Omitted-Variable Sensitivity Analysis for Generalizing Randomized Trials

Título: Análise de Sensibilidade para Variáveis Omitidas na Generalização de Ensaios Aleatorizados

1. O Problema: A Lacuna entre Validade Interna e Externa

Ensaios Controlados Aleatorizados (RCTs) fornecem estimativas de efeitos causais com validade interna robusta. No entanto, generalizar esses resultados para uma população-alvo (onde a intervenção será realmente implementada) enfrenta um desafio fundamental: a validade externa.

• O Desafio: Mesmo quando um RCT é internamente válido, as estimativas podem não se aplicar à população-alvo se houver diferenças nas características dos participantes.
• A Hipótese de Identificação: Os métodos padrão para generalização (como ponderação por probabilidade inversa ou modelagem de resultados) assumem a ignorabilidade de seleção: condicionalmente às covariáveis observadas ($X$), a participação no ensaio ($S$) deve ser independente dos resultados potenciais ($Y$).
• A Falha: Essa hipótese falha quando existem moderadores de efeito não observados ($U$) que:
  1. Influenciam como os indivíduos respondem ao tratamento (heterogeneidade do efeito).
  2. Possuem distribuições diferentes entre a população do ensaio e a população-alvo.
• Consequência: Se $U$ não for medido, os estimadores de transporte padrão produzem viés, e a validade das conclusões depende de suposições não testáveis sobre a ausência desses moderadores ocultos.

2. Metodologia: Decomposição de Viés por Variável Omitida (OVB)

Os autores desenvolvem um framework de análise de sensibilidade baseado na teoria clássica de Viés de Variável Omitida (OVB), adaptado para o contexto de generalização de ensaios.

A. Decomposição Teórica Exata
O núcleo da contribuição teórica é uma identidade exata que decompõe o viés de validade externa em dois componentes distintos:
$$\text{Viés} = \text{Força de Moderação} \times \text{Desequilíbrio do Moderador}$$

• Força de Moderação ($\beta$): Quão fortemente a variável não observada $U$ altera o efeito do tratamento.
• Desequilíbrio do Moderador ($\Delta_U$): Quão diferente a distribuição de $U$ é entre as populações (ensaio vs. alvo), após o ajuste pelas covariáveis observadas $X$.
• Se qualquer um dos componentes for zero, o viés desaparece.

B. Parametrização Livre de Escala ($R^2$ Parcial)
Para tornar os parâmetros de sensibilidade interpretáveis e comparáveis, os autores introduzem uma reparametrização baseada em $R^2$ parciais (inspirada em Cinelli & Hazlett, 2020):

• $R^2_{\tau \sim U | X}$: A proporção da variância residual do efeito do tratamento explicada por $U$ (após ajustar por $X$).
• $R^2_{S \sim U | X}$: A proporção da variância residual da seleção (participação no ensaio) explicada por $U$ (após ajustar por $X$).

Isso permite limites de viés em forma fechada e evita a dependência de escalas arbitrárias.

C. Valores de Robustez e Benchmarking
O método introduz Valores de Robustez (RV): a força mínima de confusão necessária para alterar a conclusão substantiva (ex: mudar o sinal do efeito estimado).

• Benchmarking: Uma vantagem crucial é a capacidade de comparar a força necessária de um moderador não observado com a força de covariáveis observadas. Os pesquisadores podem perguntar: "Um moderador oculto precisaria ser mais forte do que a variável 'idade' ou 'gênero' para invalidar nossas conclusões?"

3. Principais Contribuições

1. Decomposição OVB para Validade Externa: Derivação de uma identidade exata sob um modelo de moderação linear, separando o viés em "força" e "desequilíbrio".
2. Parâmetros de Sensibilidade Baseados em $R^2$ Parcial: Criação de limites em forma fechada que são livres de escala e permitem comparações diretas entre diferentes estudos e resultados.
3. Resumos de Robustez e Benchmarking: Definição de métricas quantitativas (Valores de Robustez) e um procedimento prático para benchmarking contra covariáveis observadas, tornando a análise intuitiva para praticantes.
4. Fluxo de Trabalho Prático: Apresentação de um algoritmo completo (Algoritmo 1) para estimativa, incluindo a combinação de incerteza de amostragem e incerteza de sensibilidade.

4. Resultados e Experimentos

Os autores validaram o método através de simulações sintéticas e semi-sintéticas:

• Cobertura Nominal: As simulações demonstram que os limites de sensibilidade alcançam a cobertura nominal desejada.
• Conservadorismo: O método permanece conservador (ou seja, não subestima o viés) mesmo sob especificação incorreta do modelo (misspecification).
• Comparação com Outros Frameworks: A decomposição OVB oferece vantagens interpretativas claras em comparação com frameworks alternativos (como modelos de sensibilidade marginal ou funções de viés), que muitas vezes carecem de interpretação direta ou são computacionalmente intensivos.
• Visualização: Gráficos de cobertura mostram que os limites são "apertados" (tight), cobrindo o verdadeiro efeito assim que o parâmetro de sensibilidade ultrapassa o valor real da força de moderação.

5. Significado e Impacto

Este trabalho preenche uma lacuna crítica na inferência causal aplicada:

• Tomada de Decisão Baseada em Evidências: Oferece ferramentas para quantificar a incerteza na generalização de resultados de medicina, políticas públicas e tecnologia (ex: testes A/B).
• Transparência: Transforma suposições não testáveis em parâmetros quantificáveis e comparáveis, permitindo que pesquisadores e decisores avaliem a plausibilidade de violações de hipóteses.
• Ponte entre Teoria e Prática: Ao conectar a literatura de generalização com o framework de sensibilidade de variáveis omitidas, o método fornece uma estrutura padronizada para relatar não apenas a estimativa de transporte, mas também a robustez dessa estimativa frente a variáveis não medidas.

Em resumo, o artigo fornece um framework rigoroso e interpretável para responder à pergunta: "Quão forte precisaria ser um fator não medido para mudar nossa conclusão sobre a eficácia de um tratamento em uma nova população?"