Bayesian Sensitivity of Causal Inference Estimators under Evidence-Based Priors

Resumo Técnico: Sensibilidade Bayesiana de Estimadores de Inferência Causal sob Priors Baseados em Evidências

Declaração do Problema
A inferência causal em estudos observacionais depende de suposições não testáveis sobre o processo gerador de dados, como não-confundibilidade, modelos de desfecho condicional bem especificados e validade externa. A análise de sensibilidade é a ferramenta padrão para avaliar a robustez das conclusões causais quando essas suposições são violadas. No entanto, os frameworks existentes dependem predominantemente de análise de sensibilidade de pior caso. Esses métodos buscam a menor desvio de um valor assumido que reverte uma decisão causal (por exemplo, mudar o sinal de um Efeito Médio do Tratamento, ATE).

Os autores argumentam que as análises de pior caso sofrem de três limitações críticas:

1. Violações Irrealistas: Elas frequentemente identificam violações que são matematicamente possíveis, mas empiricamente implausíveis (por exemplo, uma mudança de distribuição que aumenta a renda enquanto simultaneamente diminui os níveis de educação), levando a conclusões excessivamente pessimistas.
2. Problemas de Dimensionalidade: Em espaços de suposições de alta dimensão, as análises de pior caso tendem a atribuir sensibilidade máxima a todas as direções, tornando-as não informativas para priorizar alocação de recursos ou coleta de dados futuros.
3. Falta de Contexto: Elas tratam todas as violações potenciais como igualmente prováveis, ignorando conhecimento do mundo real e evidências empíricas sobre como as variáveis realmente co-variaram.

Metodologia
O artigo propõe um framework unificado para generalizar o valor-s (Gupta & Rothenhäusler, 2023) para três suposições causais comuns:

1. Sem Confundimento Não Medido: Modelado via funções de razão de chances ($\epsilon$).
2. Modelos Condicionais Bem Especificados: Modelado via distribuições de desfecho condicional ($\mu$).
3. Validade Externa: Modelado via distribuições de covariáveis ($p_X$).

O framework define uma variável de suposição $a$ (representando $\epsilon, \mu,$ ou $p_X$), um espaço de valores possíveis $A$, e uma métrica de divergência $D$ (por exemplo, divergência KL ou distância Euclidiana) para medir a magnitude de uma violação a partir de um valor assumido $\hat{a}$.

1. Sensibilidade de Pior Caso (Linha de Base)
Os autores formalizam a sensibilidade de pior caso como o supremo da probabilidade de uma reversão sobre o conjunto de suposições que revertem a decisão:
$$\sup_{a \in A} \{ \exp(-D(a \parallel \hat{a})) \mid \tau(a) \leq \delta \}$$
Isso é computado via otimização com restrições (usando multiplicadores de Lagrange e Descenso do Espelho Entrópico para distribuições).

2. Valor de Sensibilidade Bayesiana (BSV)
Para abordar as limitações da abordagem de pior caso, os autores introduzem o Valor de Sensibilidade Bayesiana (BSV). Em vez de buscar o único cenário de pior caso, o BSV computa a sensibilidade esperada a violações de suposição sob uma distribuição a priori $\pi_A$ construída a partir de evidências do mundo real.
$$\text{BSV} = \mathbb{E}_{A \sim \pi_A} [ \exp(-D(A \parallel \hat{a})) \mid \tau(A) \leq \delta ]$$

• BSV Empírico (EBSV): Quando dados estão disponíveis, o prior $\pi_A$ é construído a partir de bancos de dados externos (por exemplo, NHANES para distribuições de covariáveis, análises de subgrupos anteriores para modelos de desfecho).
• Computação: O BSV é estimado usando amostragem Monte Carlo com restrições (especificamente amostragem por rejeição). Amostras são extraídas do prior $\pi_A$, aceitas apenas se revertem a decisão causal ($\tau(A) \leq \delta$), e a divergência média é calculada.

