Resumo Técnico: Uma Estrutura de Análise de Sensibilidade para Inferência Causal sob Interferência

1. Definição do Problema

Na inferência causal, a suposição de ausência de interferência (a Suposição de Valor de Tratamento de Unidade Estável, ou SUTVA) postula que o resultado de uma unidade depende exclusivamente de seu próprio tratamento. No entanto, em muitas aplicações, como estudos de doenças infecciosas, o tratamento recebido por uma unidade pode influenciar o resultado de outra, um fenômeno conhecido como interferência ou efeitos de transbordamento (spillover effects). Ignorar a interferência leva a um viés sistemático que não pode ser mitigado pelo aumento do tamanho da amostra.

A literatura existente sobre interferência frequentemente assume que todos os confundidores relevantes são observados e que a população de estudo é representativa da população alvo. Contudo, os profissionais frequentemente enfrentam três desafios simultâneos:

1. Interferência Ignorada: Falha em ajustar para efeitos de transbordamento.
2. Confundimento Não Medido: A presença de variáveis não observadas que afetam tanto o tratamento quanto o desfecho.
3. Falta de Transportabilidade: A incapacidade de generalizar achados causais de uma população de referência para uma população alvo devido a diferenças nas distribuições de covariáveis ou nos mecanismos de tratamento.

As estruturas atuais de análise de sensibilidade normalmente abordam esses problemas de forma isolada. Por exemplo, embora VanderWeele et al. (2015) tenham desenvolvido uma estrutura para confundimento não medido sob interferência, ela não contabiliza a interferência ignorada ou a transportabilidade. Da mesma forma, Forastiere et al. (2021) discutem o viés decorrente desses fatores, mas carecem de uma abordagem estruturada de análise de sensibilidade com parâmetros interpretáveis para profissionais. Este artigo aborda essa lacuna ao propor uma estrutura unificada para avaliar o viés sistemático decorrente da combinação dessas três complexidades.

2. Metodologia

2.1 Estrutura e Suposições

Os autores adotam o framework de resultados potenciais sob interferência de vizinhança. Eles introduzem um Mapeamento de Exposição de Desfecho (Suposição 1), onde uma função escalar $g_i(\mathbf{A}_{N_i})$ resume os tratamentos dos vizinhos de uma unidade, reduzindo a dimensionalidade dos resultados potenciais. O desfecho observado $Y$ é vinculado aos resultados potenciais via uma suposição de consistência (Suposição 2).

Para lidar com o confundimento não medido e a transportabilidade, os autores relaxam as suposições padrão de identificação:

• Troca Condicional Fraca (Suposição 5): Permite confundidores não observados ($U$), mas assume independência condicional dados os covariáveis observados ($X$) e os confundidores não observados. Crucialmente, isso requer condicionar nas causas comuns do tratamento pessoal ($A$) e do tratamento de vizinhança ($G$), bem como nas causas comuns de $A$ e do indicador populacional ($S$).
• Ignorabilidade Condicional de Amostragem (Suposição 7): Permite diferenças não observadas entre as populações de referência ($S=1$) e alvo ($S=2$), desde que, condicionado a $G$ e covariáveis específicas, a amostragem seja ignorável.

2.2 Decomposição de Viés via Erros de Ponderação

A metodologia central envolve comparar um estimador "ingênuo" (que ignora interferência, confundimento não medido e problemas de transportabilidade) contra as fórmulas de identificação reais derivadas sob as suposições relaxadas. Os autores definem dois tipos de erros de ponderação:

1. Erro Multiplicativo nos Pesos (MEW, $\varepsilon_a$): A razão entre o escore de propensão real (condicionando em todos os $X$ e $U$ relevantes) e o escore de propensão pseudo (condicionando apenas no $X_{AY}$ observado). Isso captura o viés proveniente da interferência ignorada e do confundimento não medido.
2. Erro de Diferença nos Pesos (DEW, $\tilde{\varepsilon}_S$): Um termo que representa a diferença entre o peso de amostragem ingênuo (1) e o peso de amostragem real necessário para a transportabilidade. Isso captura o viés da falta de transportabilidade.

2.3 Parâmetros de Sensibilidade

O viés é decomposto em uma soma de termos de covariância, cada um expresso como o produto de um coeficiente de correlação e dois desvios padrão. Esses componentes servem como parâmetros de sensibilidade que os profissionais podem especificar com base no conhecimento do domínio:

