Proximal Causal Inference for Hidden Outcomes

Resumo Técnico: Inferência Causal Proximal para Resultados Ocultos

Enunciado do Problema
Variáveis ocultas permanecem um desafio central na inferência causal, frequentemente impedindo a identificação e a estimação de alvos causais. Embora abordagens baseadas em proxies tenham surgido para contornar estruturas ocultas sem depender de fortes suposições paramétricas, a literatura existente tipicamente exige pelo menos uma medição de proxy não enviesada ou observação parcial do resultado verdadeiro. Este artigo aborda o cenário específico onde a variável de resultado $Y$ não é observada (oculta), mas múltiplos proxies potencialmente enviesados ($W, Z, V$) estão disponíveis juntamente com confundidores observados $C$ e tratamento $A$. O objetivo é identificar a lei dos dados completos e estimar efeitos causais (especificamente o efeito médio do tratamento) sem assumir que os proxies são não enviesados ou que o resultado verdadeiro é parcialmente observado.

Metodologia
Os autores empregam um framework baseado na reconstrução de distribuições latentes a partir de dados observados, aproveitando a estrutura de autovalores-autovetores inerente a arrays multidimensionais (tensores).

1. Estratégia de Identificação:

   • Os autores definem um Gráfico Acíclico Direcionado (DAG) causal onde $A$ influencia $Y$, e $C$ confunde a relação. O resultado oculto $Y$ gera três proxies observados $W, Z, V$.
   • Suposições: A identificação depende de um conjunto de suposições (4–8) adaptadas de Hu e Schennach [11], Deaner [5] e Zhou e Tchetgen Tchetgen [28]. Condições-chave incluem:
     • Independência condicional mútua dos proxies dado o resultado latente, tratamento e confundidores ($W, Z, V \perp \perp \mid Y, A, C$).
     • Condições de completude nas distribuições condicionais dos proxies, garantindo variabilidade suficiente para recuperar a distribuição latente.
     • Uma suposição de rotulagem (Suposição 8) para recuperar os valores específicos do resultado latente, seja via um funcional conhecido da distribuição condicional ou assumindo que o resultado é ordinal com suporte conhecido.
   • Sob essas condições, o artigo estabelece que a lei dos dados completos $p(A, Y, C, W, Z, V)$ é identificada, identificando assim a distribuição do resultado potencial $p(Y(a))$ e o efeito causal $E[Y(1)] - E[Y(0)]$.

2. Framework de Estimação:

   • Os autores desenvolvem estimadores baseados em funções de influência para os efeitos causais identificados.
   • Função de Influência dos Dados Observados: Como o resultado verdadeiro $Y$ não é observado, a função de influência dos dados completos não pode ser computada diretamente. Os autores constroem uma função de influência dos dados observados $\phi_{obs}$ substituindo $Y$ por uma média ponderada sobre valores possíveis $y$.
   • Construção de Pesos: Os pesos $\omega_y(O; \eta)$ são construídos usando os proxies observados e funções de incômodo (esperanças condicionais dos proxies dado $Y, A, C$). Esses pesos são projetados de modo que sua esperança condicional dado o resultado verdadeiro $Y=y$ seja 1, e 0 caso contrário.
   • Robustez Múltipla: O estimador resultante resolve uma equação de estimação de média zero. Ele exibe robustez múltipla: a consistência é preservada se qualquer um de vários conjuntos específicos de funções de incômodo (envolvendo o escore de propensão do tratamento, regressão do resultado ou regressões dos proxies) for corretamente especificado.
   • Propriedades Assintóticas: Sob condições de regularidade padrão, o estimador é consistente na taxa $\sqrt{n}$ e assintoticamente normal. Notavelmente, as funções de incômodo não precisam ser estimadas individualmente na taxa $\sqrt{n}$; o estimador atinge a taxa desejada desde que o produto dos erros de estimação convirja em uma taxa suficiente.

Contribuições Principais

• Primeira Estimação Semiparamétrica para Resultados Ocultos sem Proxies Não Enviesados: Até onde se sabe dos autores, este é o primeiro trabalho a estabelecer resultados de estimação semiparamétrica para resultados ocultos que não dependem da existência de medições de proxy não enviesadas ou observações parciais do resultado verdadeiro.
• Estimadores Baseados em Função de Influência: O artigo desenvolve os primeiros estimadores baseados em função de influência neste cenário específico, fornecendo um caminho para alcançar robustez múltipla e propriedades desejáveis de eficiência.
• Garantias Teóricas: O trabalho fornece provas formais para a identificação da lei dos dados completos e das propriedades assintóticas (consistência e normalidade) dos estimadores propostos.

Resultados
O desempenho dos estimadores propostos foi avaliado por meio de estudos de simulação em processos geradores de dados tanto discretos (binários) quanto mistos (confundidores e proxies contínuos).

• Redução de Viés: Em ambos os cenários, um estimador "ingênuo" que substitui o resultado não observado por um proxy foi encontrado subestimando substancialmente o parâmetro alvo (enviesado). O estimador proposto eliminou com sucesso esse viés.
• Compensação de Eficiência: Embora o estimador proposto tenha alcançado não enviesamento, ele incorreu em uma variância maior comparado a um estimador "oráculo" que tinha acesso direto ao resultado verdadeiro $Y$. No caso binário, a variância escalada foi aproximadamente 1,7 versus 0,6 para o oráculo. No caso misto, a variância foi significativamente maior para tamanhos de amostra menores, mas diminuiu conforme o tamanho da amostra aumentou.
• Robustez: As simulações confirmaram as propriedades teóricas, demonstrando que o estimador performa bem mesmo quando o resultado latente deve ser reconstruído a partir de proxies observados.

Significado e Afirmações
Os autores posicionam este trabalho como um passo significativo para frente na inferência causal proximal. Ao relaxar a exigência de proxies não enviesados — uma suposição forte frequentemente difícil de verificar na prática — o framework estende a aplicabilidade de métodos baseados em proxies a uma classe mais ampla de problemas envolvendo resultados ocultos. O desenvolvimento de estimadores baseados em função de influência permite a aplicação de técnicas semiparamétricas modernas (como robustez dupla e divisão de amostra) a cenários anteriormente limitados por restrições de identificação ou dependência de suposições paramétricas. O artigo conclui que, embora desafios permaneçam quanto à combinação ótima de proxies e estimação prática de funções de incômodo em cenários de alta dimensão, o framework proposto estabelece uma fundação teórica e prática viável para inferência causal com resultados ocultos usando apenas proxies enviesados.