Resumo Técnico: Confundimento Induzido por Medição

Declaração do Problema

Estudos observacionais dependem da suposição de "ignorabilidade forte", que postula que todas as variáveis de confusão são conhecidas e devidamente ajustadas para estimar efeitos causais. Um aspecto crítico, frequentemente negligenciado, desta suposição é que as variáveis de confusão devem ser medidas sem erro. Nas ciências sociais, educacionais e médicas, muitos confundidores são traços latentes (ex: motivação, habilidade, bem-estar) que não são diretamente observáveis. Em vez disso, os pesquisadores dependem de instrumentos (testes ou questionários) para gerar medidas de proxy, como escores de soma, estimativas da Teoria de Resposta ao Item (TRI) ou respostas brutas aos itens.

Os autores argumentam que substituir esses traços latentes reais por essas medidas de proxy introduz o confundimento induzido por medição. Como as medidas de proxy contêm erro de medição, o ajuste por elas falha em bloquear totalmente o caminho de retrocesso (backdoor path) entre o tratamento e o desfecho. Consequentemente, abordagens convencionais produzem estimativas enviesadas do Efeito Médio do Tratamento (ATE) e geram intervalos de incerteza com propriedades de cobertura incorretas (especificamente, subcobertura).

Metodologia

Estrutura Teórica

O artigo utiliza Grafos Acíclicos Dirigidos (DAGs) para ilustrar o problema. Em um cenário observacional padrão onde um traço latente $\theta$ confunde a relação entre o tratamento $Z$ e o desfecho $Y$, e as respostas aos itens $X$ são geradas por $\theta$:

• Abordagem Convencional: Pesquisadores ajustam para $\hat{\theta}$ (estimativas derivadas de $X$) ou para $X$ diretamente. Os autores demonstram via DAGs que $\hat{\theta}$ e $X$ não são conjuntos de ajuste suficientes porque não contabilizam plenamente o $\theta$ não observado, deixando um confundimento residual entre $Z$ e os potenciais desfechos $Y(1), Y(0)$.
• Solução Proposta: Os autores propõem uma abordagem de Estimativa Conjunta Bayesiana. Este método estima simultaneamente três componentes dentro de um único modelo probabilístico:
  1. O Modelo de Medição: Relaciona as respostas aos itens $X$ ao traço latente $\theta$ (ex: usando um modelo TRI de 2 Parâmetros Logísticos).
  2. O Modelo de Atribuição de Tratamento: Relaciona o traço latente $\theta$ à atribuição de tratamento $Z$ (escore de propensão).
  3. O Modelo de Resposta: Relaciona o traço latente $\theta$ e o tratamento $Z$ ao desfecho $Y$.

Ao modelar a distribuição conjunta $p(\theta, Z, Y, X)$, a abordagem permite o ajuste direto para o traço latente $\theta$ sem nunca observá-lo diretamente, fechando efetivamente o caminho de retrocesso.

Estudo de Simulação

Para validar a teoria, os autores conduziram um estudo de simulação ($N=1000$ indivíduos, $J=100$ itens, $M=1000$ replicações) mimetizando um estudo observacional sobre a frequência à faculdade e renda, tendo a motivação como o único confundidor latente.

• Processo Gerador de Dados: A motivação latente $\theta$ foi extraída de uma distribuição normal padrão. As respostas aos itens foram geradas via um modelo TRI de 2PL. A atribuição de tratamento e os potenciais desfechos foram funções lineares de $\theta$.
• Comparadores: A Estimativa Conjunta Bayesiana foi comparada contra:
  • Modelagem de Superfície de Resposta: Ajustando para escores de soma ($\hat{\theta}_{sum}$), estimativas de TRI ($\hat{\theta}_{IRT}$) ou respostas brutas aos itens ($X$) em uma regressão linear.
  • Ponderação pelo Inverso da Probabilidade de Tratamento (IPTW): Modelando escores de propensão usando $\hat{\theta}_{sum}$, $\hat{\theta}_{IRT}$ ou $X$.

