Double Machine Learning of Continuous Treatment Effects with General Instrumental Variables

Este artigo propõe um novo framework de Double Machine Learning que utiliza variáveis instrumentais gerais e funções de ponderação regular para identificar e estimar efeitos causais de tratamentos contínuos na presença de confundidores não observados, combinando métodos de aprendizado de máquina com regressão por kernel ou minimização de risco empírico.

O essencial

Imagine que você é um chef de cozinha tentando descobrir a receita perfeita para um bolo. Você quer saber: "Se eu adicionar 100g de açúcar, o bolo fica doce? E se adicionar 200g? E 300g?"

No mundo da ciência de dados, isso se chama Função Resposta-Dose. Queremos entender como a quantidade de uma "dose" (como anos de estudo, horas de exercício ou dose de remédio) afeta um resultado (como salário, saúde ou felicidade).

O problema é que a vida real é bagunçada. Nem sempre sabemos todas as variáveis. Talvez o chef que usa mais açúcar também seja mais talentoso, ou talvez ele tenha uma cozinha melhor. Se não controlarmos essas "variáveis ocultas" (confundidores), podemos achar que o açúcar é o segredo, quando na verdade era o talento do chef.

Aqui está como este artigo propõe resolver esse problema, usando uma analogia de detetives e pistas:

1. O Problema: O Chef e o Segredo Oculto

Normalmente, para saber o efeito real do açúcar, precisaríamos de um experimento perfeito onde todos os chefs são idênticos, exceto pela quantidade de açúcar. Mas na vida real, não podemos controlar tudo. Existem "fantasmas" (variáveis não observadas) que distorcem a verdade.

2. A Solução: O Detetive (Variável Instrumental)

Para lidar com esses fantasmas, os autores usam um conceito chamado Variável Instrumental (IV).
Pense no IV como um detetive que não cozinha o bolo, mas sabe exatamente quem usou quanto açúcar.

• Exemplo: Imagine que a quantidade de açúcar que um chef usa depende de uma regra aleatória da loja de ingredientes (o "instrumento"), e não do talento do chef.
• Se a loja manda 100g, o chef usa 100g. Se manda 200g, ele usa 200g.
• Como a loja é aleatória, ela não tem nada a ver com o talento do chef. Assim, qualquer mudança no sabor do bolo pode ser atribuída com segurança à quantidade de açúcar, e não ao talento.

3. O Desafio: O Instrumento "Quebra" em Certos Lugares

O artigo descobre algo curioso: esse "detetive" (instrumento) nem sempre funciona para todas as quantidades de açúcar.

• Às vezes, para 100g de açúcar, o detetive é ótimo.
• Mas para 200g, ele pode falhar ou se tornar confuso.
• Em estatística, isso significa que um único "detetive" não consegue cobrir todo o intervalo de doses (de 0 a 1000g).

4. A Estratégia: O Mapa de "Coberturas" (Finite Open Covering)

Como o detetive não funciona para tudo de uma vez, os autores propõem uma estratégia genial: dividir para conquistar.

• Em vez de tentar usar um único detetive para todo o bolo, eles dividem a tabela de açúcar em pequenos pedaços (intervalos).
• Para o pedaço de 0 a 100g, eles usam o "Detetive A".
• Para o pedaço de 100 a 200g, eles usam o "Detetive B".
• Eles criam um mapa de cobertura onde cada pequeno pedaço tem seu próprio detetive confiável.
• Isso é chamado de "Cobertura Finita Aberta". É como usar várias lentes de aumento diferentes para examinar cada parte de uma imagem com clareza, em vez de tentar usar uma lente única que distorce tudo.

5. A Ferramenta: Aprendizado de Máquina "Deviado" (Debiased Machine Learning)

Agora, como eles calculam a receita exata? Eles usam uma técnica moderna chamada Double Machine Learning (DML).

