Resumo Técnico: Identificabilidade Computacional

Definição do Problema

A identificabilidade causal tradicional, denominada "identificabilidade teórica", baseia-se em derivações matemáticas para provar a existência de um parâmetro causal único dado um conjunto de suposições (ex: grafos causais, axiomas de probabilidade). Esta abordagem geralmente assume propriedades assintóticas, dados infinitos ou outras condições idealizadas. Embora existam algoritmos completos e consistentes para classes específicas de modelos (ex: do-calculus para SCMs semi-Markovianos recursivos), eles frequentemente falham em cenários práticos que envolvem:

• Tamanhos de amostra finitos.
• Critérios gráficos ambíguos onde múltiplos conjuntos de ajuste existem, mas sua otimalidade depende de parâmetros estruturais desconhecidos.
• Misturas complexas de dados observacionais e intervencionais.
• Configurações que exigem suposições paramétricas (ex: linearidade, não-gaussianidade) que são difíceis de verificar analiticamente.

Consequentemente, garantias teóricas oferecem pouca orientação sobre se um parâço alvo pode ser realmente estimado em um cenário específico de dados finitos.

Metodologia: Identificabilidade Computacional

Os autores propõem a identificabilidade computacional, um framework que redefine a identificabilidade como o sucesso de um procedimento de busca computacional finito para um estimador empírico, em vez da existência de uma solução analítica única.

Definições Principais

1. Distribuição de Mistura Causal: O framework define uma soma ponderada de distribuições empíricas (de dados observacionais, intervencionais ou contrafatuais) e distribuições teóricas derivadas de um Modelo Causal Estrutural (SCM). Isso permite a integração de diversas fontes de dados.
2. Identificabilidade Computacional (Definição 4): Uma consulta causal $\Theta[C, x]$ é considerada $\epsilon$-$\delta$-identificável condicional a um prior $\pi$ sobre SCMs e um espaço de hipóteses $\mathcal{H}$ se existir uma função $\phi \in \mathcal{H}$ tal que a probabilidade de o erro do estimador estar dentro da tolerância $\epsilon$ seja de pelo menos $1-\delta$.
   • Diferente da identificabilidade teórica, esta é condicional ao prior (distribuição sobre SCMs), ao espaço de hipóteses (a classe de estimadores), ao tamanho da amostra e à tolerância de erro.
3. Abordagem de Meta-Learning: Para operacionalizar isso, os autores tratam a identificabilidade como um problema de meta-learning. Eles definem uma distribuição conjunta sobre amostras de mistura causal e valores de consulta causal. Um meta-learner (especificamente Processos Neurais Condicionais ou Set Transformers) é treinado para mapear observações e pontos de consulta para valores de consulta causal.
4. Estimativa de Identificabilidade: A probabilidade de identificabilidade é estimada empiricamente treinando o meta-modelo em uma distribuição de SCMs e avaliando seu desempenho (ex: RMSE ou precisão de regressão quantílica) em um conjunto de teste. Os autores utilizam regressão quantílica (arquiteturas Q-CNP e Q-TNP) para lidar com distribuições de efeitos de tratamento enviesadas ou multimodais e para estimar a probabilidade de o erro cair dentro de uma tolerância específica.

Componentes Chave

• Condicionamento por Prior: A distribuição do parâmetro alvo deve estar suficientemente concentrada em torno de um valor único dados os dados disponíveis.
• Condicionamento por Hipótese: Deve existir um estimador dentro do espaço de hipóteses escolhido que possa prever o parâmetro alvo.
• Aproximação: O objetivo é a previsão dentro de uma tolerância de erro aceitável, não necessariamente a identificação pontual perfeita.

Principais Contribuições

1. Introdução da Identificabilidade Computacional: Uma noção de identificabilidade prática e limitada pela computação que complementa as definições teóricas existentes. Ela enquadra a identificabilidade como uma busca por um estimador bem-sucedido dentro de um orçamento computacional finito.
2. Formalização do Meta-Learning para Inferência Causal: O artigo generaliza a conexão entre a estimativa de efeito causal e o meta-learning, definindo os componentes necessários (espaço de hipóteses, tolerância de erro, limites de confiança e distribuições de mistura) para computar e avaliar a identificabilidade computacional.
3. Demonstração Empírica: O framework é aplicado a cenários distintos de amostras finitas pequenas, onde garantias teóricas são insuficientes ou ambíguas.

