Measures for Assessing Causal Effect Heterogeneity Unexplained by Covariates

Resumo Técnico: Medidas para Avaliação da Heterogeneidade do Efeito Causal Não Explicada por Covariáveis

Autores: Yuta Kawakami e Jin Tian (Mohamed bin Zayed University of Artificial Intelligence)
Data: 10 de fevereiro de 2026

1. O Problema (Problem)

Na inferência causal, é comum utilizar o Efeito Causal Médio Condicional (CACE) — também conhecido como CATE — para entender como o efeito de um tratamento ($X$) sobre um desfecho ($Y$) varia entre subgrupos definidos por covariáveis observadas ($W$).

O problema central identificado pelos autores é que o CACE assume que toda a heterogeneidade do efeito pode ser explicada pelas variáveis observadas. No entanto, em muitos cenários reais, existe uma heterogeneidade residual causada pela interação entre o tratamento e variáveis não observadas (ruído latente $U_Y$). Por exemplo, mesmo que o CACE seja constante para um determinado grupo, o efeito individual pode ser positivo para alguns e negativo para outros devido a fatores ocultos. As pesquisas existentes focam majoritariamente em tratamentos e desfechos binários, deixando uma lacuna para casos com desfechos contínuos e tratamentos contínuos.

2. Metodologia (Methodology)

O artigo utiliza o framework de Modelos Causais Estruturais (SCM) e estende o conceito de estratificação principal para desfechos contínuos. A metodologia divide-se em duas frentes:

• Tratamento Binário e Desfecho Contínuo: Os autores classificam os indivíduos em quatro grupos baseados em seus tipos de resultados potenciais em relação a um ponto $y$: positivamente afetados, negativamente afetados, imutáveis positivos e imutáveis negativos.
• Tratamento Contínuo e Desfecho Contínuo: Para lidar com a continuidade do tratamento, os autores utilizam intervenções estocásticas ($do(X_\pi)$), que permitem estudar cenários mais flexíveis do que intervenções atômicas fixas.

Para ambos os casos, o trabalho estabelece teoremas de identificação (como calcular o efeito a partir de dados observacionais) e de limitação (bounding) (para quando as suposições de monotonicidade não puderem ser garantidas).

3. Principais Contribuições (Key Contributions)

O artigo introduz quatro novas medidas de heterogeneidade:

1. P-CACE (Positively affected CACE): Mede a parte do CACE que representa o efeito médio sobre os indivíduos que são positivamente afetados pelo tratamento.
2. N-CACE (Negatively affected CACE): Mede o valor absoluto da parte do CACE que representa o efeito sobre os indivíduos negativamente afetados.
   • Propriedade fundamental: O CACE pode ser decomposto como: $\text{CACE}(w) = \text{P-CACE}(w) - \text{N-CACE}(w)$.
3. P-CPICE (Positively affected CPICE): Extensão para tratamentos contínuos, medindo o efeito médio da intervenção populacional estocástica sobre os positivamente afetados.
4. N-CPICE (Negatively affected CPICE): Extensão para tratamentos contínuos sobre os negativamente afetados.
   • Propriedade fundamental: $\text{CPICE}(w) = \text{P-CPICE}(w) - \text{N-CPICE}(w)$.

Além disso, o artigo fornece limites superiores e inferiores (sharp bounds) para essas medidas, permitindo uma análise robusta mesmo na ausência da suposição de monotonicidade.

4. Resultados (Results)

• Simulações Numéricas: Os experimentos demonstraram que as novas medidas conseguem detectar heterogeneidade que o CACE ignora. Em modelos onde o CACE é zero, o P-CACE e o N-CACE mostram valores positivos, revelando que o tratamento afeta as pessoas de direções opostas.
• Aplicação em Dados Reais: Utilizando um conjunto de dados médicos (custos de seguro saúde), os autores analisaram o impacto do IMC (Índice de Massa Corporal) nos gastos médicos. Eles mostraram que, embora o CACE indique um aumento médio nos custos, o N-CPICE revelou que uma parcela significativa da população pode ter um efeito negativo (redução de custos) devido a fatores ocultos, o que é crucial para decisões de políticas públicas.
• Alta Dimensionalidade: O uso de regularização (Lasso) permitiu que as estimativas permanecessem consistentes e precisas mesmo com um grande número de covariáveis ($D=100$).

5. Significância (Significance)

A importância deste trabalho reside na capacidade de fornecer uma visão mais completa e segura da intervenção causal.

Para tomadores de decisão, o CACE pode ser enganoso: um tratamento pode parecer benéfico na média, mas ser prejudicial para um subgrupo específico. As medidas N-CACE e N-CPICE funcionam como um "alerta de risco", quantificando o potencial dano a indivíduos específicos. Isso permite uma transição de uma medicina/política de "média populacional" para uma abordagem mais personalizada e segura, minimizando efeitos colaterais negativos não explicados por dados observáveis.