Resumo Técnico: UA-DCM: Tomada de Decisão Causal Consciente da Incerteza via Decomposição de Limites de Efeito

1. Definição do Problema

A tomada de decisão causal visa identificar a ação ideal (por exemplo, um tratamento ou política específica) com base em dados observacionais. No entanto, determinar a melhor ação é frequentemente dificultado por duas fontes distintas de incerteza:

1. Incerteza Estrutural (Não Identificável): Mesmo com dados infinitos, fatores de confusão não observados podem impedir a identificação única dos efeitos causais. Nesses casos, diferentes Modelos Causais Estruturais (SCMs) consistentes com os dados observacionais podem gerar distribuições intervencionais distintas.
2. Incerteza de Amostra: Em cenários realistas, os dados são finitos. Isso introduz incerteza estatística, fazendo com que a distribuição observacional estimada desvie da distribuição real.

Métodos existentes para delimitar efeitos causais (como limites simbólicos ou abordagens baseadas em redes neurais) tipicamente fornecem um único intervalo que representa a união dessas incertezas. Existe uma lacuna crítica: os profissionais não conseguem distinguir se um limite amplo se deve à insuficiência de dados (o que poderia ser resolvido coletando mais amostras) ou à não identificabilidade estrutural fundamental (o que não pode ser resolvido com mais dados sem variáveis adicionais ou intervenções). Consequentemente, os especialistas carecem de orientação sobre se devem coletar mais dados, observar novas variáveis ou recorrer a ensaios randomizados.

2. Metodologia: UA-DCM

Os autores propõem o UA-DCM (Uncertainty-aware Causal Decision Making), um framework que decompõe a incerteza epistêmica total dos limites de efeito causal em incerteza de não identificabilidade (non-ID) e incerteza de amostra.

2.1 Decomposição Teórica

O método define a faixa de possíveis Efeitos Médios de Tratamento (ATE) para um conjunto de SCMs consistentes com um conjunto de confiança de distribuições observacionais.

• Incerteza de Não Identificação (Região Interna): Definida como a interseção dos intervalos de efeito causal através de todas as possíveis distribuições observacionais dentro de um conjunto de confiança $C$. Esta região representa valores que não podem ser eliminados mesmo com amostras infinitas, pois surgem de ambiguidades estruturais (confundidores não observados).
• Incerteza de Amostra (Faixa Externa): Definida como a diferença de conjunto entre a união dos intervalos de efeito causal e a interseção de não identificação. Esta região representa valores que podem ser reduzidos aumentando o tamanho da amostra, conforme o conjunto de confiança $C$ encolhe.

Os autores formalizam isso usando quatro quantidades de otimização derivadas de problemas min-max e max-min:

• $L_x, \bar{L}_x, \bar{U}_x, U_x$
  • A região de não identificação é $[\bar{L}_x, \bar{U}_x]$.
  • A região de incerteza de amostra é $[L_x, \bar{L}_x] \cup [\bar{U}_x, U_x]$.

2.2 Lógica de Decisão

Com base na decomposição, o framework fornece um protocolo de decisão:

1. Retornar (Decisão Tomada): Se a região de não identificação for inteiramente positiva (ou negativa), a melhor ação é inequívoca, independentemente do tamanho da amostra.
2. Observar (Necessidade de Novas Variáveis): Se a região de não identificação contiver o zero (ou seja, a decisão é ambígua mesmo com dados infinitos), coletar mais amostras é fútil. O profissional deve observar variáveis adicionais (ex: variáveis instrumentais) para reduzir a incerteza estrutural.
3. Coletar (Necessidade de Mais Dados): Se a região de não identificação estiver clara, mas a região de incerteza de amostra sobrepor-se ao limite de decisão, a ambiguidade deve-se a amostras finitas. O profissional deve coletar mais dados.

