📊 statistics

Doubly Robust Adaptive Conformal Inference for Causal Effects Under Temporal Dependence

Este artigo propõe o Inferência Conformal Adaptativa Duplamente Robusta (DR-ACI), um novo método que constrói intervalos de predição válidos para pseudo-resultados duplamente robustos na presença de dependência temporal.

Autores originais: Andreas Koukorinis, Ricardo Silva

Publicado 2026-06-30

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Andreas Koukorinis, Ricardo Silva

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um meteorologista tentando prever quanta chuva uma cidade específica terá amanhã. Você tem um modelo que fornece um único número (por exemplo, "5 polegadas"). Mas você sabe que seu modelo não é perfeito. Você quer fornecer uma faixa, como "entre 3 e 7 polegadas", e quer ter certeza de que, ao longo do tempo, sua faixa realmente capture a chuva real 90% das vezes.

Agora, imagine duas complicações extras:

A Verdade "Oculta": Você não está apenas prevendo a chuva; você está tentando medir a diferença que a chuva faria se uma máquina de semeadura de nuvens fosse ligada versus desligada. Você nunca pode ver ambos os resultados para a mesma cidade no mesmo dia (ou choveu ou não choveu). Essa "diferença" é um fantasma — você tem que construir um proxy inteligente para estimá-la.
A "Reação em Cadeia": O clima de hoje depende fortemente do clima de ontem. Os dados não são um monte de eventos independentes e limpos; é uma corrente onde um evento puxa o próximo.

Este artigo apresenta uma nova ferramenta chamada DR-ACI (Conformal Inference Adaptativa Duplamente Robusta) para resolver exatamente este problema. Veja como funciona, dividido em conceitos simples.

1. A Rede de "Dupla Segurança" (Duplamente Robusta)

Normalmente, para estimar o efeito de um tratamento (como um medicamento ou uma política), você precisa de dois modelos: um para prever quem recebe o tratamento e outro para prever o resultado. Se qualquer um dos modelos estiver errado, sua resposta será um lixo.

Os autores usam um truque "Duplamente Robusto". Pense nisso como um avião de dois motores.

Se o primeiro motor (Modelo A) falhar, o segundo motor (Modelo B) pode manter o avião voando.
Se o Modelo B falhar, o Modelo A salva o dia.
Você só cai se ambos os motores falharem ao mesmo tempo.

Neste artigo, eles usam essa abordagem de "dois motores" para criar um "pseudo-resultado" — um ponto de dado falso, construído, que atua como um substituto para a verdade oculta (o efeito do tratamento).

2. A "Faixa de Guarda" (Lidando com a Dependência Temporal)

As ferramentas estatísticas padrão muitas vezes assumem que cada ponto de dado é independente, como lançar um dado. Mas dados de séries temporais (como preços de ações ou clima) são mais como um efeito dominó. Se você tentar treinar um modelo com os dados de ontem para prever hoje, os dados de "treinamento" e "teste" ainda estarão se tocando, o que cria uma trapaça (viés de antecipação/look-ahead bias).

Para corrigir isso, os autores usam Faixas de Guarda (Guard Bands).

Imagine que você está dividindo uma longa fila de pessoas em grupos para testar um novo passo de dança.
Em vez de apenas cortar a fila ao meio, você descarta algumas pessoas no meio como uma "zona de amortecimento" (a faixa de guarda).
Você treina seu modelo no grupo da esquerda, pula o amortecimento e testa no grupo da direita.
Isso garante que os dois grupos estejam longe o suficiente para que a "infecção" dos dados de ontem não contamine o teste de hoje.

3. A "Régua Adaptativa" (Conformal Inference Adaptativa)

Mesmo com um bom modelo, você não sabe exatamente quão ampla deve ser sua faixa de previsão. Às vezes o mundo é caótico (necessária uma faixa larga); às vezes é calmo (necessária uma faixa estreita).

Os autores usam uma Régua Adaptativa.

Imagine uma régua que estica ou encolhe com base em quão frequentemente ela erra o alvo.
Se a régua errar com muita frequência, ela se estica automaticamente para ficar mais larga.
Se ela acertar o alvo com muita facilidade, ela encolhe para ser mais precisa.
Isso acontece em tempo real, aprendendo conforme o processo, garantindo que a cobertura permaneça válida mesmo se os dados mudarem.