• Imagine que você tem dois robôs aprendendo juntos. Um robô tenta prever o sabor do bolo, e o outro tenta prever a quantidade de açúcar.
• Eles aprendem um com o outro, mas de uma forma que cancela os erros um do outro. Se um robô erra um pouco, o outro corrige.
• Isso permite que eles usem ferramentas de Inteligência Artificial muito poderosas (que normalmente são "caixas pretas") para encontrar a resposta, sem que os erros da IA estraguem o resultado final.

6. O Resultado: A Verdadeira Curva

Ao combinar esses pedaços de "detetives" com a inteligência dos robôs, o método consegue desenhar a curva verdadeira da dose-resposta.

• Eles mostram que, em alguns casos, aumentar a dose ajuda muito.
• Em outros, aumentar demais pode não fazer diferença ou até piorar (como o bolo ficar enjoativo).
• E o mais importante: eles fazem isso mesmo quando existem "fantasmas" (variáveis ocultas) tentando enganar a análise.

Resumo em uma frase:

O artigo ensina como usar "detetives" inteligentes (instrumentos) divididos em pequenos grupos e robôs que corrigem seus próprios erros (aprendizado de máquina) para descobrir a verdade sobre como a quantidade de algo afeta um resultado, mesmo quando não temos todas as informações do mundo.

Por que isso importa?
Isso ajuda economistas, médicos e cientistas a tomar decisões melhores. Por exemplo: "Até quantos anos de estudo vale a pena investir antes que o retorno diminua?" ou "Qual é a dose exata de um remédio que cura sem causar efeitos colaterais?", mesmo quando não conseguimos medir todos os fatores que afetam o paciente.

Resumo técnico

Resumo Técnico: Double Machine Learning de Efeitos de Tratamento Contínuo com Variáveis Instrumentais Gerais

1. O Problema

A estimação dos efeitos causais de tratamentos contínuos (por exemplo, anos de escolaridade, dose de um medicamento) é um desafio fundamental na inferência causal, frequentemente modelado através de Funções de Resposta à Dose Média (ADRF - Average Dose-Response Functions).

• Desafio Principal: A maioria dos métodos existentes assume que todos os confundidores (variáveis que afetam tanto o tratamento quanto o resultado) são observados (hipótese de "sem confundidores não medidos"). No entanto, em aplicações do mundo real, a confusão não observada é comum e pode enviesar drasticamente as estimativas.
• Limitação Atual: Embora métodos de Variável Instrumental (VI) sejam eficazes para tratamentos binários ou discretos na presença de confusão não observada, há pouca literatura sobre como utilizá-los para identificar e estimar ADRFs para tratamentos contínuos de forma não paramétrica.

2. Metodologia Proposta

Os autores propõem um novo framework que combina Variáveis Instrumentais (VI) com Aprendizado de Máquina Desviesado (Debiased Machine Learning - DML). A abordagem é estruturada em três pilares principais:

A. Identificação e Funções de Ponderação Regular (RWF)

• Condição de Relevância da VI: O artigo estabelece que, para tratamentos contínuos, uma VI binária simples geralmente falha em satisfazer as condições de relevância necessárias (devido a interseções nas densidades condicionais).
• Função de Ponderação Regular (RWF): Introduz-se o conceito de uma função de ponderação $\pi(Z, L)$ que explora a variação da VI para prever o tratamento.
• Ponderação Regular Uniforme (URWF): Como uma única função de ponderação pode não ser válida para todo o espaço de tratamento contínuo (devido à instabilidade local), os autores propõem cobrir o espaço de tratamento com um número finito de conjuntos abertos. Em cada conjunto, uma URWF específica é construída, permitindo a identificação local da ADRF.
• Condição de VI Aditiva (AIV): Para garantir a identificação, assume-se uma condição de "não interação" aditiva entre a VI e os confundidores não observados no modelo de tratamento. Sob esta condição, a ADRF é identificável.

B. Escore AIPW (Augmented Inverse Probability Weighting)

• Derivam uma função de escore AIPW (Augmented Inverse Probability Weighting) que possui a propriedade de viés misto (mixed-bias). Isso significa que o estimador final é consistente se pelo menos um dos componentes de "nuisance" (funções de perturbação estimadas, como densidades condicionais ou expectativas) for estimado com precisão suficiente, mesmo que o outro seja mal especificado.
• O escore é construído para que sua expectativa condicional no tratamento seja exatamente a ADRF alvo.