2.3 Implementação Algorítmica

Para aproximar esses limites na prática, os autores utilizam Modelos Causais Profundos (DCMs):

• Construção de $\epsilon$-net (Algoritmo 3): A distribuição empírica é fatorizada, e intervalos de confiança são construídos para probabilidades condicionais usando a desigualdade de Hoeffding. Um conjunto de distribuições candidatas é amostrado desses intervalos para aproximar o conjunto de confiança.
• Treinamento de DCM Relaxado (Algoritmo 2): Para cada distribuição candidata na $\epsilon$-net, um modelo causal neural é treinado. Usando uma otimização baseada em dualidade Lagrangiana, o modelo é constrangido a permanecer a uma pequena distância $\epsilon$ da distribuição de entrada enquanto simultaneamente maximiza ou minimiza o efeito causal (ATE).
• Exploração (Algoritmo 1): O algoritmo agrega os limites de todas as distribuições candidatas para computar as quatro quantidades ($L_x, \bar{L}_x, \bar{U}_x, U_x$) e determina o próximo movimento estratégico (Retornar, Observar ou Coletar).

3. Principais Contribuições

1. Decomposição Inovadora: O artigo introduz o primeiro método para distinguir entre incerteza estrutural (não-ID) e incerteza de amostra em limites de efeito causal para consultas não identificáveis. Ele permite que os profissionais infiram, com alta probabilidade, se a coleta de mais amostras observacionais ajudará a identificar a ação ideal.
2. Algoritmo UA-DCM: Um algoritmo prático que aproxima essa decomposição usando modelos causais neurais e $\epsilon$-nets, permitindo o cálculo de limites internos (não-ID) e externos (amostra).
3. Framework de Decisão Estratégica: Uma abordagem sistemática para guiar estratégias de coleta de dados, aconselhando quando parar de coletar dados, quando observar novas variáveis (ex: instrumentos) ou quando mudar para estudos controlados randomizados.

4. Resultados Experimentais

Os autores avaliaram o UA-DCM em conjuntos de dados sintéticos e em um conjunto de dados do mundo real "Parents' Labor Supply".

• Dados Sintéticos (SCM 1): Em cenários com confundidores não observados, os métodos de linha de base (limites de forma fechada, NCM, autobound) produziram intervalos amplos, mas não ofereceram insights sobre a origem da incerteza. O UA-DCM identificou corretamente que, para pequenos tamanhos de amostra com confundidores não observados, a região de não identificação não era vazia, aconselhando corretamente a coleta de variáveis adicionais (instrumentos) em vez de apenas mais amostras. À medida que os instrumentos foram adicionados, a região de não identificação encolheu, permitindo eventualmente uma decisão definitiva.
• Dados Sintéticos (SCM 2): Em um cenário com apenas confundidores observados (identificável), o UA-DCM mostrou que a região de não identificação colapsou para um ponto (ou quase um ponto), indicando corretamente que a incerteza restante era puramente devida ao tamanho da amostra e poderia ser reduzida coletando mais dados.
• Escalabilidade: O algoritmo escalou com sucesso para grafos com até 18 variáveis através da fatorização de distribuições e ignorando combinações conjuntas de baixa probabilidade.
• Dados do Mundo Real (Parents' Labor Supply): Aplicado ao conjunto de dados de Angrist e Evans (1996), o algoritmo analisou o efeito do tamanho da família na oferta de trabalho. Demonstrou que, com dados limitados, a região de não identificação era significativa. Ao incorporar a variável instrumental (sexo dos dois primeiros filhos), a região de não identificação estreitou, e os limites alinharam-se com o impacto negativo conhecido de filhos adicionais na oferta de trabalho encontrado no estudo original.

5. Significância e Alegações

O artigo afirma que o UA-DCM aborda um ponto cego crítico na tomada de decisão causal: a incapacidade de distinguir entre "não há dados suficientes" e "estrutura de dados insuficiente".

• Utilidade Prática: O framework fornece orientação acionável para profissionais, evitando o desperdício de recursos na coleta de mais amostras quando o problema é a não identificabilidade estrutural.
• Planejamento Estratégico: Serve como uma ferramenta para planejar estudos controlados randomizados ou identificar quais confundidores não medidos precisam ser mensurados.
• Modéstia: Os autores reconhecem as limitações, observando que o método depende de $\epsilon$-nets para aproximar problemas min-max e que a otimização de redes neurais pode produzir limites ligeiramente mais estreitos do que os limites teóricos reais. Eles apresentam o trabalho como uma aproximação que melhora a tomada de decisão subsequente, em vez de um solver exato perfeito para todos os grafos causais.

O trabalho posiciona-se como uma ponte entre a teoria da inferência causal e a tomada de decisão prática, oferecendo uma maneira fundamentada de gerenciar a incerteza epistêmica em cenários de dados finitos.