Resumo Técnico: Balanced Twins (B-Twin)

Formulação do Problema

O artigo aborda o desafio de estimar o Efeito Médio do Tratamento sobre os Tratados (ATT - Average Treatment Effect on the Treated) em dados de séries temporais observacionais na presença de confundimento oculto e dinâmicas não estacionárias.

Em muitas aplicações do mundo real, como programas de Resposta à Demanda (DR) em redes de energia ou intervenções clínicas em UTIs, a atribuição do tratamento é frequentemente enviesada por fatores não observados (ex: estilo de vida, restrições financeiras, gravidade da doença). Além disso, as intervenções são frequentemente adotadas em tempos escalonados entre os indivíduos, e o processo gerador de dados (DGP) subjacente pode ser não estacionário, o que significa que a relação entre os resultados pré e pós-tratamento muda ao longo do tempo independentemente do tratamento.

Os métodos de inferência causal padrão enfrentam limitações significativas neste cenário:

• Métodos econométricos (ex: Diferença em Diferenças, Controle Sintético) frequentemente dependem de suposições fortes, como tendências paralelas ou a ausência de confundidores não medidos, que são frequentemente violadas. Eles também têm dificuldade com escalabilidade e estabilidade ao nível individual para dados de alta frequência.
• Abordagens de caixa-preta neural (ex: TARNet, DragonNet) tipicamente dependem de regressão de desfecho, extrapolando trajetórias pós-tratamento a partir de dados pré-tratamento. Isso as torna sensíveis à não estacionariedade e propensas a viés quando o DGP sofre um deslocamento.
• Modelos de variáveis latentes existentes frequentemente assumem que todos os confundidores são observados ou dependem de arquiteturas específicas (como LSTMs) que podem não escalar bem para séries temporais de alta dimensão e ruidosas.

O objetivo central é estimar efeitos de tratamento individuais (ITE) recuperando contrafatuais de nível individual sem depender de suposições explícitas de modelagem temporal ou da suposição de que todos os confundidores são observados.

Metodologia: O Framework B-Twin

Os autores propõem o Balanced Twins (B-Twin), um framework neural de duas fases que une o método de controle sintético clássico com o aprendizado de representação. O método opera sob a suposição de que confundidores ocultos relevantes para o tratamento deixam assinaturas recuperáveis nas trajetórias de desfecho pré-tratamento.

1. Fundamentação Teórica

O framework é fundamentado no Método de Controle Sintético (SCM), mas o estende para lidar com o confundimento oculto.

• Recuperabilidade Latente: Os autores assumem que os desfechos pré-tratamento ($Y^{pre}$) contêm informações suficientes para recuperar aproximadamente os confundidores ocultos ($W$) através de uma função $h$.
• Condição de Balanceamento: Para garantir uma estimativa contrafatual imparcial, o método busca pesos que equilibrem a distribuição do escore de propensão latente $g(W) = P(T=1|W)$ entre as unidades tratadas e de controle.
• Proposição 1: O artigo prova que a estimativa imparcial requer uma condição de balanceamento nos escores de propensão. Como $W$ não é observado, o método relaxa isso para o balanceamento em um escore de propensão substituto aprendido $\hat{g}(Z)$, onde $Z$ é uma representação latente de $Y^{pre}$.

2. Arquitetura

O modelo consiste em dois módulos principais treinados sequencialmente:

Fase 1: Aprendizado de Representação (Autoencoder Variacional)

• Encoder: Mapeia séries temporais de pré-tratamento de alta frequência ($Y^{pre}$) em um espaço latente de baixa dimensão $Z$.
• Decoder: Reconstrói os desfechos pré-tratamento ($\hat{Y}^{pre}$) a partir de $Z$ para garantir que o espaço latente capture as dinâmicas temporais relevantes.
• Cabeça de Propensão: Uma cabeça de classificação estima o escore de propensão $\hat{g}(Z) = \sigma(g_\psi(Z))$ diretamente da representação latente.
• Função de Perda: O bloco é treinado para minimizar uma perda composta:
  $$\mathcal{L}_{rep} = \mathcal{L}_r + \beta \mathcal{L}_{KL} + \gamma \mathcal{L}_p$$
  onde $\mathcal{L}_r$ é o erro de reconstrução, $\mathcal{L}_{KL}$ é a divergência de Kullback-Leibler e $\mathcal{L}_p$ é a entropia cruzada binária para a predição de propensão.

