Efficient Transported Distributional and Quantile Treatment Effects with Surrogate-Assisted Missing Primary Outcomes

Resumo Técnico: Efeitos de Tratamento Distribucionais e Quantílicos Transportados Eficientes com Resultados Primários Faltantes Assistidos por Surrogados

Configuração do Problema
O artigo aborda a estimação de efeitos de tratamento distribucionais e quantílicos (QTEs) da população-alvo em um cenário onde resultados primários de longo prazo são caros, atrasados ou faltantes, enquanto resultados primários de curto prazo (surrogados) estão amplamente disponíveis. A estrutura dos dados consiste em duas amostras independentes:

1. Estudo Fonte: Contém a atribuição do tratamento ($A$), covariáveis de base ($X$), surrogados pós-tratamento ($S$) para todas as unidades e um resultado primário ($Y$) observado apenas para um subconjunto de validação ($M=1$).
2. População-Alvo: Contém apenas covariáveis de base ($X$).

O objetivo é estimar a função de distribuição contrafactual transportada $\psi_a(y) = P(Y^a \le y \mid R=0)$, seus quantis $q_a(\tau)$ e o efeito de tratamento quantílico $\Delta(\tau) = q_1(\tau) - q_0(\tau)$. Crucialmente, o surrogado $S$ não é tratado como um ponto final de substituição, nem são impostas condições estritas de surrogacia do tipo Prentice. Em vez disso, $S$ serve como informação auxiliar para melhorar a eficiência sob amostragem de resultado primário aleatória faltante (MAR).

Metodologia
Os autores desenvolvem uma estrutura semiparamétrica baseada na seguinte estratégia de identificação:

1. Identificação: Sob as hipóteses de consistência, exchangabilidade da fonte, transportabilidade condicional do processo resultado primário-surrogado específico ao tratamento e amostragem de validação MAR, a função de distribuição acumulada (FDA) alvo é identificada como $\psi_a(y) = E_0[g_a(y, X)]$, onde $g_a(y, x) = E[m_a(y, X, S) \mid R=1, A=a, X=x]$ e $m_a$ é a FDA condicional de $Y$ dado $(X, S)$ no subconjunto de validação.
2. Função de Influência Eficiente (EIF): O artigo deriva o gradiente canônico para o funcional dos dados observados. A EIF, $\phi^y_a(O)$, decompõe-se em três componentes ortogonais:
   • Um termo de amostragem de covariáveis alvo.
   • Um termo residual do processo surrogado fonte ($m_a - g_a$).
   • Um termo residual de validação do resultado primário ($Z_y - m_a$).
     Esta decomposição reflete as três fontes de informação utilizadas para a identificação.
3. Estimação: Propõe-se um estimador de um passo com ajuste cruzado em forma fechada. Ele combina a estimativa de plug-in da expectativa alvo com as médias empíricas dos componentes da EIF. As funções de incômodo ($m_a, g_a, e_a, \rho_a, \omega$) são estimadas usando métodos baseados em equações convexas ou normais (por exemplo, regressão logística com ridge, regressão de kernel com ridge, balanceamento de entropia).
4. Inferência: O artigo estabelece linearidade assintótica pontual e uniforme para o estimador da FDA. Usando o método delta e o mapeamento inverso da FDA, derivam-se representações de Bahadur para quantis e QTEs. Bandas de confiança simultâneas são construídas via bootstrap multiplicador, dependendo de condições explícitas para a entropia das classes de processos estimadas.