C. Algoritmo de Cross-Fitting e Estimação

• Framework DML: Utilizam o framework de Double Machine Learning (DML) com cross-fitting (divisão dos dados em folds) para evitar overfitting e garantir a independência entre os estimadores das funções de nuisance e os dados de teste.
• Regressão por Kernel Local Linear (LLKR): Para estimar a ADRF de forma não paramétrica, os autores aplicam regressão por kernel local linear sobre os escores AIPW calculados. Isso permite capturar a forma suave da curva de resposta à dose.
• Teste de Hipótese: Desenvolvem um procedimento para testar se uma função de ponderação prespecificada é uma RWF válida para um determinado nível de tratamento, permitindo a seleção adaptativa das funções de ponderação nos dados.

3. Principais Contribuições

1. Framework Geral de VI para Tratamentos Contínuos: Preenchem uma lacuna teórica ao fornecer um método para identificar ADRFs na presença de confusão não observada usando VIs gerais (não apenas binárias).
2. Conceito de Cobertura Finita (Finite Open Cover): Demonstram teoricamente que, embora uma VI única possa não funcionar globalmente para todo o intervalo de tratamento contínuo, é possível cobrir qualquer subconjunto compacto com um número finito de vizinhanças, cada uma admitindo uma URWF válida.
3. Propriedades Assintóticas: Estabelecem a taxa de convergência e a normalidade assintótica do estimador proposto. O método atinge a taxa minimax ótica (oracle rate) de $O(n^{-2/5})$ para regressão por kernel, mesmo quando as funções de nuisance são estimadas via aprendizado de máquina.
4. Validação Empírica e Simulações:
   • Simulações: Mostram que o método proposto (AIPW-IV) reduz significativamente o viés em comparação com métodos que ignoram a confusão não observada (NUC) ou usam apenas IPW/OR padrão, mantendo uma variância controlada.
   • Aplicação Real: Aplicam o método aos dados do Job Training Partnership Act (JTPA) para estimar o efeito dos anos de escolaridade sobre os ganhos anuais. Os resultados sugerem que o método IV revela padrões não detectados pelo método padrão (NUC), como uma possível diminuição nos retornos salariais após um certo nível de escolaridade.

4. Resultados e Desempenho

• Viés Reduzido: Nas simulações, o estimador proposto demonstrou ser quase não viesado (bias próximo de zero) mesmo na presença de confundidores não observados, enquanto os métodos tradicionais (NUC) apresentaram viés substancial.
• Robustez: O método é robusto à especificação incorreta de modelos paramétricos para as funções de nuisance, graças à propriedade de viés misto do escore AIPW e ao uso de algoritmos de aprendizado de máquina flexíveis (como splines e kernels).
• Incerteza: O método fornece bandas de incerteza válidas, embora a seleção adaptativa de parâmetros (como largura de banda via validação cruzada) possa introduzir um viés de ordem superior que requer cuidado na inferência.

5. Significado e Impacto

Este trabalho é significativo porque:

• Expande o Escopo da Inferência Causal: Permite que pesquisadores lidem com a confusão não observada em cenários onde o tratamento é contínuo, uma situação muito comum em economia, epidemiologia e ciências sociais.
• Integração de Técnicas Modernas: Combina rigorosamente a teoria de variáveis instrumentais com técnicas modernas de aprendizado de máquina (DML), oferecendo uma solução prática para problemas de alta dimensionalidade e não linearidade.
• Diretrizes Práticas: Fornece não apenas a teoria, mas também algoritmos práticos (incluindo testes de RWF e procedimentos de cross-fitting) que podem ser implementados para análise de dados reais, como demonstrado no estudo de escolaridade e renda.

Em resumo, o artigo oferece uma solução robusta e teoricamente fundamentada para estimar curvas de resposta à dose em cenários complexos de dados observacionais, superando as limitações de métodos que assumem ausência de confundidores não medidos.