Transporting treatment effects by calibrating large-scale observational outcomes

Resumo Técnico: Transporte de Efeitos de Tratamento por Calibração de Resultados Observacionais em Grande Escala

Enunciado do Problema
O artigo aborda o desafio de transportar estimativas de efeitos de tratamento de um pequeno conjunto de dados experimentais de alta qualidade (Ensaio Controlado Aleatorizado, ou RCT) para um grande conjunto de dados observacionais alvo. Esse cenário é comum quando a experimentação é cara ou inviável na população alvo específica, tornando necessária a utilização de dados observacionais auxiliares.

Os métodos padrão de transporte causal dependem de duas hipóteses de identificação: troca média (as médias condicionais dos resultados potenciais são as mesmas entre as populações, dadas as covariáveis) e positividade (o suporte da distribuição de covariáveis na população alvo está contido na população experimental). O artigo destaca que violações de positividade são prováveis quando o conjunto de dados experimental é pequeno em relação à dimensão das covariáveis (a "maldição da dimensionalidade"). Quando a positividade falha, o Efeito Médio de Tratamento (ATE) transportado padrão não é bem definido para regiões de covariáveis presentes nos dados observacionais, mas ausentes nos dados experimentais. Além disso, métodos existentes que tentam lidar com violações de positividade (por exemplo, recorte ou redução de peso) frequentemente alteram o estimando de maneiras que podem não alinhar-se com objetivos científicos ou introduzir instabilidade.

Metodologia
Os autores propõem um procedimento simples de estimação e inferência em duas etapas que evita o ponderamento inverso por propensão e permanece válido mesmo quando a positividade não se sustenta.

1. Calibração via Mínimos Quadrados Ordinários (OLS):

   • O método assume que o conjunto de dados observacionais contém um "contraste tratamento-controle" ($\Delta(X)$), definido como a diferença nas médias condicionais de resultados entre unidades tratadas e de controle nos dados observacionais ($\Delta(x) = E_{obs}[Y|X=x, Z=1] - E_{obs}[Y|X=x, Z=0]$).
   • Os autores postulam que o verdadeiro Efeito Médio de Tratamento Condicional (CATE), $\mu(X)$, dos dados experimentais pode ser aproximado por uma transformação linear desse contraste observacional. Especificamente, eles definem uma classe de funções $\mathcal{F}$ de transformações lineares de uma expansão de base $\psi(\Delta(X))$.
   • Eles estimam os coeficientes $\bar{\beta}$ regressando os resultados experimentais $D_i$ (o efeito do tratamento) sobre $\psi(\hat{\Delta}(X_i))$ usando OLS. Aqui, $\hat{\Delta}$ é estimado a partir dos dados observacionais, potencialmente usando métodos flexíveis de aprendizado de máquina (por exemplo, florestas causais).
   • O estimador resultante $\bar{\mu}(x) = \hat{\bar{\beta}}^\top \psi(\hat{\Delta}(x))$ serve como uma estimativa calibrada do CATE.

2. Agregação:

   • O estimador final para o efeito transportado, $\hat{\bar{\tau}}$, é a média amostral dessas estimativas calibradas de CATE sobre as covariáveis no grande conjunto de dados observacionais.
   • Para garantir inferência válida e evitar sobreajuste, os autores empregam ajuste cruzado: os dados observacionais são divididos em dobras; $\hat{\Delta}$ é estimado em dados fora da dobra, e a regressão de calibração é realizada nos dados experimentais.

3. Inferência:

   • O artigo deriva um estimador de variância assintótica que contabiliza o erro de calibração (da etapa OLS). Sob o regime em que o tamanho da amostra observacional $N$ cresce suficientemente mais rápido que o tamanho da amostra experimental $n$ ($N \gg n$), a variância é dominada pelo erro de calibração, permitindo intervalos de confiança assintoticamente válidos sem a necessidade de estimar escores de propensão.

