Resumo Técnico: Estimativa Máxima de Verossimilhança Alvo Adaptativa da Média do Resultado Potencial sob uma Regra de Tratamento

Formulação do Problema

O artigo aborda o desafio de estimar o resultado contrafactual médio sob uma regra de tratamento fixa $d(W)$ em um cenário de tratamento pontual, denotado como $E[Y^d]$. Este é um problema central na inferência causal e na avaliação de políticas, particularmente ao utilizar dados observacionais onde a atribuição do tratamento não é randomizada.

Um obstáculo crítico nesta estimação é a suposição de positividade, que exige que, para todos os valores de covariáveis $W$ com probabilidade positiva, a pontuação de propensão $g(a|W) = P(A=a|W)$ satisfaça $0 < g(a|W) < 1$. Na prática, violações de positividade ocorrem frequentemente quando certas opções de tratamento são raramente observadas para subgrupos específicos. Estimadores padrão, incluindo a Ponderação por Probabilidade Inversa (IPW), IPW Aumentado (AIPW) e a Estimativa Máxima de Verossimilhança Alvo (TMLE) padrão, dependem de pontuações de propensão inversas ($1/g$) em seus passos de ponderação ou direcionamento. Quando $g$ está próximo de zero, esses métodos tornam-se instáveis, levando a pesos extremos, variância inflada e viés em amostras finitas.

Metodologia

Os autores propõem um framework que evita a ponderação direta por pontuação de propensão inversa, utilizando um modelo de trabalho adaptativo aos dados para o Efeito Médio do Tratamento Condicional (CATE).

1. Parâmetro de Valor de Política Projetado

Em vez de direcionar o parâmetro totalmente não paramétrico $E[Y^d]$ diretamente, os autores definem um parâmetro de valor de política projetado $\Psi_n(P_0)$. Este parâmetro é induzido por um modelo de trabalho para o CATE, construído utilizando o LASSO Altamente Adaptativo (HAL).

• Seja $\phi_n(W)$ uma base adaptativa aos dados para o CATE.
• O CATE é aproximado como $\beta^\top \phi_n(W)$.
• O parâmetro projetado é definido como:
  $$\Psi_n(P) = E_P [E_P(Y|W) + (d(W) - \bar{g}(W))\beta(P)^\top \phi_n(W)]$$
• Se o verdadeiro CATE estiver dentro do espaço gerado pelo modelo de trabalho, este parâmetro projetado coincide com o alvo não paramétrico $E[Y^d]$.

2. TMLE Adaptativo (A-TMLE)

Os autores derivam a Função de Influência Eficiente (EIF) para este parâmetro projetado. Uma descoberta teórica chave é que, sob o modelo de CATE projetado, o componente da EIF envolvendo o mecanismo de tratamento (pontuação de propensão) desaparece ou é tratado sem ponderação inversa.

• Estimador: O estimador A-TMLE é um estimador de plug-in:
  $$\hat{\Psi}_{A-TMLE} = P_n [Y + (d(W) - \hat{g}(W))\hat{\beta}^\top \phi_n(W)]$$
• Mecanismo: Utiliza HAL para construir a base adaptativa e um HAL relaxado para estimar os coeficientes $\beta$. Crucialmente, o passo de direcionamento não envolve o inverso da pontuação de propensão, evitando assim a instabilidade associada a violações de positividade.

3. TMLE Regularizado

Para direcionar o valor de política não paramétrico original $E[Y^d]$ mantendo a estabilidade, os autores introduzem o TMLE Regularizado.

• Conceito: Este método direciona o parâmetro não paramétrico, mas utiliza uma covariável de direcionamento estabilizada.
• Projeção: A "covariável inteligente" (clever covariate) padrão do TMLE (que tipicamente contém $1/g$) é projetada no espaço de escores induzido pelo modelo de trabalho do CATE.
• Covariável: A covariável inteligente regularizada $H_{Reg}(A, W)$ é a projeção $L_2$ da covariável inteligente não paramétrica padrão no espaço tangente gerado pela base do CATE.
• Controle de Viés: Os autores mostram que o viés de plug-in de primeira ordem deste estimador em relação ao alvo não paramétrico é negligenciável se a EIF projetada aproximar bem a EIF não paramétrica e os estimadores de incômodo convergirem em taxas mais rápidas que $n^{-1/4}$.