• Para Interferência/Confundimento (Termos T1 & T2):
  • $\sigma_{Y(a,0)}$: Desvio padrão dos resultados potenciais basais.
  • $\sigma_{\varepsilon_a}$: Variabilidade dos escores MEW (refletindo a força do confundimento/interferência ignorados).
  • $\rho_{Y(a,0), \varepsilon_a}$: Correlação entre os resultados basais e os erros de ponderação.
  • $\sigma_{\gamma(a)}$: Variabilidade dos efeitos de transbordamento individual naturais.
  • $\rho_{\gamma(a), \varepsilon_a}$: Correlação entre os efeitos de transbordamento e os erros de ponderação.
• Para Transportabilidade (Termos T3 & T4):
  • $\sigma_{\tau(0)}$: Variabilidade dos efeitos diretos controlados.
  • $\sigma_{\tilde{\varepsilon}_S}$: Variabilidade dos escores DEW.
  • $\rho_{\tau(0), \tilde{\varepsilon}_S}$: Correlação entre os efeitos diretos e os pesos de amostragem.
  • $\sigma_{\gamma(1)-\gamma(0)}$: Variabilidade da diferença nos efeitos de transbordamento.
  • $\rho_{\gamma(1)-\gamma(0), \tilde{\varepsilon}_S}$: Correlação entre as diferenças de transbordamento e os pesos de amostragem.

Os autores fornecem diretrizes para limitar esses parâmetros (por exemplo, usando a desigualdade de Popoviciu para limites de desfecho ou a desigualdade de Bhatia-Davis para limites de peso) e sugerem definir os sinais de correlação para maximizar o viés para cenários de pior caso.

2.4 Extensão para Resultados Potenciais Indefinidos

O artigo estende o framework para configurações onde os resultados potenciais são indefinidos para unidades com insuficiência de vizinhos (por exemplo, uma unidade com 0 vizinhos não pode experienciar um tratamento de vizinhança de 2). Ao introduzir uma variável $N$ para o número de vizinhos e condicionar a análise em $N$, os autores derivam fórmulas de identificação e decomposições de viés (Teorema 3) que permanecem válidas mesmo quando o domínio do mapeamento de exposição varia por unidade.

3. Principais Resultados

• Teorema 1 (Decomposição de Viés para $\phi_1$): O viés de um estimador ingênuo para o efeito médio de tratamento natural na população de referência é decomposto em duas partes:
  • T1: Covariância entre os escores MEW e os resultados potenciais basais (impulsionada pelo confundimento não medido e pelo nível basal de interferência).
  • T2: Covariância entre os escores MEW e os efeitos de transbordamento naturais. Este termo destaca que, mesmo que as causas comuns de $A$ e $G$ estejam ausentes, o confundimento não medido ainda pode induzir viés se estiver correlacionado com a heterogeneidade dos efeitos de transbordamento.
• Teorema 2 (Decomposição de Viés para $\phi_2$): O viés para o efeito médio de tratamento natural transportado é a soma do viés para $\phi_1$ mais dois termos adicionais:
  • T3: Covariância entre os escores DEW e os efeitos diretos controlados.
  • T4: Covariância entre os escores DEW e a diferença nos efeitos de transbordamento entre os braços de tratamento.
• Corolários: O artigo demonstra que, se a distribuição marginal do tratamento de vizinhança ($G$) for idêntica entre as populações, o viés de transportabilidade desaparece. Também mostra que, na ausência de interferência, o framework reduz-se aos métodos existentes de análise de sensibilidade para transportabilidade (ex: Huang, 2024).
• Teorema 3: Estende a decomposição do viés para cenários com resultados potenciais indefinidos, mostrando que a estrutura do viés permanece semelhante, mas requer o condicionamento no número de vizinhos.

4. Significância e Contribuições

O artigo afirma ser o primeiro a desenvolver uma estrutura abrangente de análise de sensibilidade que contabiliza simultaneamente a interferência ignorada, o confundimento não medido e a falta de transportabilidade.

• Novidade: Ao contrário de trabalhos anteriores que tratam essas questões separadamente ou exigem suposições fortes sobre o processo gerador de desfechos ou a distribuição de confundidores não observados, este framework baseia-se em uma decomposição de viés baseada em ponderação que é robusta a várias complexidades de dados.
• Utilidade Prática: Ao parametrizar o viés através de parâmetros de sensibilidade facilmente interpretáveis (correlações e desvios padrão), o framework permite que os profissionais avaliem o quão robustos seus achados são perante violações das suposições padrão. Ele permite que pesquisadores mensurem a força da interferência ou do confundimento necessária para alterar suas conclusões.
• Generalização: A metodologia generaliza resultados anteriores baseados em ponderação (ex: Shen et al., 2011; Hong et al., 2021) e os estende para o cenário complexo de interferência e transportabilidade.
• Lidando com Resultados Indefinidos: A extensão para resultados potenciais indefinidos aborda uma lacuna teórica crítica na literatura de interferência, reconhecendo que nem todos os resultados potenciais estão bem definidos para cada unidade.

Em resumo, o artigo fornece uma abordagem estruturada, flexível e teoricamente fundamentada para que profissionais avaliem o viés sistemático em estimativas causais quando problemas de interferência, confundimento não medido e transportabilidade estão presentes, mas não observados ou não ajustados nos dados.