Resumo Técnico: Rumo a uma Compreensão Holística do Viés de Seleção para Identificação de Efeitos Causais

1. Declaração do Problema

O viés de seleção é um desafio pervasivo em estudos observacionais, onde pontos de dados são incluídos preferencialmente com base em variáveis observadas, levando a uma discrepância entre a subpopulação selecionada e a população-alvo. Um exemplo clássico é o "viés do voluntário saudável" em biobancos, onde os respondentes frequentemente possuem status socioeconômico mais elevado e melhor saúde do que a população geral.

O problema central abordado é a identificabilidade do Efeito Médio do Tratamento (ATE) na presença de tal viés. Especificamente, o artigo distingue entre dois objetivos:

1. s-ATE-sub: Estimar o ATE dentro da subpopulação selecionada.
2. s-ATE-full: Estimar o ATE para a população-alvo inteira utilizando apenas dados da subpopulação selecionada.

Os autores argumentam que estimar o s-ATE-full é significativamente mais desafiador porque requer extrapolação além da distribuição de dados observada. Métodos existentes frequentemente dependem de suposições fortes, como identificar a localização exata da seleção em um Grafo Acíclico Direcionado (DAG) causal (por exemplo, critérios de backdoor de seleção) ou impor suposições distribucionais restritivas (por exemplo, ruído não-Gaussiano em modelos de ruído aditivo). Essas abordagens frequentemente falham em cenários onde a seleção depende de interações complexas ou onde o mecanismo de seleção não é totalmente conhecido.

2. Metodologia

2.1. Quadro Teórico

O artigo propõe um quadro baseado em distribuições em vez de depender exclusivamente de critérios gráficos. Ele define o problema usando três classes de distribuições:

• Pontuações de Propensão ($P_{t|x}$): A probabilidade de tratamento dadas as covariáveis.
• Distribuições Covariável-Resultado ($P_{xy(t)}$): A distribuição conjunta de covariáveis e resultados potenciais.
• Probabilidades de Seleção ($P_{s|xyt}$): A probabilidade de um ponto de dados ser incluído no conjunto de dados.

Os autores introduzem a Condição 1, uma condição necessária e suficiente para a identificabilidade do s-ATE-full. Esta condição afirma que, para quaisquer dois conjuntos compatíveis de distribuições que produzam ATEs diferentes, suas distribuições observadas (condicionadas à seleção $S=1$) devem diferir. Formalmente, se duas distribuições subjacentes $P$ e $Q$ tiverem ATEs diferentes, deve existir um ponto $(x, y, t)$ no suporte onde o produto da probabilidade de seleção, pontuação de propensão e distribuição de resultados difira entre $P$ e $Q$.

2.2. Resultados Teóricos Chave

O artigo demonstra que a Condição 1 se mantém sob suposições específicas e relativamente fracas:

• Seleção Determinística: Se a seleção for determinística (ou seja, certas regiões dos dados são completamente censuradas), o ATE é identificável se as distribuições covariável-resultado pertencerem a uma família suave (por exemplo, parametrizações polinomiais) e as pontuações de propensão satisfizerem uma condição fraca de sobreposição ($c$-overlap). Isso aproveita resultados de estatísticas truncadas para extrapolar a distribuição original a partir da truncada (observada).
• Seleção Não Determinística: Se a seleção for probabilística, mas afastada de zero (d-seleção-overlap), o ATE é identificável para uma ampla gama de famílias de distribuição comuns, incluindo distribuições Gaussiana, Laplace, Pareto e Log-normal. A intuição é que, para essas famílias, diferenças nos resultados médios se manifestam como diferenças ilimitadas nas razões de densidade, garantindo que as distribuições observadas diferam se os ATEs diferirem.

2.3. Conexão com Critérios Gráficos

Os autores mostram que suas condições distribucionais generalizam critérios gráficos existentes. Por exemplo:

• O critério Backdoor de Seleção (Correa et al., 2019) é um caso especial da Condição 1.
• Resultados de seleção dependente de resultado (Zhang et al., 2016), que anteriormente exigiam modelos de ruído aditivo não-Gaussianos, são estendidos para incluir distribuições Gaussianas e outras de cauda pesada sob o quadro proposto.
• O quadro não requer localizar a localização exata da seleção no DAG, contornando uma limitação prática majoritária de abordagens gráficas anteriores.