Principais Contribuições

• Estimando Alternativo ($\bar{\tau}$): O artigo introduz um novo estimando, $\bar{\tau} = E_{obs}[\bar{\mu}(X)]$, que representa a média da melhor aproximação de mínimos quadrados do verdadeiro CATE dentro da classe de funções especificada $\mathcal{F}$, ponderada pela distribuição de covariáveis observacionais.
  • Crucialmente, $\bar{\tau}$ permanece identificado mesmo sem positividade. Se o modelo de calibração for bem especificado (ou seja, $\mu \in \mathcal{F}$), $\bar{\tau}$ é igual ao ATE transportado padrão. Se mal especificado, ele converge para um estimando de projeção, que pode ser interpretado como um efeito médio de tratamento ponderado.
• Robustez a Violações de Positividade: Diferentemente de métodos existentes (por exemplo, AIPSW, estimadores colaborativos) que dependem de escores de propensão e falham ou tornam-se instáveis quando a positividade é violada, o método proposto não requer a estimativa de pesos de propensão inversos. Ele permanece estável mesmo quando os suportes de covariáveis experimentais e observacionais não se sobrepõem.
• Eficiência Semiparamétrica: Os autores estabelecem que, sob um framework de "ensaio aninhado" onde a razão entre os tamanhos das amostras experimental e observacional tende a zero ($n/N \to 0$), seu estimador atinge o limite de eficiência semiparamétrica para o estimando projetado $\bar{\tau}$. Esse limite é finito mesmo quando o limite de eficiência para o ATE transportado padrão é infinito devido a violações de positividade.
• Simplicidade e Praticidade: O método depende de OLS padrão e aprendizes de CATE flexíveis, evitando esquemas de ponderação complexos e problemas de estabilidade associados à estimativa de escores de propensão em alta dimensão.

Resultados

O artigo valida a metodologia por meio de simulações numéricas e um exemplo com dados do mundo real:

1. Simulação Univariada: Em cenários com deslocamento de covariáveis (mas sem violação estrita de positividade), o estimador proposto ($\hat{\bar{\tau}}$) apresentou menor Erro Quadrático Médio (MSE) e cobertura de intervalo de confiança mais estável (aproximadamente 92-93%) em comparação com AIPSW e estimadores colaborativos à medida que o grau de deslocamento de covariáveis aumentava. Os estimadores concorrentes exibiram viés significativo e degradação da cobertura.
2. Simulação Multivariada: Em cenários de alta dimensionalidade ($d=10$), o método proposto manteve o MSE mais baixo e cobertura confiável. Em contraste, o estimador AIPSW mostrou alta variância e cobertura pobre, particularmente quando a distribuição de covariáveis observacionais tinha maior variância (exacerbando violações de positividade).
3. Estudo de Caso de Rotação de Culturas: Usando dados de Kluger et al. (2022) sobre rendimentos de milho, os autores combinaram 611 experimentos de campo com 1,31 milhão de estimativas de rendimento baseadas em satélite.
   • Os dados experimentais tinham cobertura espacial esparsa (faltando estados inteiros como Indiana e Michigan), levando a violações severas de positividade.
   • O estimador AIPSW foi extremamente instável, com estimativas abrangendo várias ordens de grandeza entre as simulações.
   • O estimador colaborativo foi mais estável, mas ainda exibiu variância maior que o método proposto.
   • O estimador proposto ($\hat{\bar{\tau}}$) demonstrou a menor variância e maior estabilidade, com uma taxa de cobertura empírica de 96% para seus intervalos de confiança.

Significado e Afirmações

O artigo afirma que sua metodologia fornece uma solução teoricamente fundamentada e empiricamente robusta para o transporte de efeitos de tratamento no regime comum de "pequeno experimento, grande observação".

• Validade Teórica: Os autores demonstram que seu estimador é consistente para um estimando bem definido ($\bar{\tau}$) mesmo quando o ATE transportado padrão não é identificado. Eles provam que esse estimador atinge eficiência semiparamétrica no limite de grandes dados observacionais em relação aos dados experimentais.
• Utilidade Prática: O método oferece uma alternativa "ingênua", mas eficaz, a esquemas de ponderação complexos. Ao evitar o ponderamento inverso por propensão, ele contorna a instabilidade causada por violações de positividade, tornando-o particularmente adequado para aplicações do mundo real onde os dados experimentais são limitados e espacial ou demograficamente esparsos.
• Interpretabilidade: Mesmo quando o modelo de calibração é mal especificado, o estimando resultante mantém interpretabilidade como um efeito médio de tratamento ponderado, semelhante à literatura sobre estimação de ATE sob violações de positividade em estudos observacionais únicos.

Os autores concluem que, embora seu método assuma observações i.i.d. (o que pode ser uma simplificação para dados espaciais/temporais como o exemplo de rotação de culturas), ele oferece uma melhoria significativa em precisão e estabilidade sobre propostas existentes para transporte de efeitos de tratamento sob violações de positividade.