Refined Inference for Asymptotically Linear Estimators with Non-Negligible Second-Order Remainders

Resumo Técnico: Inferência Refinada para Estimadores Assintoticamente Lineares com Resíduos de Segunda Ordem Não Negligenciáveis

1. O Problema: A Falha da Inferência Padrão no Regime de Fronteira

O artigo aborda uma lacuna crítica na teoria de estimadores semiparamétricos modernos (como TMLE, AIPW e DML). Tradicionalmente, a inferência para esses estimadores baseia-se na expansão de von Mises, onde o estimador $\hat{\Psi}$ é decomposto em um termo de primeira ordem (função de influência eficiente) e um resíduo de segunda ordem ($R_{rem}$).

• A Premissa Padrão: Assume-se que, para grandes amostras, o resíduo $R_{rem}$ é negligenciável tanto em média quanto em variância. Consequentemente, intervalos de confiança (IC) baseados no "sandwich" (variância empírica da função de influência) são considerados válidos.
• O Regime de Fronteira (Near-Boundary Regime): O autor identifica que, em cenários práticos comuns (especialmente com estimadores de nuisance não paramétricos ou em dimensões crescentes), os estimadores operam exatamente no limite da taxa de produto ($O_P(n^{-1/4})$).
• A Consequência: Neste regime, embora o estimador seja assintoticamente linear (consistente em ponto), a variância do resíduo de segunda ordem não é negligenciável em relação à variância da função de influência.
  • O estimador de variância "sandwich" padrão estima apenas a variância da função de influência ($\sigma^2_{EIF}/n$), ignorando a variância induzida pelo resíduo ($Var(R_{rem})$).
  • Isso resulta em uma subestimação sistemática da variância total, levando a intervalos de confiança que cobrem menos do que o nível nominal (ex: 87-91% em vez de 95%), mesmo em amostras grandes.

2. Metodologia e Desenvolvimento Teórico

O artigo desenvolve uma teoria geral para este regime, estendendo-se de dados i.i.d. para dados agrupados (clustered).

A. Decomposição de Variância em Amostra Finita
O autor deriva uma decomposição exata da variância do erro quadrático médio:
$$Var(\hat{\Psi} - \Psi(P_0)) = \frac{\sigma^2_{EIF}}{n} + Var(R_{rem}) + 2Cov(\bar{D}_n, R_{rem}) + o(n^{-1})$$

• O termo "sandwich" padrão captura apenas o primeiro componente.
• No regime de fronteira, $n \cdot Var(R_{rem}) \to c_R > 0$, tornando o segundo componente não negligenciável e constante assintoticamente.

B. Teorema de Consistência do Sandwich
É estabelecida uma condição necessária e suficiente para que o estimador de variância sandwich seja consistente para a variância total: a forte negligibilidade do resíduo ($n \cdot Var(R_{rem}) \to 0$).

• O artigo prova que a condição padrão de taxa de produto ($O_P(n^{-1/2})$ para o produto dos erros) garante a linearidade assintótica, mas não garante a consistência do sandwich para a variância total.

C. Estimadores de Variância Refinados
Para corrigir a subestimação, são propostos três métodos que capturam a variância total (incluindo o resíduo):

1. Jackknife "Leave-One-Unit-Out" (LOO):

   • Calcula o estimador removendo uma unidade de cada vez.
   • Demonstra-se que a variância jackknife converge para a variância total ($\sigma^2_{EIF} + c_R$), corrigindo automaticamente o viés do sandwich.
   • É assintoticamente válido mesmo no regime de fronteira, desde que haja estabilidade do estimador de nuisance ao remover uma observação.

2. Bootstrap de Pares (Pairs Cluster Bootstrap):

   • Resampleia clusters inteiros (para dados agrupados) ou unidades (para i.i.d.).
   • Captura a distribuição completa da amostragem, incluindo a variabilidade do resíduo.
   • Permite a construção de intervalos BCa (Bias-Corrected and Accelerated) para correção de segunda ordem (cobertura $O(n^{-1})$).

