Testing Partially-Identifiable Causal Queries Using Ternary Tests

Resumo Técnico: Testando Consultas Causais Parcialmente Identificáveis Usando Testes Ternários

1. Problema e Motivação

O artigo aborda o desafio de realizar testes de hipóteses para consultas causais binárias (ex: "existe uma aresta causal?" ou "o efeito causal é zero?") utilizando apenas dados observacionais.

• Identificabilidade Parcial: Em muitos cenários causais (devido a confundidores não observados, violações de positividade, etc.), a mapeamento de modelos causais para distribuições observacionais não é injetivo (um-para-um). Isso significa que consultas causais são frequentemente parcialmente identificáveis.
• Limitação dos Testes Binários: Quando se utilizam testes estatísticos binários tradicionais (Rejeitar $H_0$ ou Não Rejeitar $H_0$) para consultas parcialmente identificáveis, ocorre um problema de interpretação:
  • Rejeitar $H_0$ implica que a consulta causal é verdadeira (valor 1).
  • Não rejeitar $H_0$ é ambíguo: Pode significar que a consulta é falsa (valor 0) OU que a distribuição observacional pertence à interseção entre os conjuntos induzidos por $H_0$ e $H_1$ (a região de não-identificabilidade).
  • Consequentemente, um teste binário falha em distinguir entre "efeito nulo" e "impossibilidade de identificar o efeito" a partir dos dados observacionais.

2. Metodologia Proposta

Os autores propõem a utilização de testes estatísticos ternários (com três resultados possíveis) para resolver essa ambiguidade.

• Saídas do Teste Ternário:

  1. Rejeitar $H_0$ (Saída 0): A distribuição pertence estritamente ao conjunto induzido pela hipótese nula causal ($R_0 = H_0 \setminus H_1$). Conclusão causal exata: a consulta é 0.
  2. Não Rejeitar $H_0$ (Saída 1): A distribuição pertence estritamente ao conjunto induzido pela hipótese alternativa causal ($R_1 = H_1 \setminus H_0$). Conclusão causal exata: a consulta é 1.
  3. Não Identificável (Saída 2): A distribuição pertence à interseção ($R_2 = H_0 \cap H_1$). Conclusão: o dado observacional é insuficiente para determinar o valor da consulta causal.

• Estrutura Teórica:

  • O espaço de distribuições observacionais $W$ é particionado em três conjuntos disjuntos: $R_0, R_1, R_2$.
  • O trabalho define desiderata de consistência e controle de erro (uniforme e assintótico) para esses testes ternários.
  • Condições Topológicas: Os autores estabelecem condições topológicas equivalentes na topologia fraca de medidas de probabilidade para a existência de "bons" testes ternários. Especificamente, a existência de um teste consistente depende de que os conjuntos de hipóteses sejam fechados ou $F_\sigma$ (união contável de conjuntos fechados) na topologia fraca.

• Testes Ternários de Duas Etapas (Two-Stage):

  • Para aproveitar a vasta "caixa de ferramentas" de testes binários existentes, os autores propõem construir testes ternários combinando dois testes binários sequencialmente.
  • Existem duas configurações principais:
    • Split-Null (SN): O primeiro teste separa $R_2$ (interseção) de $R_0 \cup R_1$. Se não rejeitar, testa-se $R_0$ vs $R_1$.
    • Split-Alternative (SA): O primeiro teste separa $R_0$ de $R_1 \cup R_2$. Se rejeitar, testa-se $R_1$ vs $R_2$.
  • Teorema de Completude: O artigo prova que os testes de duas etapas são completos. Ou seja, as condições topológicas necessárias para a existência de qualquer teste ternário "bom" são as mesmas necessárias para a existência de um teste de duas etapas "bom". Isso garante que não é necessário criar novos testes estatísticos do zero; basta combinar testes binários adequados.

3. Contribuições Principais

1. Formalização de Testes Ternários para Causalidade: Estabelecimento rigoroso de como testes ternários resolvem o problema da não-identificabilidade parcial, fornecendo saídas interpretáveis causalmente ("0", "1" ou "Não Identificável").
2. Caracterização Topológica: Derivação de condições topológicas necessárias e suficientes (fechamento e propriedades $F_\sigma$) para a existência de testes ternários consistentes com controle de erro uniforme.
3. Completude dos Testes de Duas Etapas: Prova teórica de que combinar testes binários existentes é suficiente para atingir os limites de controle de erro de qualquer teste ternário ideal, simplificando a implementação prática.
4. Guia Prático de Construção: Desenvolvimento de uma "árvore de decisão" baseada nas propriedades topológicas dos conjuntos de hipóteses ($R_0, R_1, R_2$) para orientar o praticante na escolha da estrutura de duas etapas (SN ou SA) que oferece o melhor controle de erro para o problema específico.

4. Resultados e Aplicações

Os autores demonstram a aplicação do framework em dois problemas concretos:

• Teste das Desigualdades da Variável Instrumental (IV):

  • Contexto: Verificar se os dados observacionais violam as desigualdades de IV (Pearl, 1995), o que indicaria que o modelo de IV não é válido.
  • Desafio: A violação da positividade (alguns valores do instrumento nunca ocorrem) cria uma região de não-identificabilidade ($R_2$).
  • Solução: Um teste de duas etapas (SA) que primeiro testa a positividade. Se a positividade for violada, o resultado é "Não Identificável" (2). Caso contrário, testa-se a desigualdade de IV.
  • Validação: Aplicado ao conjunto de dados de admissão da UC Berkeley, o teste confirmou que as desigualdades de IV são satisfeitas.

• Comparação de Eficácia de Tratamento:

  • Contexto: Comparar a eficácia de um tratamento ($P(Y=1|do(X=1))$) contra um limiar $c$ usando dados observacionais.
  • Solução: Uso das Limites de Manski para definir os conjuntos de distribuições. Um teste de duas etapas (SN) compara a eficácia contra o limiar, distinguindo entre "eficaz", "ineficaz" e "não identificável" (quando os limites de Manski não são suficientemente estreitos).
  • Simulações: Experimentos numéricos mostram que o teste proposto (Algoritmo 2) possui maior Probabilidade de Detecção Correta (PCD) em comparação com uma abordagem ingênua baseada em intervalos de confiança para os limites de Manski, especialmente para tamanhos de amostra moderados.

5. Significado e Impacto

Este trabalho preenche uma lacuna crítica na inferência causal observacional. Ao introduzir a saída "Não Identificável" como um resultado estatístico válido e formalmente controlado, os autores evitam conclusões falsas que surgem quando se força uma decisão binária em cenários de sobreposição de distribuições.

A descoberta de que testes de duas etapas são completos é particularmente impactante, pois permite que a comunidade científica utilize imediatamente testes binários maduros e bem estudados para resolver problemas complexos de identificação parcial, sem a necessidade de desenvolver novos algoritmos estatísticos fundamentais. O framework oferece uma ponte teórica sólida entre a teoria da identificação causal e a prática de testes de hipóteses estatísticas.