Contribuições Principais

• Framework Generalizado: Os autores estendem o framework do valor-s para unificar a análise de sensibilidade para não-confundibilidade, modelos de desfecho condicional e validade externa, permitindo perguntas direcionadas sobre subconjuntos específicos de suposições.
• Novo Critério (BSV/EBSV): Eles propõem uma métrica de sensibilidade fundamentada em evidências do mundo real que leva em conta a probabilidade de violações específicas, em vez de apenas sua existência.
• Algoritmos: O artigo fornece algoritmos práticos para ambos os critérios: otimização com restrições para análise de pior caso e amostragem com restrições (Monte Carlo) para análise bayesiana.
• Priors Empíricos: O trabalho demonstra estratégias para construir priors empíricos a partir de grandes bancos de dados demográficos e médicos para informar análises de sensibilidade em cenários do mundo real.

Resultados
Os autores validam sua abordagem através de estudos de simulação e uma aplicação do mundo real analisando o efeito de tratamentos para diabetes (Semaglutida vs. Tirzepatida) na perda de peso.

• Dimensionalidade: Em simulações com números crescentes de covariáveis, os valores de sensibilidade de pior caso convergem rapidamente para 1 (sensibilidade máxima) com variância próxima de zero, falhando em distinguir entre diferentes espaços de suposições. Em contraste, o BSV mantém variabilidade e fornece classificações significativas mesmo em altas dimensões.
• Correlação: As classificações de sensibilidade produzidas pelo BSV e pela análise de pior caso são frequentemente não correlacionadas ou negativamente correlacionadas. As análises de pior caso frequentemente sinalizam espaços de alta dimensão como altamente sensíveis, enquanto o BSV identifica direções específicas e plausíveis de violação.
• Aplicação do Mundo Real: No estudo de diabetes, a análise de pior caso sugeriu alta sensibilidade para a subpopulação "Peso > 220 lbs". No entanto, o EBSV, informado por priors empíricos dos conjuntos de dados NHANES e UCI, indicou menor sensibilidade para este grupo. O EBSV identificou corretamente que a distribuição de pior caso necessária para reverter a decisão era altamente improvável sob restrições do mundo real.
• Ganho de Informação: O BSV fornece duas métricas distintas: a probabilidade de reversão de decisão sob o prior e o "tamanho" médio (divergência) da violação requerida. Isso permite que os praticantes distingam entre cenários onde reversões são prováveis, mas requerem violações massivas, versus cenários onde reversões são raras, mas requerem violações pequenas.

Significado e Alegações
O artigo alega que a análise de sensibilidade de pior caso convencional é frequentemente não informativa e excessivamente pessimista, particularmente em configurações de alta dimensão onde falha em refletir mudanças realistas nas suposições. Ao mudar o foco de "qual é a pior violação possível?" para "quão sensível é a conclusão a violações plausíveis?", o BSV oferece uma ferramenta mais acionável para a tomada de decisão.

Os autores afirmam que o BSV:

1. Fundamenta a análise em evidências: Alavanca dados existentes em grande escala para construir priors, afastando-se de suposições arbitrárias ou puramente teóricas.
2. Melhora a priorização de recursos: Ao distinguir entre direções de sensibilidade plausíveis e implausíveis, ajuda os pesquisadores a decidir onde focar a coleta de dados futura e o desenho do estudo.
3. Permanece útil em altas dimensões: Ao contrário dos métodos de pior caso que se tornam não informativos à medida que a dimensionalidade aumenta, o BSV continua a fornecer insights diferenciados.

Os autores permanecem modestos quanto às limitações, observando que a construção de priors empíricos para quantidades não observadas (como razões de chances $\epsilon$) permanece desafiadora, e o método é sensível à qualidade e representatividade dos dados do prior. Eles concluem que, embora o BSV seja um passo em direção a uma análise de sensibilidade mais realista, deve ser usado juntamente com métodos tradicionais de pior caso e documentação transparente da construção do prior.