3. Correção Heterocedástica (HC) via Fator de Inflação:

   • Propõe-se um multiplicador $\hat{\rho} = \hat{V}_{JK} / \hat{V}_{Sand}$.
   • O intervalo corrigido é $\hat{\Psi} \pm z_{\alpha/2} \sqrt{\hat{\rho} \cdot \hat{V}_{Sand}}$.
   • Teoricamente, este intervalo é numericamente idêntico ao intervalo Wald Jackknife, mas oferece uma interpretação computacional mais intuitiva como uma correção de escala do sandwich.

D. Extensão para Dados Agrupados (Clustered Data)

• O artigo analisa como a correlação intra-classe (ICC) amplifica a lacuna de variância.
• Deriva-se uma fórmula analítica mostrando que a lacuna entre a variância real e a estimativa sandwich é amplificada por um fator proporcional ao ICC e ao tamanho do cluster ($m$). Isso explica por que o problema é particularmente agudo em Ensaios Controlados Randomizados em Escada (SW-CRTs).

3. Resultados Principais (Simulações)

O estudo de simulação foca no estimador SA-TMLE (Targeted Minimum Loss Estimator assistido por surrogate) em ensaios SW-CRTs e em estimadores AIPW.

• Desempenho do Sandwich:

  • Em dados agrupados com ICC $\approx 0.05$, o intervalo de confiança sandwich sofre de subcobertura persistente (4 a 12 pontos percentuais abaixo do nominal) em todos os tamanhos de amostra testados ($J \in \{10, 30, 50, 100\}$).
  • A razão de variância $\hat{\rho} = \hat{V}_{JK} / \hat{V}_{Sand}$ permanece constante e significativamente maior que 1 (entre 1.14 e 1.38), confirmando o regime de fronteira.

• Desempenho dos Métodos Refinados:

  • Jackknife: Restaura a cobertura para o nível nominal (aprox. 95%) em todos os cenários.
  • Bootstrap: Também restaura a cobertura, mas em clusters pequenos ($J=30$), o bootstrap de pares mostrou instabilidade e cobertura ligeiramente inferior ao Jackknife, sugerindo que o Jackknife é mais robusto para amostras pequenas de clusters.
  • Cenário de Decaimento Forte: Em simulações com modelos paramétricos corretamente especificados (onde a taxa de convergência é mais rápida que o limite), a razão $\hat{\rho}$ converge para 1, e o sandwich torna-se válido, validando a teoria de que o problema é específico do regime de fronteira.

4. Contribuições Chave

1. Caracterização Teórica: Identificação formal do "regime de fronteira" onde a linearidade assintótica não implica inferência válida (cobertura correta).
2. Teorema de Consistência: Prova de que a consistência do sandwich requer uma condição estritamente mais forte (decaimento forte do resíduo) do que a condição de taxa de produto padrão.
3. Solução Prática: Desenvolvimento e validação de estimadores de variância (Jackknife, Bootstrap, HC-correction) que são válidos assintoticamente neste regime difícil.
4. Diagnóstico Empírico: Proposta do uso da razão de variância $\hat{\rho}$ como uma ferramenta diagnóstica prática. Se $\hat{\rho} > 1.15$, indica operação no regime de fronteira e a necessidade de usar métodos refinados.
5. Análise de Dados Agrupados: Demonstração de como a correlação intra-classe exacerba o problema, fornecendo uma explicação analítica para falhas de cobertura em ensaios clustarizados.

5. Significado e Impacto

Este trabalho é fundamental para a prática de aprendizado de máquina causal e inferência semiparamétrica. Ele alerta que:

• A "linearidade assintótica" não é garantia de intervalos de confiança válidos em amostras finitas quando se opera no limite de taxas de convergência.
• O uso cego do estimador de variância "sandwich" em estimadores como TMLE e DML, especialmente em dados agrupados ou com modelos complexos de nuisance, pode levar a conclusões estatísticas falsamente precisas (falsos positivos devido a intervalos muito estreitos).
• A solução proposta (Jackknife ou Bootstrap) é computacionalmente viável e teoricamente fundamentada, oferecendo uma correção necessária para a calibração de inferência em cenários modernos de dados complexos.

Em resumo, o artigo fornece a "ponte" teórica e prática para realizar inferência correta quando os estimadores de segunda ordem não desaparecem rapidamente o suficiente, um cenário que o autor argumenta ser o padrão em muitas aplicações práticas, e não uma exceção exótica.