Compound Selection Decisions: An Almost SURE Approach

Resumo Técnico: Decisões de Seleção de Compostos: Uma Abordagem Quase SURE

1. Formulação do Problema

O artigo aborda problemas de seleção de compostos dentro de um modelo de sequência Gaussiana. Neste cenário, um pesquisador observa $n$ unidades paralelas, cada uma caracterizada por uma estimativa ruidosa $Y_i$, um erro padrão conhecido $\sigma_i$, covariáveis $x_i$ e um custo de seleção $k_i$. Os parâmetros subjacentes $\mu_i$ representam os retornos reais de selecionar a unidade $i$. O objetivo é escolher um conjunto de limiares de decisão $\delta_i$ (potencialmente dependentes de $z_i = (\sigma_i, x_i, k_i)$) para selecionar unidades onde $Y_i > \delta_i$, maximizando assim a utilidade líquida esperada (bem-estar):
$$u(\delta_{1:n}, \mu_{1:n}) = \frac{1}{n} \sum_{i=1}^n \mathbb{1}(Y_i > \delta_i)(\mu_i - k_i)$$
O desafio estatístico é que a utilidade esperada depende dos desconhecidos $\mu_{1:n}$ e não pode ser otimizada diretamente. Abordagens padrão ou tratam as decisões separadamente (ignorando a estrutura coletiva) ou dependem de métodos de Empirical Bayes (EB) que assumem uma distribuição específica de efeitos aleatórios para $\mu_{1:n}$. No entanto, esses modelos EB são frequentemente mal especificados, levando a decisões de seleção subótimas porque uma melhor predição de $\mu_i$ não implica necessariamente uma melhor seleção (Mehta, 2019; Manski, 2021).

2. Metodologia: ASSURE e ASSURE*

Inspirado no Stein's Unbiased Risk Estimate (SURE), os autores propõem o ASSURE (Almost SURE), uma família de estimadores para o bem-estar esperado de uma regra de seleção.

• A Ideia Central: Estimar diretamente o bem-estar de uma regra de decisão de função degrau ($\mathbb{1}(Y > \delta)$) é impossível com um estimador não viesado que cresça mais lentamente que $e^{y^2}$ (Stefanski, 1989). Para contornar isso, os autores suavizam a função indicadora usando um kernel $k_h$ para criar uma aproximação diferenciável $F_h$.
• O Estimador: Para uma regra de decisão $\delta_i$, o estimador ASSURE é definido como:
  $$\hat{W}_{ASSURE} = \frac{1}{n} \sum_{i=1}^n \left[ (Y_i - k_i) F_h\left(\frac{Y_i - \delta_i}{\sigma_i}\right) - \sigma_i k_h\left(\frac{Y_i - \delta_i}{\sigma_i}\right) \right]$$
  Esta forma é derivada via identidade de Stein aplicada à função suavizada.
• ASSURE (Kernel Sinc):* Os autores recomendam o kernel sinc ($k(x) = \frac{\sin x}{\pi x}$) para a função de suavização. Esta escolha, denominada ASSURE, resulta em um estimador com um viés que desaparece exponencialmente rápido em relação ao parâmetro de largura de banda $h$. Com $h = 1/\sqrt{2 \log n}$, o ASSURE alcança taxas de convergência quase paramétricas ($O(\sqrt{\log n}/n)$ para erro quadrático médio).
• ASSURE-CB (Kernel Gaussiano): Uma alternativa utilizando o kernel Gaussiano é proposta, a qual admite uma interpretação como uma versão de Rao–Blackwellizada de bootstrap acoplado. No entanto, devido ao kernel Gaussiano ser apenas de segunda ordem, o ASSURE-CB converge mais lentamente ($O(n^{-2/5})$) que o ASSURE*.

3. Principais Contribuições e Resultados Teóricos

A. Avaliação de Bem-Estar Robusta
A principal contribuição é um método para avaliar decisões de seleção sem exigir que o modelo de efeitos aleatórios para $\mu_{1:n}$ seja corretamente especificado.

• Validade: O estimador $\hat{W}$ converge para o bem-estar real $W$ para $\mu_{1:n}$ fixos, com a aleatoriedade originando-se exclusivamente das amostras Gaussianas $Y_i$. Esta validade mantém-se independentemente da distribuição de $\mu_{1:n}$.
• Robustez à Especificação Incorreta: Ao contrário dos métodos EB padrão que integram sobre uma priori $P$ potencialmente mal especificada, o ASSURE avalia as decisões baseando-se nos parâmetros realizados. Isso permite que os praticantes usem modelos EB meramente como uma fonte de classes de regras de decisão (ex: regras de contração linear) e depois os ajustem via ASSRE para garantir robustez.