2.4. Algoritmo de Estimação

Quando as classes de distribuição satisfazem as condições identificadas, o artigo propõe um procedimento de estimação em três etapas (Algoritmo 1):

1. Estimação de Propensão: Estimar a pontuação de propensão $\hat{e}(x)$ e identificar a região de sobreposição $B$ onde $c < \hat{e}(x) < 1-c$.
2. Modelagem: Estimar a distribuição condicional de resultados $\hat{P}(y|x, t)$ e a função de viés de seleção $\hat{\beta}(x, y, t)$. Isso é alcançado via:
   • Estimação de Máxima Verossimilhança (MLE): Minimizando a log-verossimilhança negativa com regularização para prevenir indeterminação.
   • Correspondência de Pontuação (Score Matching): Minimizando a distância entre o gradiente da log-densidade do modelo e os dados observados, que é invariante a fatores de escala.
3. Extrapolação: Ponderar novamente as amostras observadas por $1/\hat{\beta}$ para recuperar a densidade populacional e calcular o ATE contrafactual.

3. Contribuições Chave

1. Definição e Condições Gerais: O artigo fornece uma definição geral de viés de seleção e estabelece condições necessárias e suficientes (Condição 1) para a identificabilidade do ATE sob seleção, indo além de estruturas gráficas específicas.
2. Suposições Mais Fracas: Diferentemente de trabalhos anteriores que exigem ruído não-Gaussiano ou formas funcionais específicas, este quadro permite seleção dependente de variáveis observadas arbitrárias e funciona com famílias de distribuição comuns (Gaussiana, Laplace, etc.) sob suposições de suavidade moderadas.
3. Extensão da Identificabilidade: Os resultados estendem o escopo de cenários identificáveis para incluir configurações anteriormente consideradas não identificáveis na literatura, particularmente aquelas envolvendo seleção dependente de resultado com ruído Gaussiano.
4. Estimadores Práticos: O artigo introduz métodos de estimação concretos (MLE e Correspondência de Pontuação com correção de viés) que aproveitam estatísticas truncadas para extrapolar de amostras selecionadas para a população total.

4. Resultados Experimentais

Os autores avaliam seus métodos em conjuntos de dados sintéticos e semissintéticos:

• Dados Sintéticos: Experimentos foram conduzidos com várias distribuições de ruído (Gaussiana, Laplace) e formas funcionais (aditiva, multiplicativa). Os métodos propostos (MLE+β e SM+β) superaram consistentemente linhas de base como Ponderação Inversa de Propensão Ingênua (IPW) e Regressão Polinomial. Os métodos corrigidos reduziram significativamente o viés, enquanto as linhas de base falharam em contabilizar o mecanismo de seleção.
• Dados Semissintéticos (All of Us): Usando distribuições de covariáveis do mundo real do conjunto de dados "All of Us" do NIH (Diabetes Tipo 2 e IMC), os autores geraram resultados sintéticos. Embora o viés não tenha sido totalmente eliminado devido à complexidade das distribuições do mundo real (por exemplo, pontuações de propensão muito baixas levando a sobreposição fraca), os métodos propostos diminuíram substancialmente o viés em comparação com as linhas de base, demonstrando robustez em configurações desafiadoras e realistas.

5. Significado e Alegações

O artigo alega oferecer uma compreensão holística do viés de seleção ao deslocar o foco da topologia gráfica para propriedades distribucionais. Seu significado reside em:

• Ampliação da Aplicabilidade: Ao relaxar a necessidade de estruturas gráficas específicas e suposições paramétricas fortes (como ruído não-Gaussiano), o quadro torna a identificação de efeitos causais viável em uma gama mais ampla de cenários práticos.
• Rigor Teórico: Fornece as primeiras condições necessárias e suficientes para a identificabilidade do s-ATE-full sob viés de seleção geral, esclarecendo exatamente quando e por que a identificação é possível.
• Avance Metodológico: A integração de estatísticas truncadas e correspondência de pontuação oferece um caminho viável para estimar efeitos causais na presença de mecanismos de seleção complexos onde métodos de ajuste tradicionais falham.

Os autores modestamente reconhecem limitações, observando que as suposições relativas às classes de distribuição, embora mais fracas do que trabalhos anteriores, ainda são necessárias para as garantias teóricas. Eles sugerem que trabalhos futuros poderiam focar em relaxar essas suposições, aplicar o quadro à descoberta causal e melhorar técnicas de estimação para distribuições de dados do mundo real altamente complexas.