Generative Synthetic Data for Causal Inference: Pitfalls, Remedies, and Opportunities

Resumo Técnico: Dados Sintéticos Generativos para Inferência Causal

O artigo, intitulado "Generative Synthetic Data for Causal Inference: Pitfalls, Remedies, and Opportunities", aborda a lacuna crítica entre a geração de dados sintéticos para fins de privacidade/predição e a necessidade de preservação de estruturas causais para estimativa de efeitos.

1. O Problema: A Falha da Fidelidade Preditiva

O autor identifica que os modelos generativos atuais (como GANs e LLMs) são otimizados para a fidelidade preditiva (capacidade de reconstruir o dado ou prever o próximo valor) ou fidelidade distributiva (reproduzir a distribuição marginal das variáveis). No entanto, a inferência causal exige a preservação do estimando causal, especificamente o Contraste de Efeito de Tratamento ($\Delta Q(w) = Q(1, w) - Q(0, w)$).

O trabalho formaliza matematicamente que:

• Trade-off de Reconstrução: Em tabelas com muitas covariáveis ($d$), o erro na variável de desfecho ($Y$) é diluído no objetivo de perda global (loss function). O erro no ATE (Average Treatment Effect) é sensível ao erro no contraste, mas modelos de reconstrução conjunta tendem a priorizar as covariáveis, negligenciando o mecanismo de desfecho.
• Falsa Sensação de Utilidade: Um modelo pode apresentar excelente desempenho em testes Train-on-Synthetic-Test-on-Real (TSTR), mas ainda assim produzir estimativas de ATE severamente enviesadas.

2. Metodologia Proposta: A Abordagem Híbrida

Para mitigar esse problema, o autor propõe um framework de geração híbrida que separa os mecanismos de geração:

1. Geração de Covariáveis ($\tilde{W}$): Utiliza um modelo generativo (LLM ou GAN) para sintetizar apenas o vetor de covariáveis, monitorando a similaridade com os dados reais via métrica Distance-to-Closest-Record (DCR).
2. Modelagem de Nuisance Separada: Em vez de deixar o gerador aprender o tratamento e o desfecho de forma conjunta, o framework treina modelos de propensão $\hat{g}(A|W)$ e modelos de desfecho $\hat{Q}(A, W)$ diretamente nos dados reais.
3. Construção de Tripletos $(\tilde{W}, \tilde{A}, \tilde{Y})$: Para cada covariável sintética $\tilde{W}_i$, amostra-se o tratamento $\tilde{A}_i$ da propensão aprendida e o desfecho $\tilde{Y}_i$ do modelo de desfecho.

Além disso, o artigo introduz:

• Aumentação Sintética Direcionada: Para problemas de positividade prática (regiões onde o tratamento é raramente observado), o método pareia observações de propensão extrema com covariáveis sintéticas próximas para estabilizar a estimativa.
• Motor de Simulação Sintética: Um ambiente para realizar testes de estresse em estimadores (OR, IPW, AIPW, TMLE) antes da análise nos dados reais.

3. Principais Contribuições

• Formalização Teórica: Proposições que demonstram o limite de sensibilidade do ATE em relação ao erro de contraste e o trade-off entre reconstrução de covariáveis e erro de desfecho.
• Framework Híbrido: Uma estratégia de pipeline que melhora a fidelidade causal sem sacrificar a privacidade ou a distribuição das covariáveis.
• Estratégia de Overlap: Um método para usar dados sintéticos para "preencher" lacunas de suporte no espaço de covariáveis, melhorando a estabilidade de estimadores de peso (IPW).
• Ferramenta de Diagnóstico: O uso de dados sintéticos como um "simulador de pré-análise" para escolher o melhor estimador com base em viés e variância simulados.

4. Resultados Experimentais

• Melhoria no ATE: Os modelos híbridos (tanto LLM quanto GAN) reduziram o Erro Quadrático Médio (MSE) do ATE em ordens de magnitude em comparação com os modelos puramente generativos (Full).
• Fidelidade de Estimadores: No benchmark do dataset ACTG (estudo de HIV), o simulador híbrido baseado em LLM foi capaz de reproduzir fielmente o comportamento de viés e variância dos estimadores reais, permitindo prever qual estimador (ex: TMLE vs IPW) seria mais robusto.
• Efeito da Aumentação: A técnica de pareamento para problemas de positividade reduziu significativamente o MSE em cenários de baixa sobreposição, embora o autor ressalte que isso não resolve violações estruturais de positividade, mas sim instabilidades de amostragem.

5. Significância e Conclusão

O trabalho muda o paradigma de avaliação de dados sintéticos: fidelidade estatística não é sinônimo de validade causal. A contribuição é fundamental para áreas que utilizam dados sintéticos para compartilhamento de dados sensíveis (saúde, finanças), garantindo que as conclusões científicas extraídas desses dados sejam confiáveis. O artigo posiciona os dados sintéticos não apenas como um substituto para a privacidade, mas como uma ferramenta de engenharia para o design e validação de estudos causais.