Investigating Targeting Strategies and Truncation in TMLE for the Average Treatment Effect under Practical Positivity Violations

Resumo Técnico: Investigação de Estratégias de Focalização e Truncamento no TMLE sob Violações Práticas de Positividade

Autores: Yichen Xu, Susan Gruber e Mark J. van der Laan.
Contexto: Estimativa de Efeitos Médios de Tratamento (ATE) em dados observacionais.

1. O Problema

A estimativa de efeitos causais a partir de dados observacionais enfrenta desafios significativos quando a hipótese de positividade é violada na prática.

• Violação Teórica vs. Prática: Uma violação teórica ocorre quando a probabilidade de receber um tratamento é zero ou um em um subgrupo (impossibilidade de estimar o contrafactual). Uma violação prática ocorre quando essa probabilidade é não nula, mas extremamente baixa ou rara nos dados observados.
• Consequências: Em violações práticas, os pesos de probabilidade inversa (IPW) tornam-se extremos, levando a estimadores instáveis, viés sistemático elevado e variância inflada.
• Limitação do TMLE: O Estimador de Máxima Verossimilhança Focalizado (TMLE) é amplamente utilizado por sua dupla robustez e eficiência, mas permanece sensível a essas violações. A literatura carece de comparações sistemáticas entre diferentes estratégias de focalização e regras de truncamento sob variados graus de violação de positividade e má especificação do modelo de resultado.

2. Metodologia

Os autores realizaram estudos de simulação extensivos para avaliar o desempenho do TMLE sob diferentes cenários.

A. Estratégias de Focalização (Targeting Strategies)
O estudo compara duas abordagens para a etapa de atualização (flutuação) do TMLE:

1. Focalização Ponderada pela Perda (Loss-weighted targeting - $g_{Wt}$): Incorpora os fatores de probabilidade inversa diretamente na função de perda (log-verossimilhança ponderada).
2. Focalização Escalonada pela Covariável Inteligente (Clever-covariate-scaled targeting - $g_{H}$): Mantém a função de perda não ponderada e incorpora os fatores de probabilidade inversa através da "covariável inteligente" no modelo de flutuação.

B. Truncamento e Seleção Adaptativa
Para estabilizar os estimadores, aplica-se um truncamento aos escores de propensão estimados ($\hat{g}$):
$$\hat{g}(W) \leftarrow \max\{\hat{g}(W), b\}, \quad \text{onde } b = \frac{c}{\sqrt{n} \ln n}$$
O estudo investiga:

• Regras Fixas: Valores comuns de $c$ (ex: 5 e 6).
• Seleção Adaptativa (Método Lepski com "Freio"): Propõe-se um procedimento adaptativo que percorre uma grade de níveis de truncamento ($c_1 < c_2 < \dots < c_K$). O algoritmo avança para um nível de truncamento mais fraco (menor $c$) apenas se a mudança no estimador for estatisticamente significativa em relação ao aumento da incerteza (largura do intervalo de confiança).
• Mecanismo de "Freio" (Brake): Para evitar a seleção de $c$ muito pequenos (que causam instabilidade), o método define uma região de ancoragem baseada no estimador mais truncado ($c_{max}$) e expande o raio de tolerância com um fator que cresce lentamente ($z_n \propto \sqrt{\log n}$), impedindo movimentos para níveis de truncamento instáveis quando as estimativas de variância são pouco confiáveis.

C. Estimativa de Variância
O artigo avalia três métodos para construção de intervalos de confiança:

1. Baseado na Função de Influência Eficiente (EIF): Teoricamente válido, mas tende a subestimar a variância na presença de pesos extremos.
2. Plug-in: Decompõe a variância incluindo a variância condicional do resultado, corrigindo parcialmente o viés de subestimação.
3. Bootstrap Focalizado (Targeted Bootstrap - TB): Mantém os estimadores de "nuisance" (propensão e resultado) fixos e reestima apenas o parâmetro de flutuação em amostras bootstrap. Oferece uma alternativa estável.