Contribuições Principais

1. Identificação e Eficiência: O artigo estende a linha de trabalho sobre efeitos de tratamento médios assistidos por surrogados (por exemplo, Kallus e Mao, 2025) para a distribuição contrafactual completa e quantis. Deriva a função de influência eficiente exata para este cenário transportado, mostrando que o gradiente possui três componentes residuais ortogonais correspondentes às covariáveis alvo, ao processo surrogado fonte e aos resultados primários faltantes.
2. Identidade de Desvio Exata e Robustez: Os autores estabelecem uma identidade de desvio exata para o estimador. Esta identidade demonstra "robustez de nível de razão", mostrando que o viés de primeira ordem desaparece se as regressões de resultado ($m_a, g_a$) estiverem corretas ou se os pesos de nível de razão (razão de densidade $\omega$ e razão de propensão de validação $\rho$) estiverem corretos. Isso produz condições de taxa de produto para estimação de incômodo, permitindo taxas de convergência mais lentas que $n^{-1/4}$, desde que o produto dos erros seja $o(n^{-1/2})$.
3. Ganhos de Eficiência Específicos ao Quantil: O artigo quantifica o ganho de eficiência decorrente da observação de surrogados. Deriva uma fórmula mostrando que a redução da variância depende da variância condicional do resultado previsto pelo surrogado dado as covariáveis e da escassez de dados de validação. Crucialmente, o ganho é específico ao quantil; um surrogado pode melhorar substancialmente a inferência em um quantil enquanto oferece pouco ganho em outro, dependendo da densidade local da distribuição alvo e do poder preditivo do surrogado naquele limiar.
4. Verificação de Baixo Nível: Os autores fornecem um caminho de implementação "deliberadamente analisável". Verificam as condições de taxa de incômodo e entropia de alto nível para uma classe específica de aprendizes de dimensão finita limitada ou de posto finito, incluindo regressão logística com ridge, regressão de kernel com ridge de posto finito e balanceamento de entropia sob modelos de inclinação exponencial. Isso preenche a lacuna entre a teoria semiparamétrica abstrata e a implementação prática baseada em otimização convexa.

Resultados

• Teoria Assintótica: Demonstra-se que o estimador proposto é semiparametricamente eficiente em $y$ fixo. Sob condições de regularidade uniforme (incluindo propriedades de Donsker e limites de entropia), o estimador alcança linearidade assintótica uniforme sobre o suporte do resultado, permitindo inferência simultânea válida para toda a curva da FDA e QTE.
• Evidência de Simulação: Estudos de simulação confirmam as descobertas teóricas. O estimador de um passo assistido por surrogado (SA) reduz significativamente o Erro Quadrático Médio (MSE) em comparação com a ponderação por probabilidade inversa (IPW) e estimadores de plug-in transportados, particularmente nas caudas da distribuição. O estimador SA mantém viés baixo e alcança taxas de cobertura próximas aos níveis nominais, enquanto a IPW sofre de alta variância e os estimadores de plug-in de viés de aproximação.
• Validação de Eficiência: As simulações verificam a fórmula teórica de ganho de eficiência, demonstrando que a redução da variância correlaciona-se com o poder preditivo do surrogado e a escassez de dados de validação.

Significado e Alegações
O artigo alega fornecer uma base teórica rigorosa para a estimação de efeitos de tratamento distribucionais e quantílicos na presença de resultados primários faltantes e surrogados disponíveis, especificamente ao transportar resultados de um estudo fonte para uma população alvo.

• Novidade Metodológica: Avança além de efeitos baseados na média para a distribuição completa, lidando com as complexidades do mapeamento inverso da FDA e do acoplamento de pesos de transporte com resíduos de surrogado.
• Utilidade Prática: Ao propor um estimador de um passo com ajuste cruzado em forma fechada que depende de subproblemas convexos, o artigo oferece uma solução computacionalmente viável que não requer otimização não convexa.
• Precisão Teórica: A derivação da identidade de desvio exata e da fórmula de ganho de eficiência específica ao quantil fornece uma caracterização precisa de quando e como os surrogados melhoram a inferência, evitando a necessidade de fortes hipóteses de surrogacia.

Os autores enfatizam que sua contribuição reside na teoria do gradiente canônico para um modelo assistido por surrogado de duas populações e na verificação dessas condições para aprendizes de incômodo específicos e analisáveis, em vez de propor algoritmos de aprendizado de máquina flexíveis arbitrários. O trabalho é apresentado como um manuscrito em elaboração, convidando comentários sobre as derivações teóricas e detalhes de implementação.