4. O "Padronizador de Variância" (VS-DR-ACI)

Os autores descobriram que, às vezes, a "régua" fica muito larga porque o ruído nos dados é desigual. Alguns dias são barulhentos; outros são silenciosos.

Eles adicionaram um Padronizador de Variância. Pense nisso como um fone de ouvido com cancelamento de ruído para os dados.
Antes de medir a faixa, eles normalizam os dados para que os dias "barulhentos" e os dias "silenciosos" sejam tratados de forma justa.
O Resultado: Esta versão (VS-DR-ACI) produziu intervalos de previsão que foram 63% mais estreitos do que os métodos padrão, sendo ao mesmo tempo tão precisos. É como obter uma previsão muito mais apertada e útil sem perder a confiabilidade.

5. Teste no Mundo Real: O Experimento Nasdaq

Os autores não apenas simularam isso; eles testaram em dados financeiros reais da Nasdaq referentes a uma nova regra de negociação chamada "Dynamic M-ELO".

O Problema: Eles queriam saber como essa nova regra afetava a qualidade da negociação para cada ação específica.
O Resultado: O método deles descobriu que, para muitas ações, o efeito era significativo, enquanto os métodos padrão o perderam porque suas "réguas" eram muito largas e imprecisas.
O Teste de Estresse: Eles também testaram o que acontece quando o mercado muda repentinamente (um "drift"). Os métodos padrão falharam e deram respostas erradas. O método deles, especialmente com o recurso de "cancelamento de ruído", continuou funcionando e forneceu respostas estáveis e confiáveis.

Resumo da Garantia de "Três Partes"

O artigo prova matematicamente que o erro do método deles vem de três fontes específicas, como uma conta com três itens de linha:

O Gap de Mistura (Mixing Gap): O custo de os dados estarem conectados no tempo (tratado pelas Faixas de Guarda).
A Taxa de Incômodo (Nuisance Tax): O custo de modelos imperfeitos (tratado pela Rede de Dupla Segurança).
A Taxa de Adaptação (Adaptation Rate): O custo de aprender sobre o voo (tratado pela Régua Adaptativa).

A Conclusão:
Este artigo nos dá uma maneira de dizer: "Estamos 90% seguros de que o efeito desta política nesta ação específica está entre X e Y", mesmo quando os dados são bagunçados, conectados no tempo e os modelos subjacentes não são perfeitos. É uma maneira mais confiável, mais estreita e mais inteligente de medir a incerteza em um mundo em constante mudança.

Resumo Técnico: Inferência Conformal Adaptativa Duplamente Robusta para Efeitos Causais sob Dependência Temporal

1. Definição do Problema

O artigo aborda o desafio de quantificar a incerteza para efeitos de tratamento heterogêneos (especificamente, o Efeito Médio de Tratamento Condicional, CATE, $\tau(X)$ ) em cenários caracterizados por dependência temporal.

Métodos de predição conformal padrão (ex: split conformal) baseiam-se na suposição de permutabilidade (exchangeability) — ou seja, dados independentes e identicamente distribuídos (i.i.d.). Esta suposição falha em contextos de séries temporais comuns em finanças e epidemiologia, onde observações adjacentes são correlacionadas. Consequentemente, a aplicação ingênua de métodos conformais a estimadores causais leva a garantias de cobertura inválidas. Além disso, intervalos de inferência causal padrão (assintóticos, bootstrap, bayesianos) frequentemente perdem suas garantias de calibração livres de distribuição sob dependência ou exigem a especificação correta do modelo, algo que estimadores de aprendizado de máquina não conseguem garantir facilmente.

O objetivo específico é construir intervalos de predição de amostra finita e livres de distribuição para estimativas de efeitos de tratamento individuais sem assumir observações independentes, utilizando simultaneamente resultados pseudo (pseudo-outcomes) duplamente robustos (DR) para mitigar erros de estimação de variáveis de confusão (nuisance).