D. Cenários de Simulação

• Tamanhos de Amostra ($n$): 500, 1.000, 2.000.
• Má Especificação do Modelo de Resultado: De altamente mal especificado (omissão de covariáveis) a quase corretamente especificado.
• Severidade da Violação de Positividade: Controlada por um parâmetro de escala ($\kappa_{pos}$), variando de leve a severa (escores de propensão próximos de 0 ou 1).

3. Principais Resultados

A. Desempenho das Estratégias de Focalização

• $g_{Wt}$ (Ponderada pela Perda): Sob violações práticas de positividade, esta estratégia sofre de viés sistemático substancial. O aumento do nível de truncamento reduz a variância, mas não corrige o viés, resultando em erros quadráticos médios (MSE) altos e cobertura de intervalos de confiança que colapsa (próxima de zero).
• $g_{H}$ (Escalonada pela Covariável Inteligente): Demonstra-se superior. Embora a variância seja alta com truncamento fraco, o viés é controlável. À medida que o truncamento aumenta, tanto o viés quanto a variância diminuem, atingindo um ponto ótimo onde o MSE é minimizado e a cobertura se aproxima de 95%.

B. Nível de Truncamento e Tamanho da Amostra

• Não existe um nível de truncamento universalmente ótimo. O nível ideal aumenta com o tamanho da amostra.
• Para $n=500$, truncamentos moderados (ex: $c=5$) funcionam melhor.
• Para $n=2.000$, truncamentos mais agressivos (ex: $c=7$ a $10$) tendem a ter melhor desempenho.
• Regras fixas como $c=5$ e $c=6$ são robustas e servem como boas default, mas não são ótimas para todos os tamanhos de amostra.

C. Eficácia do Método Lepski com "Freio"

• O procedimento adaptativo proposto supera as regras fixas ao evitar tanto o regime de alta variância (truncamento insuficiente) quanto o regime de viés dominante (truncamento excessivo).
• O mecanismo de "freio" é crucial para garantir estabilidade quando a seleção de Lepski se torna instável devido a variâncias estimadas flutuantes em violações severas de positividade.

D. Estimativa de Variância

• O estimador baseado em EIF subestima drasticamente a variância na presença de pesos extremos, levando a intervalos de confiança inválidos (cobertura muito baixa).
• O estimador Plug-in melhora a situação, mas ainda pode ser insuficiente.
• O Bootstrap Focalizado (TB) fornece estimativas de variância mais estáveis e próximas da variância real (Monte Carlo), sendo a escolha mais conservadora e segura para inferência válida, especialmente em cenários severos.

4. Significância e Contribuições

1. Superioridade da Focalização Escalonada: O trabalho estabelece empiricamente que, sob violações de positividade, a estratégia de focalização escalonada pela covariável inteligente ($g_{H}$) é superior à ponderada pela perda ($g_{Wt}$), pois lida melhor com a heterogeneidade dos pesos de probabilidade inversa.
2. Procedimento Adaptativo Robusto: A proposta de um método de seleção de truncamento baseado em Lepski, equipado com um mecanismo de "freio" de segurança, oferece uma solução prática para a escolha de parâmetros de truncamento sem depender de heurísticas fixas que podem ser subótimas.
3. Diretrizes para Variância: O estudo valida que, em cenários de positividade violada, a inferência baseada apenas na variância assintótica padrão (EIF) é perigosa. O uso de Bootstrap Focalizado ou estimadores Plug-in é essencial para manter a validade dos intervalos de confiança.
4. Dependência do Tamanho da Amostra: Demonstra que a escolha do parâmetro de truncamento deve ser dinâmica em relação ao tamanho da amostra, desafiando a prática comum de usar um único valor fixo para todos os estudos.

Em suma, o artigo fornece um guia prático e teoricamente fundamentado para a aplicação do TMLE em cenários do mundo real onde a positividade é fraca, recomendando o uso da estratégia $g_{H}$, a seleção adaptativa de truncamento com freio e a estimativa de variância via Bootstrap Focalizado.