Resumo Técnico: Validação de Passagem de Mensagem Causal contra Métodos Sensíveis à Rede em Experimentos Reais

1. Definição do Problema

Em experimentos randomizados conduzidos em ambientes de rede, a clássica Suposição de Valor de Unidade de Tratamento Estável (SUTVA) frequentemente falha devido à interferência de rede (ou efeitos de transbordamento/spillover), onde o resultado de uma unidade depende das atribuições de tratamento de unidades conectadas. Estimar com precisão o Efeito Total do Tratamento (TTE) nesses cenários normalmente requer o conhecimento da estrutura de interação subjacente (o grafo de rede).

No entanto, em muitos cenários práticos, os dados de rede não estão disponíveis, são proprietários, incompletos ou medidos com erro substancial. Embora os métodos sensíveis à rede (ex: metodologias de grafos bipartidos) possam corrigir efetivamente a interferência quando o grafo é observado, eles são inaplicáveis quando os dados de rede estão ausentes. Por outro lado, métodos existentes para redes desconhecidas dependem de aproximações de campo médio (mean-field) ou estratégias específicas baseadas em design que podem não capturar totalmente dinâmicas de interferência complexas. Este artigo aborda essa lacuna investigando se a variação temporal nos dados de resultados pode servir como um substituto suficiente para a topologia da rede na estimativa de efeitos totais de tratamento.

2. Metodologia

O artigo compara três abordagens distintas de estimativa aplicadas a dois experimentos de campo em larga escala em um cenário bipartido (onde unidades de tratamento interagem com unidades conectadas):

A. O Baseline: Método Básico (Ingênuo)

• Suposição: Assume que a SUTVA é válida (ignora a interferência).
• Dados: Utiliza resultados agregados por unidade (média pós-tratamento menos média pré-tratamento).
• Mecanismo: Aplica um estimador de diferença-em-diferenças aprimorado por aprendizado de máquina.
• Limitação: Produz estimativas enviesadas quando a interferência está presente porque descarta a dinâmica temporal e carece de ajuste de rede ou temporal.

B. O Benchmark: Abordagem Sensível à Rede

• Referência: Baseado na metodologia de grafo bipartido de Tan et al. (2025).
• Dados: Requer a estrutura de grafo bipartido observada que liga as unidades de tratamento e as unidades conectadas, além de resultados agregados por unidade.
• Mecanismo:
  • Define exposição direta ($E^{Dir}$) e exposição indireta ($E^{Ind}$) com base no grafo.
  • Modela os resultados como uma função dessas exposições usando regressão de kernel ridge (ou similar ML).
  • Estima o Efeito Total Primário (PTTE) comparando o resultado previsto sob tratamento total versus sem tratamento.
• Requisito: Conhecimento explícito da rede de interação.

C. O Método Proposto: Passagem de Mensagem Causal (CMP)

• Referência: Baseado em Shirani e Bayati (2024, 2025).
• Dados: Requer apenas dados temporais de resultados e atribuições de tratamento ao longo do tempo (matrizes $N \times T$). Nenhum dado de rede é utilizado.
• Insight Central: Os mecanismos que regem como os efeitos de tratamento se propagam através de uma rede exibem invariância estrutural ao longo do tempo.
• Mecanismo:
  • Modela a evolução das distribuições de resultados da população via equações de evolução de estado: $Y_{t+1} \stackrel{d}{=} f_t(Y_t, W_{t+1})$.
  • Utiliza aprendizado supervisionado para estimar o mapeamento $f_t$ (capturando tanto efeitos diretos quanto de transbordamento) a partir das variações temporais observadas.
  • Aplica recursivamente esses mapeamentos para prever resultados contrafatuais (ex: tratamento total vs. sem tratamento) e calcula o TTE.
  • Utiliza um bootstrap de rede preservador de distribuição (Shirani et al., 2025) para aumentar o tamanho efetivo da amostra para estimativa.

