Resumo Técnico: Identificação e Estimação do Efeito Médio Condicional de Tratamento (CATE) com Dados Ausentes Não Ignoráveis

1. O Problema

Em estudos observacionais de avaliação de políticas, ciências sociais e medicina de precisão, o Efeito Médio Condicional de Tratamento (CATE) é fundamental para entender como intervenções afetam indivíduos de forma heterogênea. No entanto, na prática, covariáveis, tratamentos e desfechos são frequentemente observados apenas parcialmente.

O desafio central abordado neste trabalho é o cenário de Dados Ausentes Não Ignoráveis (MNAR - Missing Not At Random), onde a probabilidade de um dado estar ausente depende de seu próprio valor não observado ou de outros valores não observados.

• Limitações das abordagens atuais: Métodos padrão como Análise de Casos Completos (CCA), Imputação Múltipla (MI) e Ponderação por Probabilidade Inversa (IPW) assumem que os dados são Ausentes Completamente ao Acaso (MCAR) ou Ausentes ao Acaso (MAR). Sob MNAR, essas técnicas produzem estimativas viesadas.
• Complexidade Multivariada: A literatura existente foca principalmente na identificação do Efeito Médio de Tratamento (ATE) ou em cenários onde apenas algumas variáveis são MNAR. Há uma lacuna significativa na identificação e estimação do CATE quando covariáveis, tratamento e desfecho estão simultaneamente sujeitos a mecanismos MNAR complexos, incluindo auto-censura (onde o valor do desfecho influencia sua própria ausência).

2. Metodologia e Estrutura Teórica

Os autores propõem um framework para estudos prospectivos, onde covariáveis ($X$) e tratamento ($T$) são medidos antes do desfecho ($Y$). Isso permite assumir que $(Y, R_Y)$ não influenciam a ausência de $X$ ou $T$.

2.1. Identificação Não Paramétrica

O artigo estabelece condições sob as quais o CATE, definido como $\tau_{t_1,t_0}(x) = E\{Y(t_1) - Y(t_0) | X = x\}$, é identificável sob três mecanismos específicos de ausência no desfecho ($R_Y$), mantendo a estrutura geral de ausência para $X$ e $T$:

1. Suposição 1 (Ausência Independente do Desfecho): $R_Y$ é condicionalmente independente de $Y$ dado $(X, T, R_X, R_T)$.
   • Resultado: O CATE é identificável apenas com casos completos (CCA), pois a distribuição condicional $P(Y|X,T)$ é recuperável.
2. Suposição 2 (Ausência Independente do Tratamento): $R_Y$ é condicionalmente independente de $T$ dado $(X, Y, R_X, R_T)$. Permite que $Y$ afete sua própria ausência (auto-censura).
   • Resultado: Requer uma condição de completude (completeness condition) onde o tratamento $T$ atua como uma "variável sombra" associada a $Y$, mas não afetando sua ausência. Se $Y \perp T | X$, o efeito nulo é identificável mesmo sem completude.
3. Suposição 3 (Ausência Independente das Covariáveis): $R_Y$ é condicionalmente independente de $X$ dado $(T, Y, R_X, R_T)$. Também permite auto-censura.
   • Resultado: Requer que uma componente das covariáveis ($X_{id}$) satisfaça a condição de completude, atuando como variável sombra.

Diferença Crucial: O artigo demonstra que o CATE pode ser identificável sob condições mais fracas do que o ATE. Enquanto recuperar a distribuição conjunta completa $(X, T, Y)$ pode ser impossível sob MNAR, recuperar a distribuição condicional $P(Y|X,T)$ (necessária para o CATE) é possível sob as Suposições 2 e 3.

2.2. Estratégias de Estimação

Para estimar o CATE sob as Suposições 2 e 3 (onde casos completos são viesados), os autores desenvolvem dois estimadores:

1. Estimador Não Paramétrico (Série 2SLS):
   • Baseia-se na resolução de uma equação integral de Fredholm para recuperar a função de odds de resposta ($\zeta$).
   • Utiliza uma aproximação por séries (sieve) e regularização quadrática para lidar com a natureza mal-posta da equação.
   • Aplica pesos baseados na odds estimada para corrigir o viés de seleção em uma regressão não paramétrica.
2. Estimador Paramétrico (Algoritmo EM):
   • Utiliza o algoritmo Expectation-Maximization (EM) com imputação fracionária (Fractional Imputation).
   • Modela parametricamente o desfecho e a probabilidade de resposta.
   • É mais estável numericamente e facilita a análise de sensibilidade.