Resultados Experimentais

Os autores validam o framework através de três cenários distintos:

1. Seleção de Conjunto de Ajuste Ótimo

Em configurações onde múltiplos conjuntos de ajuste válidos existem (ex: $Z_0 = \emptyset$, $Z_1 = \{Z_1\}$, $Z_{12} = \{Z_1, Z_2\}$), critérios teóricos muitas vezes não conseguem determinar qual é o ótimo sem conhecer os parâmetros estruturais.

• Resultado: O meta-modelo identificou com sucesso o "conjunto condicionalmente ótimo" (O-set) baseado no prior sobre as equações estruturais. Para modelos lineares com priors uniformes, $Z_{12}$ foi o ótimo; para equações estruturais baseadas em MLP aleatório, $Z_0$ foi o ótimo. Isso demonstra a capacidade de distinguir entre configurações teoricamente equivalentes com base no desempenho empírico.

2. Transportabilidade com Dados Mistos

O estudo examinou a identificação de efeitos causais sob confusão oculta usando uma mistura de dados observacionais e intervencionais onde as distribuições de tratamento diferiam.

• Resultado: A identificabilidade computacional revelou uma relação não-monotônica entre a composição dos dados e o desempenho. Embora os dados intervencionais geralmente ajudem, um conjunto de dados composto inteiramente por dados intervencionais (com uma distribuição de tratamento incompatível) teve um desempenho pior do que não ter dados intervencionais. O framework quantificou a mistura ótima de tipos de dados para maximizar a probabilidade de identificabilidade.

3. Identificação Contrafactual (CATE vs. ITE)

Os autores compararam a identificabilidade de Efeitos Médios Condicionais de Tratamento (CATE) e Efeitos Individuais de Tratamento (ITE) na presença de moderadores não observados e ruído.

• Resultado:
  • CATE: Identificável em todos os cenários, não requerendo nem dados intervencionais nem contrafatuais.
  • ITE: Requer dados contrafatuais para identificação. Dados intervencionais sozinhos não ajudaram e podem degradar o desempenho em cenários sem ruído.
  • Dependência de Arquitetura: A identificabilidade mostrou-se condicional ao espaço de hipóteses. A arquitetura Q-TNP (Set Transformer) aprendeu com sucesso a corresponder pontos de dados individuais para a recuperação de ITE, enquanto o Q-CNP (mean-pooled) falhou, destacando que a "identificabilidade" é relativa à classe de estimador escolhida.
  • Não-Monotonicidade: O aumento do tamanho do conjunto de dados melhorou a estimativa de CATE, mas às vezes degradou a estimativa de ITE, contradizendo as expectativas teóricas padrão e enfatizando a natureza condicional do framework proposto.

Significância e Alegações

O artigo afirma que a identificabilidade computacional fornece uma alternativa acionável e empírica à identificabilidade teórica. Sua principal significância reside em:

• Praticidade: Responde a questões detalhadas sobre identificabilidade em cenários com amostras pequenas, grafos ambíguos e dados mistos onde soluções analíticas são intratáveis.
• Natureza Condicional: Reconhece explicitamente que a identificabilidade não é uma propriedade absoluta de um modelo, mas sim condicional ao prior, ao espaço de hipóteses, ao tamanho da amostra e à tolerância de erro.
• Busca Sistemática: Oferece um caminho para buscar sistematicamente algoritmos de identificação e limites parciais em novos cenários onde resultados teóricos ainda não existem.

Os autores mantêm uma postura modesta, observando que este framework é um complemento, e não um substituto, para a identificabilidade teórica. Eles sugerem que trabalhos futuros podem estender estas definições para análise de sobrevivência, dados faltantes e configurações de alta dimensão, além de automatizar ainda mais o processo de busca.