Estudo Observacional Construído

Os autores aplicaram seu método a um conjunto de dados observacionais construído derivado de um estudo randomizado de Keller et al. (2025). Neste conjunto de dados, os participantes se autoselecionaram para braços de tratamento baseados em preferência, criando um cenário com confundimento latente (habilidade matemática basal medida por um pré-teste de 12 itens). O resultado do estudo randomizado serviu como o benchmark imparcial.

Principais Resultados

Achados da Simulação

• Viés: Todas as abordagens convencionais (escores de soma, estimativas de TRI ou respostas brutas aos itens) produziram estimativas enviesadas do Efeito de Tratamento Médio Condicional (CATE).
  • Os modelos de superfície de resposta mostraram vieses padronizados variando de 0,0475 a 0,0584 desvios padrão.
  • Os modelos IPTW mostraram vieses ainda maiores, variando de 0,102 a 0,126 desvios padrão.
  • A abordagem de Estimativa Conjunta Bayesiana convergiu para viés zero.
• Cobertura: As abordagens convencionais apresentaram sistematicamente subcobertura do efeito real (os intervalos de confiança de 95% falharam em capturar o parâmetro real com mais frequência do que a taxa nominal).
• Eficiência: A abordagem de Estimativa Conjunta Bayesiana alcançou a cobertura nominal (95%) sem inflar o comprimento do intervalo de incerteza; de fato, seus intervalos eram comparáveis ou até menores que os dos métodos convencionais enviesados.

Achados do Estudo Construído

• O CATE do benchmark randomizado foi 0,7603.
• A Estimativa Conjunta Bayesiana recuperou um CATE de 0,73 (0,007 desvios padrão do benchmark).
• Os métodos convencionais geraram estimativas variando de 0,99 a 1,24 (0,06 a 0,132 desvios padrão de distância do benchmark).
• Crucialmente, todos os modelos de superfície de resposta falharam em cobrir o benchmark experimental com seus intervalos de 95%. Embora alguns intervalos de IPTW tenham coberto o benchmark, isso foi atribuído a uma incerteza excessiva (intervalos amplos) em vez de precisão.

Contribuições e Significância

O artigo apresenta duas contribuições primárias:

1. Identificação do Confundimento Induzido por Medição: Ele identifica e demonstra formalmente que ajustar para traços latentes via medidas de proxy (escores de soma, estimativas de TRI ou respostas aos itens) em estudos observacionais leva a estimativas causais enviesadas e quantificação de incerteza incorreta, mesmo quando as formas funcionais subjacentes são lineares e corretamente especificadas.
2. Solução Proposta: Introduz um framework de Estimativa Conjunta Bayesiana que resolve este problema ao modelar simultaneamente os processos de medição, atribuição e resposta.

Significância:
Os autores concluem que um vasto número de estudos observacionais existentes em educação, psicologia e medicina que ajustam para traços latentes usando métodos convencionais provavelmente relatam estimativas causais enviesadas com intervalos de incerteza enganosos. A Estimativa Conjunta Bayesiana proposta oferece um caminho para inferência sem viés nesses contextos.

No entanto, os autores mantêm um tom modesto quanto às limitações de sua solução:

• Suposições Paramétricas: A implementação atual depende de fortes suposições paramétricas (ex: relações lineares, TRI de 2PL). Eles reconhecem que métodos flexíveis de aprendizado de máquina (ex: BART, Florestas Causais) atualmente não conseguem resolver o confundimento induzido por medição porque não abordam o caminho de retrocesso através do mecanismo de atribuição quando variáveis latentes estão envolvidas.
• Escalabilidade: Embora a abordagem possa escalar para múltiplos confundidores latentes, estender para modelos não paramétricos permanece um desafio computacional significativo devido à não diferenciabilidade dos estimadores baseados em árvores.
• Alternativa Ótima: Os autores reiteram que estudos randomizados permanecem a solução ideal, pois a randomização elimina o confundimento por design, tornando desnecessária a medição de traços latentes para identificação causal. O método proposto é um remédio para situações onde a randomização é eticamente ou logisticamente impossível.