B. Garantias de Regret (Arrependimento)
O artigo estabelece limites teóricos sobre o regret (a diferença entre o bem-estar ótimo em uma classe $\mathcal{D}$ e o bem-estar da regra selecionada ao maximizar $\hat{W}$):

• Taxas Gerais: Sob pressupostos fracos (classes VC-subgraph), o ASSURE* alcança um regret de $\tilde{O}(n^{-1/2})$. Isso coincide com o limite inferior minimax até fatores logarítmicos.
• Taxas Rápidas: Sob condições adicionais de "margem" (onde a decisão ótima é bem separada e a função de bem-estar é curva), o regret melhora para $\tilde{O}(n^{-1})$.
• Comparação com Alternativas: O artigo demonstra que, embora as regras de Sucesso Empírico padrão (ex: $Y_i > 0$) minimizem o regret de frequência de pior caso, elas falham em alcançar um regret vanishing (que desaparece) no cenário composto para muitas sequências de parâmetros. Por outro lado, o ASSURE* alcança um regret que desaparece ao "tomar emprestada a força" (borrowing strength) entre as unidades.

C. Robustez à Não-Gaussianidade
Os autores analisam o desempenho do ASSURE* quando $Y_i$ são médias amostrais de $m$ variáveis não-Gaussianas i.i.d. Eles mostram que o desempenho do estimador degrada graciosamente conforme a aproximação Gaussiana se torna menos precisa. Especificamente, o termo de viés escala com $1/\sqrt{m}$, e o ASSURE* domina estritamente os estimadores simples de plug-in (que não exploram a Gaussianidade aproximada) quando $m \gg \log(n)^4$.

D. Ensamble de Regras Complexas
O framework estende-se para o ensemble de regras de decisão complexas (ex: combinando EB paramétrico, EB não-paramétrico e modelos de regressão) via leave-one-out cross-fitting. O ASSURE pode ajustar os pesos de tais ensembles, garantindo que a regra combinada tenha um desempenho não inferior ao de seu melhor constituinte assintoticamente.

4. Aplicações Empíricas e Resultados de Simulação

O artigo valida a metodologia através de simulações e três aplicações econômicas:

1. Simulação (Prioris Mal Especificadas): Em um cenário onde o processo gerador de dados real envolve uma priori Gaussiana mal especificada, o ASSURE* supera significativamente o plug-in Empirical Bayes e o ajuste baseado em SURE. Enquanto o SURE minimiza o erro quadrático (levando a boas estimativas da média posterior), ele incorre em alta perda de bem-estar devido a falsos positivos/negativos na seleção. O ASSURE* otimiza diretamente o objetivo de seleção, alcançando um bem-estar próximo ao do oráculo.
2. Atlas de Oportunidades (Censos): Aplicado à seleção de setores censitários para mobilidade econômica (Bergman et al., 2024), o ASSURE* melhora os métodos plug-in Fay-Herriot e de contração linear, particularmente quando a classe de decisão é menos flexível. Ele certifica que modelos EB flexíveis performam bem, mas fornece ganhos quando modelos mais simples são utilizados.
3. Discriminação em Grandes Empresas: No contexto de Kline et al. (2022), onde regras de contração linear são conhecidas por serem conservadoras devido à assimetria na distribuição real da discriminação, o ASSURE* corrige parcialmente o limiar de seleção, reduzindo o gap de bem-estar em relação a um benchmark de EB não-paramétrico comparado aos métodos plug-in padrão.
4. Testes A/B (Experimentação): Usando um conjunto de dados da Netflix, os autores aplicam o ASSURE* para selecionar testes A/B. O método sugere um limiar muito mais brando (próximo a $t=0$) do que o convencional $t=1.96$ quando os custos de implementação são baixos, e pode ser usado para inferir o nível de custo implícito que justifica os limiares de significância convencionais.

5. Significância e Alegações

O artigo afirma que o ASSURE fornece uma alternativa robusta ao Empirical Bayes padrão para seleção composta. Sua significância reside em:

• Desacoplamento de Estimativa e Seleção: Permite o uso de modelos EB como "aproximações de trabalho" para gerar classes de regras de decisão candidatas sem exigir que o modelo seja correto.
• Otimização Direta de Bem-Estar: Ao otimizar um estimador da utilidade de seleção real em vez de um proxy (como o erro quadrático), evita o problema de "melhor predição $\neq$ melhor seleção".
• Robustez: O método oferece garantias teóricas que se mantêm para parâmetros fixos, tornando-o robusto à especificação incorreta da distribuição da priori de $\mu_{1:n}$.
• Utilidade Prática: Oferece uma maneira orientada por dados para ajustar limiares em cenários que vão desde o design de políticas (vouchers de habitação) até experimentação corporativa, frequentemente superando métodos ad-hoc ou plug-in padrão.

Os autores enfatizam que, embora o ASSURE herde a versatilidade do SURE, ele é especificamente adaptado para a natureza não-diferenciável das decisões de seleção, preenchendo uma lacuna onde o SURE padrão não é diretamente aplicável.