2.3. Análise de Sensibilidade

O framework permite uma análise de sensibilidade robusta. Como cada suposição (1, 2 ou 3) remove exatamente um caminho de dependência para $R_Y$, a sensibilidade é testada reintroduzindo esse caminho através de um parâmetro de deslocamento ($\delta$) na escala de log-odds. Isso quantifica o quanto as conclusões mudam se a suposição de ausência for violada.

3. Contribuições Principais

1. Identificação Não Paramétrica sob MNAR Multivariado: Estabelece teoremas que provam a identificabilidade do CATE mesmo quando covariáveis, tratamento e desfecho são MNAR, desde que restrições específicas (mas flexíveis) sejam impostas sobre o mecanismo de ausência do desfecho.
2. Distinção CATE vs. ATE: Demonstra teoricamente e através de contraexemplos que o CATE pode ser identificável sob condições onde o ATE não é, pois o CATE depende apenas da distribuição condicional do desfecho, não da distribuição conjunta completa.
3. Desenvolvimento de Estimadores: Propõe métodos práticos (Série 2SLS e EM) para implementar essas identificações, superando a limitação de métodos existentes que falham em cenários de auto-censura multivariada.
4. Framework de Sensibilidade Unificado: Oferece uma estrutura sistemática para avaliar a robustez das inferências causais contra violações das suposições de ausência.

4. Resultados

4.1. Estudo de Simulação

• Cenário 1 (Suposição 1): O estimador de Casos Completos (CCA) é não viesado, conforme esperado.
• Cenário 2 e 3 (Suposições 2 e 3):
  • Métodos padrão (CCA, MI, IPW) apresentam viés substancial.
  • Os estimadores propostos (NP e Para) permanecem quase não viesados quando a condição de completude é satisfeita.
  • Quando a condição de completude falha (ex: tratamento binário com desfecho contínuo), o estimador não paramétrico (NP) pode apresentar viés, enquanto o estimador paramétrico (Para) mantém o desempenho se o modelo paramétrico for correto (devido à completude inerente a certas famílias paramétricas).
  • O estimador "Para (full)", que tenta modelar a distribuição conjunta completa, mostra viés, reforçando a necessidade de focar apenas no objeto identificável ($P(Y|X,T)$).

4.2. Aplicação Real: National Job Corps Study (NJCS)

• Contexto: Avaliação do efeito da obtenção de credenciais educacionais ($T$) sobre os ganhos semanais ($Y$), ajustado por covariáveis de linha de base ($X$).
• Dados: Altas taxas de ausência (até 21% em $T$ e $Y$, e variáveis sensíveis como histórico de prisão e renda prévia).
• Resultados:
  • Todas as especificações (CCA, MI, NP, Para) sob as Suposições 1, 2 e 3 indicam um efeito positivo e estatisticamente significativo da obtenção de credenciais sobre os ganhos para o perfil de referência.
  • A análise de sensibilidade (variando $\delta$ entre -2 e 2) mostrou que o efeito positivo permanece robusto, mesmo sob violações moderadas das suposições de ausência.
  • O estimador paramétrico foi recomendado como abordagem principal devido à estabilidade, com o não paramétrico servindo como verificação de robustez.

5. Significância e Implicações

Este trabalho preenche uma lacuna crítica na inferência causal observacional. Ao permitir a identificação do CATE sob mecanismos MNAR complexos e multivariados, ele oferece uma ferramenta poderosa para pesquisadores que lidam com dados sensíveis (como renda, saúde ou comportamento criminal) onde a ausência de dados não é aleatória.

A principal contribuição prática é a demonstração de que não é necessário recuperar toda a distribuição conjunta dos dados para obter estimativas causais válidas para decisões individuais (CATE). Isso permite análises mais realistas em estudos onde a perda de dados é sistemática e dependente dos valores não observados, fornecendo um caminho para evitar conclusões enviesadas que seriam inevitáveis com métodos tradicionais de imputação ou exclusão de casos.

O código e os dados para reprodução estão disponíveis publicamente, facilitando a adoção desses métodos na comunidade estatística e de ciência de dados.