Design-based inference for generalized causal effects in randomized experiments

1. Problema e Motivação

Os ensaios clínicos aleatorizados estão cada vez mais avaliando tratamentos utilizando desfeços complexos, como respostas ordinais, pontos finais compostos priorizados, medidas clínicas multivariadas e situações onde deslocamentos distribucionais são mais informativos do que diferenças de médias.

O problema central abordado é a falta de uma teoria de inferência baseada no desenho (design-based) robusta para estimandos de efeitos causais generalizados (GCE). Enquanto o Efeito Médio de Tratamento (ATE) clássico é bem compreendido sob ajuste de covariáveis (regressão), os estimandos GCE, definidos por funções de contraste não lineares entre pares de unidades (como o índice probabilístico de Mann-Whitney ou o benefício causal líquido), apresentam desafios teóricos específicos:

• A dependência complexa induzida por comparações em pares (onde a mesma unidade participa de múltiplos pares).
• A incerteza sobre se o ajuste de covariáveis (regressão) preserva a consistência e melhora a eficiência para funções de contraste não lineares.
• A inadequação dos estimadores de variância padrão (robustos à heterocedasticidade ou em cluster) para capturar a estrutura de correlação específica desses estimandos.

2. Metodologia

Os autores desenvolvem um quadro unificado de inferência baseado no desenho, utilizando o framework de potenciais resultados em população finita e a teoria de Estatísticas U.

Definição do Estimando

O estimando GCE é definido como uma média de contrastes sobre todos os pares ordenados distintos de unidades na população:
$$\lambda(a, 1-a) = \frac{1}{N(N-1)} \sum_{1 \le i \neq j \le N} w\{Y_i(a), Y_j(1-a)\}$$
Onde $w$ é uma função de contraste arbitrária (não necessariamente linear).

Estratégias de Estimadores

O artigo propõe e analisa duas classes de estimadores de regressão para ajustar covariáveis:

1. Baseados em Pares Individuais: Utilizam as observações diretas de cada par $(i, j)$ como unidade de análise.
2. Baseados em Médias de Pares por Unidade: Agregam os contrastes para cada unidade $i$ em relação a todos os outros $j$, criando variáveis de resposta por unidade.

Dentro de cada classe, são considerados três tipos de especificação de modelo de regressão (semelhantes a Lin, 2013, para ATE):

• Tipo Neyman: Apenas indicadores de tratamento.
• Tipo Fisher (ANCOVA): Indicadores de tratamento + covariáveis.
• Tipo Lin: Indicadores de tratamento + interações tratamento-covariável.

Inferência e Variância

Um ponto crucial é a derivação de estimadores de variância consistentes. Os autores demonstram que:

• Estimadores robustos padrão (HR - heterocedasticidade-robusta e CR - cluster-robusta) são inconsistentes neste contexto.
• O estimador de cluster bidirecional (TW) padrão é consistente para as variâncias marginais, mas falha em capturar a covariância entre as estimativas de tratamento e controle, tornando-se anti-conservador para o benefício líquido.
• Solução Proposta: Um estimador de variância de cluster bidirecional completo (CTW), que contabiliza explicitamente a dependência de dois caminhos (pares compartilhando unidades) e os efeitos reversos (comparações $i$ vs $j$ e $j$ vs $i$).

3. Principais Contribuições Teóricas

1. Consistência e Normalidade Assintótica:

   • Provaram que todos os estimadores de regressão (baseados em pares individuais ou médias) são consistentes e assintoticamente normais para o estimando GCE, mesmo sob especificação arbitrária do modelo (model-assisted). Isso valida o uso de regressão como uma ferramenta de ajuste sem depender da correção do modelo de trabalho.

2. Limites da Eficiência do Ajuste de Covariáveis:

   • Diferentemente do ATE linear, onde o ajuste de covariáveis (especificação interativa completa) garante ganhos de eficiência ou, no mínimo, não perde eficiência, para funções de contraste não lineares, não há garantia universal de ganho de eficiência.
   • O ajuste pode, teoricamente, reduzir a eficiência dependendo da estrutura dos dados, embora empiricamente funcione bem quando as covariáveis são prognósticas.

3. Teoria de Variância Robusta:

   • Demonstraram a inconsistência dos estimadores de variância tradicionais (HR, CR, TW) para este contexto.
   • Derivaram e provaram a consistência do estimador CTW (Complete Two-Way), que é necessário para inferência válida sobre o benefício causal líquido ($\tau$).

4. Conexão com Modelos de Índice Probabilístico (PIM):

   • Estabeleceram que os estimadores lineares de PIM são equivalentes assintoticamente aos estimadores de regressão baseados em pares, validando-os como estimadores assistidos por modelo para o benefício causal líquido.

4. Resultados

Simulações

Os autores realizaram estudos de simulação extensivos com desfeços univariados e compostos (multivariados/ordinais):

• Viés e Cobertura: Todos os estimadores de regressão mostraram-se não viesados e com cobertura de intervalos de confiança próxima ao nível nominal (95%) quando utilizando o estimador de variância CTW.
• Eficiência: Quando as covariáveis são prognósticas, os estimadores ajustados tendem a ser mais eficientes (menor erro padrão empírico) do que os não ajustados. No entanto, quando as covariáveis são não informativas ou ruidosas, o ajuste não melhora a eficiência e pode, em alguns casos, piorá-la, confirmando a falta de garantia universal de eficiência.
• Desempenho de Variância: O estimador CTW foi o único a fornecer estimativas de variância consistentes e cobertura correta. Os estimadores HR, CR e TW falharam em cobrir a variância real, especialmente para o estimando de benefício líquido.

Estudo de Caso (BestAIR)

Aplicaram a metodologia aos dados do ensaio clínico BestAIR (tratamento CPAP para apneia do sono).

• Analisaram desfeços de pressão arterial sistólica e sonolência diurna.
• Os resultados confirmaram a eficácia do CPAP (benefício líquido positivo).
• Os estimadores ajustados por covariáveis produziram erros padrão menores e intervalos de confiança mais estreitos em comparação aos não ajustados, demonstrando ganhos práticos de eficiência em dados reais.

5. Significado e Conclusão

Este trabalho preenche uma lacuna teórica crítica na inferência causal para ensaios aleatorizados com desfeços complexos.

• Validação Prática: Permite que pesquisadores utilizem técnicas de ajuste de regressão (ANCOVA, interações) para estimandos não lineares (como Mann-Whitney) com garantia de consistência, mesmo que o modelo esteja errado.
• Alerta de Eficiência: Adverte contra a crença de que o ajuste de covariáveis é sempre benéfico para estimandos não lineares, distinguindo-os do caso linear clássico.
• Requisito de Variância: Estabelece que a inferência válida para esses estimandos exige estimadores de variância específicos (CTW) que capturem a estrutura de dependência de pares, evitando conclusões falsas positivas ou negativas ao usar métodos padrão.

Em suma, o artigo fornece o arcabouço teórico e as ferramentas práticas necessárias para analisar ensaios clínicos modernos com desfeços complexos, garantindo rigor estatístico sob o framework de inferência baseada no desenho.