3. Configuração Experimental

Os autores validaram esses métodos em dois experimentos de campo reais conduzidos em um ambiente de serviço (ex: plataformas de transporte por aplicativo ou similares) com uma estrutura bipartida:

• Experimento A: $\approx 7.000$ unidades de tratamento elegíveis, design de múltiplos estágios ($T < 100$ períodos).
• Experimento B: $\approx 4.000$ unidades de tratamento elegíveis, design de múltiplos estágios semelhante.
• Restrições: Apenas um subconjunto de unidades era elegível para tratamento; os grafos de interação eram esparsos.
• Métricas:
  • M1: Uma métrica onde a teoria econômica prevê que ignorar transbordamentos leva ao viés para cima (upward bias).
  • M2: Uma métrica secundária sem previsão clara de direção de viés.
  • M3: A métrica de decisão primária que determina se uma intervenção deve ser lançada em escala.

4. Resultados Principais

O estudo descobriu que o CMP produz estimativas comparáveis ao benchmark sensível à rede, apesar de ter acesso zero aos dados de rede:

• Alinhamento Direcional: Em ambos os experimentos e em todas as três métricas, o CMP produziu estimativas de efeito com o mesmo sinal direcional que a abordagem sensível à rede.
• Correção de Viés: Para a Métrica M1 (onde a teoria prevê viés para cima ao ignorar a interferência), o Método Básico gerou estimativas positivas/significativas, enquanto tanto o CMP quanto o Sensível à Rede identificaram corretamente efeitos negativos (Experimento A) ou ajustaram a magnitude (Experimento B). O CMP reverteu com sucesso as conclusões enganosas do método ingênuo.
• Métrica de Decisão Primária (M3):
  • Experimento A: O Método Básico sugeriu um efeito negativo não significativo. Tanto o Sensível à Rede quanto o CMP encontraram efeitos positivos e estatisticamente significativos. Essa reversão é crítica para a tomada de decisão.
  • Experimento B: Ambos, Sensível à Rede e CMP, encontraram efeitos negativos (não significativos), enquanto o Método Básico encontrou efeitos positivos (não significativos). Todos os métodos concordaram com a conclusão prática (nenhum efeito significativo detectado).
• Significância Estatística: O CMP alcançou significância estatística na Métrica M1 em ambos os experimentos onde o método Sensível à Rede não alcançou. Os autores observam que isso pode ser devido ao fato de o CMP utilizar a série temporal completa em vez de diferenças pré-pós colapsadas, embora uma comparação rigorosa de eficiência esteja além do escopo do artigo.

5. Significância e Alegações

A principal contribuição do artigo é a validação empírica de que a dinâmica temporal pode servir como um substituto eficaz para a observação de rede na estimativa de efeitos de transbordamento.

• Implicação Prática: Profissionais que enfrentam configurações onde os dados de rede são caros, proprietários ou não confiáveis podem empregar a Passagem de Mensagem Causal como uma alternativa viável. As dinâmicas temporais dos resultados experimentais contêm informações suficientes para ajustar os efeitos de interferência e recuperar a direção do viés.
• Validação Teórica: Os resultados apoiam a premissa de que os mecanismos de interferência exibem invariância temporal, permitindo que a dinâmica agregada da interferência seja aprendida sem observar conexões individuais de rede.
• Modéstia: Os autores reconhecem limitações, incluindo o uso de apenas dois experimentos e a suposição de mecanismos de interferência relativamente estáveis. Eles não alegam que o CMP é universalmente superior em eficiência estatística, mas demonstram que ele alcança conclusões de decisão idênticas ao benchmark sensível à rede na métrica primária (M3) em ambos os casos reais.

Em resumo, o artigo demonstra que, quando os dados de rede não estão disponíveis, o aproveitamento da evolução temporal dos resultados via Passagem de Mensagem Causal pode recuperar os efeitos totais de tratamento que se alinham aos métodos sensíveis à rede, permitindo assim uma inferência causal robusta em ambientes propensos à interferência sem conhecimento explícito da rede.