSE):
Em contraste com a convergência uniforme, o erro quadrático médio integrado (IMSE) pode convergir a taxas próximas do ótimo ($O(1/n)$).

• Interpretação: As árvores funcionam bem "em média" sobre o espaço de covariáveis porque as regiões de alta variância (nós pequenos) têm medida de probabilidade muito baixa. No entanto, para inferência ponto a ponto ou uniforme, a performance é catastrófica.

D. Inconsistência de Árvores X-Adaptativas:
O artigo também analisa variantes onde a construção da árvore e a estimação usam covariáveis compartilhadas, mas resultados independentes. Mostra-se que, se a profundidade da árvore cresce com $n$ (mesmo que lentamente, como $\log \log n$), a inconsistência uniforme persiste.

5. Significado e Implicações

• Limitação Fundamental do CART: O artigo revela uma limitação intrínseca do algoritmo CART para inferência causal uniforme. A preferência por divisões desbalanceadas ("end-cut preference") não é apenas um artefato de amostras pequenas, mas um comportamento assintótico que impede a consistência uniforme.
• Invalidade de Inferência Padrão: Como os nós terminais podem conter poucas observações independentemente do tamanho total da amostra $n$, as aproximações gaussianas padrão e os erros-padrão utilizados para construir intervalos de confiança podem ser inválidos em regiões específicas do espaço de covariáveis.
• Regularização e Viés: Adicionar restrições de tamanho mínimo de nó (regularização) pode reduzir a variância, mas introduz viés de aproximação significativo se o efeito de tratamento não for localmente constante. Além disso, pode remover divisões desbalanceadas que, paradoxalmente, ajudam a árvore a recuperar-se de divisões ruins anteriores em profundidades maiores.
• Revisão das Florestas Causais: As garantias teóricas para Florestas Causais que assumem regularidade $\alpha$ (divisões balanceadas) descrevem um algoritmo diferente do CART padrão. Implementações práticas que usam CART puro não herdam automaticamente essas garantias de consistência uniforme.
• Correção Técnica: O artigo identifica e corrige um erro no teorema de limite de Eicker (1979) sobre a distribuição do supremo de processos de Ornstein-Uhlenbeck, essencial para a prova dos limites inferiores.

Conclusão:
O artigo conclui que, embora as árvores causais sejam ferramentas poderosas para previsão e descoberta de subgrupos em média, elas não são confiáveis para garantir estimativas precisas e consistentes de efeitos de tratamento heterogêneos em todo o espaço de covariáveis quando baseadas em divisões recursivas adaptativas padrão. A "verdade honesta" é que a adaptatividade do CART, sem restrições severas que comprometam sua utilidade, leva a uma inconsistência uniforme devido à geração de células com poucos dados.