Causal Stability Selection

Resumo Técnico: Seleção de Estabilidade Causal

Formulação do Problema
O problema central abordado é a identificação de modificadores de efeito — covariáveis que explicam a heterogeneidade nos efeitos do tratamento. Embora muitos estudos relatem efeitos médios do tratamento (ATE) nulos, as respostas ao tratamento frequentemente variam sistematicamente com covariáveis pré-tratamento ($X$). Formalmente, modificadores de efeito são definidos por meio do Efeito Médio Condicional do Tratamento (CATE), $\tau(x) = E[Y(1) - Y(0) | X=x]$. Uma covariável $X_j$ é um modificador de efeito se $\tau(X) \not\perp\!\!\perp X_j | X_{-j}$.

Procedimentos adaptativos aos dados existentes para seleção de variáveis frequentemente falham em fornecer controle em amostras finitas sobre o número esperado de descobertas falsas. Como ilustrado na simulação motivadora do artigo, abordagens padrão como divisão honesta ou ajuste cruzado em K-fold combinados com Lasso ou seleção de estabilidade frequentemente resultam em taxas de descoberta falsa (FDR) severamente infladas, minando a confiabilidade de intervenções direcionadas subsequentes. O desafio é descobrir um conjunto parcimonioso de verdadeiros modificadores de efeito, mantendo garantias rigorosas de taxa de erro em amostras finitas, apesar do fato de que o verdadeiro CATE $\tau(X)$ não é observado e deve ser estimado.

Metodologia: Seleção de Estabilidade Causal (CausalStabSel)
Os autores propõem a Seleção de Estabilidade Causal, um algoritmo que integra a estimação de CATE com ajuste cruzado e a Seleção de Estabilidade de Caminho Integrado (IPSS). O método opera em duas etapas principais:

1. Estimação com Ajuste Cruzado das Probabilidades de Seleção:
   Diferentemente da seleção de estabilidade padrão, que assume que o resultado é diretamente observado, o CausalStabSel reconhece que a "resposta" para a seleção de variáveis é o CATE não observado. O algoritmo prossegue por meio de $B$ iterações:

   • Em cada iteração, os dados são divididos em dois subconjuntos disjuntos, $A$ e $A^c$.
   • Um estimador de CATE $\hat{\tau}$ é treinado no conjunto retido $A^c$.
   • O modelo treinado prevê valores de CATE para as amostras em $A$.
   • Um seletor de variáveis base $\hat{S}_\lambda$ (por exemplo, Lasso ou pontuações de importância do XGBoost) é aplicado aos pares $(x_i, \hat{\tau}(x_i))$ para $i \in A$.
   • Este processo é repetido com os papéis invertidos ($A^c$ para treinamento, $A$ para seleção) para gerar $2B$ subamostras.
   • A probabilidade de seleção $\hat{\pi}_{j,m}(\lambda)$ para a covariável $j$ é calculada como a proporção de vezes que $j$ é selecionada em todas as $2B$ subamostras.

2. Construção do Conjunto de Seleção:
   O conjunto final de modificadores de efeito é construído usando o critério IPSS, que integra as probabilidades de seleção sobre uma grade de parâmetros $\Lambda$ em vez de simplesmente maximizá-las. Uma variável $j$ é selecionada se:
   $$\int_{\Lambda} f(\hat{\pi}_{j,m}(\lambda)) \mu(d\lambda) \geq \gamma$$
   onde $f(x) = (2x-1)^3 \mathbb{1}(x \geq 1/2)$ e $\mu$ é uma medida de probabilidade. Esta abordagem produz um limite superior mais apertado sobre o número esperado de falsos positivos (EFP) em comparação com a seleção de estabilidade tradicional. O limiar é determinado por um nível alvo de EFP $t$ ou um nível nominal de FDR $\alpha$.

Principais Contribuições
O artigo faz três contribuições principais:

1. Estrutura Unificada com Garantias em Amostras Finitas: Os autores fornecem a primeira estrutura para descoberta de modificadores de efeito que oferece um limite superior não assintótico, em amostras finitas, sobre o número esperado de falsos positivos. Esta garantia vale sem restringir a forma do seletor base ou do estimador de CATE.
2. Conexão Teórica entre Estimação e Descoberta: O artigo prova que as probabilidades de seleção estimadas convergem para suas contrapartes "oráculo" (onde o verdadeiro $\tau$ é conhecido) a uma taxa governada diretamente pela taxa de convergência do estimador de CATE subjacente. Especificamente, se o estimador de CATE atingir uma taxa paramétrica ($n^{-1/2}$), as probabilidades de seleção são assintoticamente não tendenciosas.
3. Tratabilidade Computacional e Estabilidade: Ao agregar resultados em subamostras repetidas, o método produz descobertas estáveis mesmo em configurações de alta dimensão, permanecendo computacionalmente viável enquanto controla descobertas falsas.

Resultados
O método foi avaliado por meio de extensos estudos de simulação e duas aplicações do mundo real:

• Simulações: Em 34 experimentos cobrindo cenários lineares e não lineares com tamanhos de amostra, dimensões e estruturas de confusão variadas, o CausalStabSel foi o único método que manteve a FDR empírica no nível nominal ou abaixo dele uniformemente em todos os regimes. Métodos concorrentes, incluindo IPSS, Knockoffs e Benjamini-Hochberg, exibiram comportamento anti-conservador (FDR significativamente excedendo níveis nominais) quando aplicados a CATEs estimados. O CausalStabSel alcançou altas Taxas de Verdadeiros Positivos (TPR) comparáveis às melhores alternativas sem sacrificar poder.
• Aplicações do Mundo Real:
  • Ensaio Randomizado PRIME (Oncologia): Aplicado a um ensaio de terapia anti-EGFR em câncer colorretal metastático. O CausalStabSel identificou o status de mutação KRAS (BMMTR1, BMMTR3) como modificadores de efeito, consistente com a literatura clínica conhecida, juntamente com plaquetas, idade e desidrogenase láctica.
  • Fumo Materno e Peso ao Nascer (Observacional): Aplicado a registros de nascimentos da Pensilvânia. O método identificou a idade materna e o status de primogênito como modificadores de efeito, consistente com achados epidemiológicos sobre a redução do peso ao nascer induzida pelo fumo.
  • Em ambos os casos, inferência em conjunto retido usando especificações BLP-on-CATE forneceu confirmação para os modificadores selecionados.

Significado e Alegações
O artigo alega que o CausalStabSel estabelece um vínculo direto e quantitativo entre a estimação do efeito do tratamento e a descoberta de modificadores de efeito. Ao demonstrar que o viés nas probabilidades de seleção é controlado pelo erro de estimação do CATE, os autores mostram que melhorias na inferência causal se traduzem diretamente em seleção de variáveis mais confiável.

O significado do trabalho reside em sua capacidade de resolver o problema de "descoberta falsa" inerente à inferência causal adaptativa aos dados atual. Os autores enfatizam que, sem controle em amostras finitas, achados espúrios correm o risco de não se replicar, o que é particularmente perigoso na medicina de precisão e no direcionamento de políticas. O CausalStabSel fornece uma solução robusta e teoricamente fundamentada que acomoda estimadores de efeito do tratamento e seletores base arbitrários, tornando-o aplicável tanto a ensaios randomizados quanto a estudos observacionais sob suposições de identificação padrão (SUTVA e ignorabilidade forte).