2. Metodologia: DR-ACI

O método proposto, Inferência Conformal Adaptativa Duplamente Robusta (DR-ACI), integra três componentes principais:

A. Resultados Pseudo Duplamente Robustos

Em vez de calibrar sobre os resultados brutos $Y_t$ ou CATEs latentes $\tau(X_t)$ , o método constrói resultados pseudo duplamente robustos $\psi^{DR}_t$ :
$\psi^{DR}_t = \hat{\mu}_1(X_t) - \hat{\mu}_0(X_t) + \frac{W_t(Y_t - \hat{\mu}_1(X_t))}{\hat{e}(X_t)} - \frac{(1-W_t)(Y_t - \hat{\mu}_0(X_t))}{1 - \hat{e}(X_t)}$
onde $\hat{e}$ é o escore de propensão estimado e $\hat{\mu}_w$ são modelos de resultado condicional estimados. Sob a especificação correta de pelo menos um modelo de variável de confusão, $\psi^{DR}_t$ é uma estimativa não viesada de $\tau(X_t)$ com erro limitado pelo produto dos erros de estimação das variáveis de confusão.

B. Cross-Fitting de Blocos Temporais com Bandas de Guarda

Para lidar com a dependência temporal ( $\beta$ -mistura) enquanto preserva as propriedades de ortogonalidade da estimação DR, os autores propõem o cross-fitting de blocos temporais com bandas de guarda:

Particionamento: A série temporal é dividida em $K$ blocos contíguos.
Bandas de Guarda: Ao treinar modelos de variáveis de confusão em um conjunto de blocos, uma "banda de guarda" de $g$ observações adjacentes ao bloco de calibração mantido (held-out) é excluída do treinamento.
Propósito: Isso garante uma separação temporal de pelo menos $g$ passos entre os dados de treinamento e de calibração. Sob $\beta$ -mistura, isso reduz a dependência residual (erro de acoplamento) entre o conjunto de treinamento e o conjunto de calibração para $O(\beta(g)^{\delta/(2+\delta)})$ .

C. Inferência Conformal Adaptativa (ACI)

O método utiliza a estrutura ACI (Gibbs e Candès, 2021) para atualizar dinamicamente o nível de subcobertura $\alpha_t$ :
$\alpha_{t+1} = \alpha_t + \gamma(\alpha - \mathbb{1}\{\psi^{DR}_t \notin \hat{C}_t\})$
Isso fornece uma garantia de cobertura determinística de longo prazo, mesmo quando a sequência de escores não é permutável.

D. DR-ACI com Padronização de Variância (VS-DR-ACI)

Para abordar o problema de que os resultados pseudo DR incluem a variância do ruído ( $\xi_t$ ) que infla a largura do intervalo, os autores propõem a padronização de variância:
$s^{VS}_t = \frac{|\psi^{DR}_t - \hat{\tau}(X_t)|}{\hat{\sigma}_\xi(X_t)}$
onde $\hat{\sigma}_\xi(X_t)$ estima o desvio padrão local do ruído DR. Isso adapta a largura do intervalo aos níveis de ruído locais, evitando o alargamento desnecessário em regiões de baixo ruído.

3. Principais Contribuições Teóricas

A. Decomposição de Cobertura de Três Termos

O principal resultado teórico (Teorema 2) decompõe a lacuna de cobertura em três termos distintos:

Lacuna de Mistura (Mixing Gap): $\min_\tau \{ \tau/T + 2\beta(\tau) \}$ . Este termo surge da dependência temporal e é controlado pelo limite do coeficiente de comutação (switch-coefficient).
Imposto de Viés de Variável de Confusão (Nuisance-Bias Tax): $\|\hat{e} - e\|_2 \cdot \|\hat{\mu} - \mu\|_2$ . Este termo representa o produto dos erros de estimação das variáveis de confusão. O artigo prova que o cross-fitting de blocos temporais com bandas de guarda preserva a taxa de viés de produto DML padrão sob $\beta$ -mistura, adicionando apenas um remanescente de acoplamento explícito $O(\beta(g)^{\delta/(2+\delta)})$ .
Taxa de Adaptação: $O(T^{-1/2})$ . Este termo surge do mecanismo de atualização ACI.

B. Herança do Coeficiente de Comutação

O artigo estabelece (Lema 9) que os escores de conformidade construídos a partir de resultados pseudo DR herdam os limites de coeficiente de comutação do processo subjacente. Isso permite que a lacuna de cobertura seja limitada pelo coeficiente de mistura dos dados, mesmo quando os modelos de variáveis de confusão são estimados.

