Model-Robust Direct Effect Under Confounder-Mediator Ambiguity

Título: Efeito Direto Robusto a Modelos sob Ambiguidade entre Confundidor e Mediador

1. O Problema

Em análises de efeitos diretos, é fundamental distinguir se uma variável focal ($W$) atua como um confundidor pré-exposição (afetando tanto a exposição $A$ quanto o desfecho $Y$) ou como um mediador pós-exposição (sendo afetado por $A$ e afetando $Y$).

• O Dilema: Em estudos observacionais, essa distinção muitas vezes é obscura devido a medições temporais grosseiras, processos evolutivos ou falta de consenso entre especialistas.
• A Consequência: Se $W$ for um confundidor, o efeito direto é geralmente definido como o Efeito Médio de Tratamento (ATE). Se $W$ for um mediador, o efeito direto é definido como o Efeito Direto Natural (NDE).
• O Risco: O artigo demonstra que, em geral, não existe um único estimando baseado em dados observados que recupere simultaneamente o ATE (quando $W$ é confundidor) e o NDE (quando $W$ é mediador). Aplicar um estimador de NDE quando $W$ é, na verdade, um confundidor pré-exposição pode levar a estimativas que não possuem interpretação causal clara, mesmo que sejam numericamente estáveis.

2. Metodologia e Contribuições Principais

O autor propõe uma abordagem para lidar com essa ambiguidade estrutural através de três pilares principais:

A. Impossibilidade de Identificação Única e Condição de Coincidência

• Teorema 1: Prova que não há um funcional de dados observados único que identifique o efeito direto sob ambos os modelos (confundidor e mediador) sem restrições adicionais. As distribuições de ponderação necessárias para cada caso ($F_{W|X}$ vs. $F_{W|A=0,X}$) diferem.
• Condição de Não-Interação Aditiva: O artigo mostra que os parâmetros coincidem apenas se não houver interação aditiva entre a exposição $A$ e a variável $W$ no desfecho $Y$ (Assunção 5).
• Limites de Sensibilidade: Deriva limites de sensibilidade para quantificar o desvio entre o NDE e o parâmetro robusto quando a condição de não-interação é violada.

B. O Estimando Robusto a Modelos ($\psi(P)$)
O autor propõe um novo estimando, denotado por $\psi(P)$, definido como a média do contraste condicional de exposição sobre a distribuição observada de $W$ dada $X$:
$$\psi(P) = E_P \{ \Delta(W, X) \} = E_P \{ Q(1, W, X) - Q(0, W, X) \}$$

• Interpretação Dual (Teorema 3):
  • Se $W$ é um confundidor: $\psi(P)$ equivale ao Efeito Médio de Tratamento (ATE).
  • Se $W$ é um mediador: $\psi(P)$ equivale a um Efeito Direto Intervencional (IDE), onde o mediador é definido por uma intervenção estocástica baseada na distribuição observada condicional a $X$, evitando contrafactuais de "mundo cruzado" (cross-world).
• Unicidade (Teorema 4): Dentro de uma classe natural de efeitos diretos estocásticos "livres de desfecho" (outcome-free), $\psi(P)$ é o único funcional que mantém interpretação causal sob ambos os papéis estruturais de $W$.

C. Estimação e Inferência

• Função de Influência Eficiente: Deriva a função de influência eficiente para $\psi(P)$.
• Estimador Duplamente Robusto: Propõe um estimador de um passo com cross-fitting (ajuste cruzado).
  • Robustez em Dois Níveis:
    1. Nível de Estimando: O alvo $\psi(P)$ é robusto à ambiguidade estrutural (confundidor vs. mediador).
    2. Nível de Estimador: O estimador é duplamente robusto em relação à estimação de variáveis de incômodo (nuisance parameters: regressão de desfecho e escore de propensão), permitindo o uso de métodos de aprendizado de máquina flexíveis.

3. Resultados

Estudo de Simulação

• Foram testados três cenários: (1) $W$ como confundidor com interação; (2) $W$ como mediador sem interação; (3) $W$ como mediador com interação.
• Desempenho: O estimador proposto ($\hat{\psi}^{cf}$) foi essencialmente não viesado em todos os casos e tamanhos de amostra, com cobertura de intervalos de confiança próxima de 95%.
• Comparação: O estimador de fórmula de mediação tradicional (alvejando o NDE) convergiu para valores diferentes de $\psi(P)$ nos cenários com interação ou quando $W$ era um confundidor. Isso demonstra que a discrepância não é falha numérica, mas uma mismatch de estimando (o estimador está respondendo a uma pergunta diferente da pretendida).

Aplicação em Dados Reais (NHANES)

• Contexto: Efeito do fardo elevado de PFAS (substâncias per- e polifluoroalquil) sobre o ácido úrico, com a função renal (eGFR) como variável focal.
• Ambiguidade: A função renal pode ser pré-exposição (menor função renal aumenta PFAS séricos e ácido úrico) ou pós-exposição (PFAS danifica os rins).
• Resultados:
  • O efeito direto robusto a modelos ($\hat{\psi}$) foi estimado em 0.25 mg/dL.
  • O estimador baseado em mediação (tradicional) foi estimado em 0.10 mg/dL.
  • A diferença foi de 0.15 mg/dL (cerca de 59% do efeito robusto).
• Implicação: A análise de mediação tradicional subestimou o efeito direto em comparação com a abordagem robusta, destacando o risco de interpretações errôneas quando a estrutura causal é incerta.

4. Significado e Conclusão

Este trabalho aborda uma lacuna fundamental na inferência causal: a robustez de identificação (model-robustness).

1. Mudança de Paradigma: Em vez de forçar uma escolha estrutural frágil (confundidor vs. mediador) antes da análise, o método propõe um alvo estatístico único que mantém validade causal sob ambas as interpretações.
2. Canonicidade: O estimando proposto não é apenas uma solução prática, mas é matematicamente único dentro de sua classe de efeitos diretos estocásticos.
3. Aplicabilidade Prática: Oferece uma ferramenta para pesquisadores em epidemiologia e ciências sociais onde a ordem temporal de variáveis intermediárias é frequentemente debatida ou desconhecida, garantindo que as conclusões não dependam de suposições estruturais não verificáveis.

Em resumo, o artigo fornece um framework rigoroso para estimar efeitos diretos quando a natureza causal de uma variável intermediária é ambígua, combinando robustez teórica na definição do parâmetro com robustez prática na estimação via métodos semiparamétricos modernos.