Contribuições Principais

1. Estabilidade sob Violações de Positividade: Os métodos propostos (A-TMLE e TMLE Regularizado) eliminam o uso direto de pontuações de propensão inversas no passo de direcionamento, melhorando significativamente a estabilidade quando a sobreposição de tratamentos é limitada.
2. Caracterização Teórica:
   • Derivação da EIF para o parâmetro de valor de política projetado.
   • Caracterização do resíduo de segunda ordem, mostrando que a linearidade assintótica vale quando o produto do erro do mecanismo de tratamento e o erro do coeficiente de projeção é pequeno.
   • Prova de que a covariável inteligente do TMLE Regularizado é a projeção $L_2$ da covariável inteligente não paramétrica padrão.
   • Quantificação do viés de plug-in de primeira ordem para o alvo não paramétrico, estabelecendo condições sob as quais o viés é assintoticamente negligenciável.
3. Implementação Algorítmica: Um procedimento completo (Algoritmo 1) integrando o Super Learner para estimação de incômodo, HAL para construção da base do CATE e os passos específicos de direcionamento para ambos A-TMLE e TMLE Regularizado.

Resultados

Estudos de Simulação

Os autores conduziram simulações de Monte Carlo através de tamanhos de amostra variados ($n=200, 500, 1000$) e graus de sobreposição de tratamento (controlados por um parâmetro $\kappa_{pos}$).

• Erro Quadrático Médio (MSE): Sob violações práticas de positividade, A-TMLE e TMLE Regularizado alcançaram o menor MSE comparado a IPW, AIPW e TMLE padrão. Por exemplo, em $n=200$ com violações, o MSE para A-TMLE foi 0,02845, comparado a 0,05640 para IPW.
• Cobertura: Sob violações de positividade, A-TMLE e TMLE Regularizado mantiveram uma cobertura de oráculo próxima ao nível nominal de 95% (por exemplo, 0,9553 em $n=200$), enquanto IPW e AIPW sofreram de subcobertura significativa (por exemplo, 0,8127 e 0,9053, respectivamente).
• Sobreposição Forte: Quando as violações de positividade estavam ausentes, os métodos propostos permaneceram competitivos com TMLE padrão e AIPW, incorrendo em pouco custo de desempenho.
• Redução de Viés: A análise específica da política mostrou que A-TMLE e TMLE Regularizado reduziram substancialmente a razão viés-erro padrão comparado a estimadores padrão, particularmente para políticas onde a sobreposição era mais restrita.

Aplicação em Dados Reais

Os métodos foram aplicados ao estudo de Cateterização Cardíaca Direita (RHC) para estimar a sobrevivência média em 30 dias sob regras de tratamento baseadas na pontuação de gravidade APACHE.

• Descobertas: A-TMLE e TMLE Regularizado produziram estimativas de valor de política estáveis.
• Precisão: Os comprimentos dos intervalos de confiança para os estimadores adaptativos foram substancialmente mais curtos que os de IPW e AIPW, indicando precisão melhorada sem sacrificar a cobertura.
• Consistência: As estimativas pontuais de A-TMLE e TMLE Regularizado foram próximas entre si e geralmente alinhadas com AIPW, mas com maior estabilidade.

Significado e Alegações

O artigo alega que o framework TMLE Adaptativo proposto oferece uma alternativa robusta para avaliação de políticas em cenários com violações práticas de positividade. Ao deslocar o passo de direcionamento da ponderação por propensão inversa para uma projeção baseada em um modelo de CATE adaptativo aos dados, os estimadores alcançam:

1. Estabilidade Aprimorada em Amostras Finitas: Evitar pesos extremos reduz a variância e o viés em cenários com sobreposição limitada.
2. Validade Teórica: Os estimadores são duplamente robustos e assintoticamente eficientes sob o modelo projetado, com o TMLE Regularizado fornecendo uma ponte para o alvo não paramétrico com viés controlado.
3. Utilidade Prática: Os métodos fornecem inferência mais confiável (melhor cobertura e intervalos de confiança mais estreitos) comparado a IPW, AIPW e TMLE padrão quando a positividade é violada, permanecendo competitivos quando a sobreposição é forte.

Os autores notam limitações, especificamente que o estimando principal do A-TMLE é um parâmetro projetado (dependente da qualidade da aproximação do CATE) e que a inferência depende de funções de influência padrão do TMLE que podem ser conservadoras. Eles sugerem que trabalhos futuros devem estender isso para cenários longitudinais e desenvolver critérios adaptativos aos dados para selecionar a dimensão de projeção.