C. Contenção Assintótica do CATE

Embora o procedimento conformal vise diretamente o pseudo-resultado $\psi^{DR}_t$ , o artigo mostra (Corolário 6) que, sob consistência do estimador ( $\|\hat{\tau} - \tau\|_{L2} = o_p(1)$ ), os intervalos resultantes fornecem contenção assintoticamente conservadora para o CATE latente $\tau(X_t)$ . O intervalo sobre-cobre $\tau(X_t)$ porque é calibrado para o alvo mais amplo $\psi^{DR}_t = \tau(X_t) + \xi_t$ .

4. Resultados Empíricos

Estudo de Simulação

Lacuna de Mistura: Sob condições estacionárias com variando autocorrelação ( $\rho$ ), todos os métodos conformais mantiveram cobertura válida. O limite de mistura teórico foi considerado altamente conservador (prevendo quedas de cobertura para 67% em $\rho=0.99$ , enquanto a cobertura observada permaneceu próxima de 90%).
Viés de Variável de Confusão: O Oracle e o DR-ACI estimado mostraram cobertura idêntica, confirmando que o imposto de viés de variável de confusão é negligenciável para amostras padrão e modelos de aprendizado.
Deriva e Dependência (Regime D): Em um cenário combinando alta dependência ( $\rho=0.95$ $ρ = 0.95$ ) e deriva de covariáveis:
- O VS-DR-ACI manteve cobertura válida (89,9%) com largura de intervalo estável.
- O DR-ACI padrão manteve a cobertura, mas sofreu uma inflação massiva de intervalo (a largura aumentou cerca de 170x).
- Os intervalos Split Conformal e DML-Wald perderam cobertura significativa (caindo cerca de 29pp e 35pp, respectivamente).
- Mecanismo: A padronização de variância evitou a "espiral" do quantil adaptativo sob não-estacionaridade ao manter os escores aproximadamente com variância unitária.
Eficiência: O VS-DR-ACI produziu intervalos 63% mais estreitos que o split conformal enquanto mantinha cobertura válida.

Aplicação Empírica: Nasdaq Dynamic M-ELO

O método foi aplicado a um experimento natural referente à implementação pela Nasdaq de ordens de vida estendida de ponto médio dinâmico (M-ELO).

Contexto: Adoção escalonada de temporizadores de retenção dinâmicos através de coortes de ações.
Resultado: O DR-ACI identificou heterogeneidade significativa nos efeitos de tratamento. Enquanto a inferência assintótica de base encontrou apenas 12,3% de ações com efeitos significativos, o DR-ACI identificou 33,2% (um aumento de 2.000 ações em insights acionáveis).
Precisão: Os intervalos do DR-ACI foram 50% mais estreitos que os intervalos assintóticos de base, permitindo uma classificação mais precisa dos efeitos de tratamento ao nível da ação.

5. Significância e Alegações

O artigo afirma ocupar uma interseção única na literatura: combinando escores duplamente robustos, cobertura válida sob $\beta$ -mistura e adaptação online.

Significância Teórica: Fornece a primeira garantia de cobertura para resultados pseudo DR sob $\beta$ -mistura, quantificando explicitamente o custo da dependência (lacuna de mistura) e a preservação das taxas de viés DML via bandas de guarda.
Significância Prática: Oferece um método livre de distribuição e válido para amostras finitas de inferência causal em dados de séries temporais onde as suposições padrão falham. A variante com padronização de variância (VS-DR-ACI) mostra-se robusta tanto à dependência quanto à deriva, superando métodos existentes em estabilidade e largura de intervalo.
Limitações: Os autores explicitamente observam que as garantias teóricas assumem estacionaridade. A robustez à deriva observada em simulações e na aplicação Nasdaq é evidência empírica, não coberta pelo teorema principal. O limite de mistura é reconhecido como conservador para funções de escore suaves, e a derivação de um limite mais apertado para tais casos é identificada como trabalho futuro. O método também assume a Suposição de Valor de Tratamento de Unidade Estável (SUTVA), que é aproximada em mercados financeiros devido a potenciais efeitos de transbordamento (spillovers).