Fase 2: Aprendizado de Pesos (Estimativa Contrafatual)

• Regressor de Pesos: Recebe as representações latentes ($Z_i, Z_j$) e os escores de propensão estimados ($\hat{g}(Z_i), \hat{g}(Z_j)$) de uma unidade alvo e de um pool de doadores (unidades de controle) como entrada.
• Objetivo: Ele produz pesos de balanceamento $B = \{b_{ij}\}$ para construir um controle sintético para a unidade tratada.
• Função de Perda: Os pesos são otimizados para minimizar uma combinação de duas perdas:
  1. Correspondência Latente ($\mathcal{L}_z$): Minimiza a distância entre a representação latente do alvo e a média ponderada das representações de controle.
  2. Balanceamento de Propensão ($\mathcal{L}_b$): Minimiza a discrepância entre a propensão do alvo e a média ponderada das propensões de controle, normalizada para lidar com diferenças de escala.
     $$\mathcal{L}_{match} = \lambda \mathcal{L}_z + (1-\lambda) \mathcal{L}_b$$

3. Estimativa

O ATT final é estimado usando um estimador ponderado pela importância que utiliza amostras de toda a população (tanto tratados quanto controles), em vez de apenas o grupo tratado. Este estimador simetrizado melhora a robustez quando a estimativa de propensão é ruidosa.

Principais Contribuições

1. Framework Inspirado em Controle Sintético Interpretável: Ao contrário das abordagens de regressão de desfecho de caixa-preta que regridem diretamente os resultados, o B-Twin produz pesos de balanceamento explícitos. Isso preserva a interpretabilidade dos métodos de controle sintético (especialistas do domínio podem inspecionar quais unidades de controle contribuem para o contrafatual) enquanto relaxa as restrições de convexidade rigorosas do SCM clássico.
2. Robustez ao Confundimento Oculto e Não Estacionariedade: Ao aprender representações latentes a partir de trajetórias pré-tratamento e realizar o balanceamento nos escores de propensão, o método evita a extrapolação direta das dinâmicas pós-tratamento. Isso o torna mais estável do que modelos de regressão de desfecho quando o DGP é não estacionário.
3. Escalabilidade: O framework utiliza estimativa de peso baseada em lotes (batch-based), permitindo lidar com grandes conjuntos de dados de nível individual de alta frequência de forma eficiente, superando a inviabilidade computacional de aplicar o SC clássico a unidades individuais.

Resultados Experimentais

Os autores avaliaram o B-Twin em conjuntos de dados sintéticos, semi-sintéticos e do mundo real (consumo de eletricidade e dados de pacientes de UTI).

• Dados Sintéticos (Datasets Toy):

  • Em cenários com alto ruído e forte confundimento oculto, os métodos clássicos (SC, DiD) e o SyncTwin baseado em LSTM tiveram dificuldades significativas.
  • As linhas de base de regressão de desfecho neural (TARNet, DragonNet) tiveram bom desempenho em cenários estacionários, mas exibiram viés e variância marcantes quando o DGP tornou-se não estacionário (as dinâmicas pré e pós-tratamento diferiam).
  • O B-Twin acompanhou consistentemente seu correspondente oracle (que usa propensões reais), demonstrando baixo viés e variância em todos os cenários, incluindo efeitos de tratamento heterogêneos e não estacionariedade.

• MIMIC-III Semi-Sintético (Dados de UTI):

  • Em um cenário de placebo onde o efeito real do tratamento era zero, o B-Twin produziu um intervalo de confiança sobrepondo o zero com largura relativamente estreita.
  • Outros métodos mostraram viés (ex: o SyncTwin mostrou um viés negativo substancial; o TARNet mostrou viés positivo) ou alta variabilidade.
  • O B-Twin foi computacionalmente eficiente, significamente mais rápido que o Synthetic Control e o SyncTwin, embora ligeiramente mais lento que os modelos de pura regressão de desfecho devido à etapa de correspondência (matching).

• Dados Reais de Eletricidade (Sowee/EDF):

  • Em um conjunto de dados de placebo semi-sintético, o B-Twin estimou corretamente um efeito próximo a zero, enquanto o SyncTwin detectou um forte efeito positivo espúrio.
  • No conjunto de dados real completo (desfecho real desconhecido), todos os métodos concordaram com uma pequena magnitude de efeito. O B-Twin forneceu estimativas consistentes com outros métodos, oferecendo a interpretabilidade de pesos explícitos e melhor escalabilidade que o Synthetic Control individual.

Significância e Alegações

O artigo afirma que o B-Twin oferece uma alternativa fundamentada para inferência causal em séries temporais em relação às abordagens de regressão de desfecho. Sua principal significância reside na capacidade de:

• Desacoplar o aprendizado de representação do matching, permitindo que o modelo capture estruturas latentes complexas sem depender da suposição de que as tendências pré-tratamento preveem perfeitamente os desfechos pós-tratamento.
• Fornecer interpretabilidade através de pesos explícitos, abordando uma grande crítica aos métodos de aprendizado profundo para causalidade.
• Lidar com o confundimento oculto ao alavancar a suposição de "recuperabilidade latente", onde os históricos pré-tratamento servem como proxies para fatores não observados.

Os autores observam modestamente que a validade do método depende da qualidade dos dados pré-tratamento em capturar os confundidores ocultos. Se os confundidores ocultos não deixarem uma assinatura informativa no histórico observado, a representação aprendida pode falhar em balancear os grupos efetivamente. Além disso, o método introduz um custo computacional adicional em comparação com a regressão simples, o que pode ser um compromisso em cenários onde o DGP é conhecido por ser estacionário e a interpretabilidade não é necessária.