Resumo Técnico: CaSPECT – Descoberta de Subgrupos Causalmente Homogêneos via Agrupamento Espectral Direcionado

1. Declaração do Problema

A inferência causal tradicional foca frequentemente na estimativa do Efeito Causal Médio (ACE) ou do Efeito Causal Médio Condicional (CACE) para toda a população ou com base na similaridade de covariáveis observadas. No entanto, essas abordagens podem ocultar a heterogeneidade do efeito do tratamento, onde intervenções produzem resultados benéficos para alguns subgrupos enquanto prejudicam outros. Os métodos existentes de agrupamento causal não supervisionado (ex: k-means causal, agrupamento hierárquico) tipicamente agrupam indivíduos com base em funções de efeito de tratamento estimadas, mas frequentemente dependem de técnicas de agrupamento clássicas que ignoram a topologia causal subjacente. Além disso, muitos métodos exigem modelos de escore de propensão pré-especificados ou enfrentam dificuldades quando subpopulações sobrepõem-se em distribuições marginais de covariáveis, mas diferem em mecanismos causais.

O artigo aborda o desafio de descobrir subgrupos causalmente homogêneos a partir de dados observacionais sem depender da similaridade de covariáveis ou de modelos paramétricos pré-especificados. O objetivo é descobrir estruturas latentes onde os indivíduos compartilham caminhos de propagação causal semelhantes, em vez de apenas características observadas semelhantes.

2. Metodologia: O Framework CaSPECT

O CaSPECT (Agrupamento Espectral Causal) é um pipeline de quatro estágios que desloca o objetivo do agrupamento do espaço de características para a topologia causal. Ele constrói um grafo de similaridade baseado na estrutura de um Grafo Acíclico Direcionado (DAG) aprendido e realiza o agrupamento espectral nesta estrutura causal.

Estágio 1: Formação e Orientação do DAG

O framework começa pela recuperação de um DAG totalmente orientado ($G^*$) a partir de dados observacionais:

1. Recuperação do Esqueleto: Um algoritmo PC estabilizado por bootstrap é usado para identificar um esqueleto causal estável. As arestas são retidas apenas se sua frequência de inclusão ($f_{uv}$) através de $B$ reamostragens de bootstrap exceder um limiar $\theta$, limitando falsos positivos.
2. Pontuação de Validação de Orientação (OVS): Como o algoritmo PC não consegue orientar todas as arestas (devido à equivalência de Markov), o CaSPECT introduz uma OVS inovadora para resolver ambiguidades. A OVS combina:
   • Evidência de Bootstrap ($\delta_{PC}$): Evidência de orientação líquida do algoritmo PC ($f_{uv} \cdot (\rho_{uv} - \rho_{vu})$).
   • Evidência LiNGAM ($\delta_{L}$): Preferência direcional do DirectLiNGAM baseada na não-gaussianidade dos termos de erro.
   • A pontuação é ponderada por $w_{PC}$ e $w_L$ (onde $w_L$ escala com o número de variáveis não-gaussianas).
3. Hierarquia de Resolução: Arestas com $|OVS| \le \gamma$ permanecem ambíguas. Elas são resolvidas via filtro de aciclicidade, regras de Meek, ordenação domínio/temporal ou contração de aresta (mesclando nós para preservar a aciclicidade do DAG em vez de simetrizar arestas, o que violaria o critério de backdoor).

Estágio 2: Estimativa de Peso de Aresta Causal

Uma vez orientado o DAG, as arestas são ponderadas pela magnitude do Efeito Causal Médio (ACE) identificado via conjunto de ajuste de backdoor:

• Arestas Lineares: Se um teste RESET confirmar linearidade, o Mínimos Quadrados Ordinários (OLS) estima o coeficiente estrutural $\beta_{uv}$.
• Arestas Não Lineares: Se a não-linearidade for detectada, o Aprendizado de Máquina Duplo (DML) com cross-fitting é usado para estimar o ACE, proporcionando robustez contra erros de estimativa de funções de incômodo.
• Ponderação de Estabilidade: O peso final da aresta ($A^{stab}_{uv}$) é o produto da magnitude do ACE estimado e a frequência de inclusão por bootstrap ($f_{uv}$). Isso atenua a contribuição de arestas instáveis enquanto preserva sinais causais fortes.

Estágio 3: Construção do Laplaciano de Chung e Embedding Espectral

A matriz de adjacência ponderada é normalizada para formar uma matriz de transição $P$. O CaSPECT utiliza o Laplaciano Direcionado de Chung ($L = I - \frac{1}{2}(P + P^*)$), onde $P^*$ é a matriz de tempo revertido. Este operador é simétrico e semidefinido positivo, permitindo a decomposição espectral.

• A dimensão de embedding $K^*$ é selecionada com base no maior gap espectral (desigualdade de Cheeger), correspondendo a comunidades causais bem separadas.
• Os dados são projetados nos autovetores de $L$ para obter um embedding espectral de baixa dimensão ($\tilde{X}$), onde a proximidade reflete a similaridade nos caminhos de propagação causal.

Estágio 4: Agrupamento

O agrupamento k-means padrão é aplicado ao embedding espectral $\tilde{X}$. O número ideal de clusters $k$ é selecionado usando o escore de Silhouette e a estatística de Gap.

3. Principais Contribuições

• Agrupamento Espectral Causal: Propõe um framework que agrupa indivíduos com base na topologia de um DAG aprendido, em vez do espaço de covariáveis observadas, abordando a limitação de métodos que falham quando há sobreposição nas distribuições marginais.
• Pontuação de Validação de Orientação (OVS): Introduz um mecanismo híbrido combinando a estabilidade de bootstrap do PC e a não-gaussianidade do LiNGAM para orientar arestas de forma robusta, com garantias teóricas de consistência sob suposições padrão.
• Contração de Aresta vs. Simetrização: Defende a mesclagem de nós ambíguos (contração) em vez de simetrizar arestas, o que preserva a aciclicidade necessária para um ajuste de backdoor válido e interpretação causal.
• Consistência Teórica: Estabelece a consistência quase certa de todo o pipeline, demonstrando que, conforme o tamanho da amostra $n \to \infty$, o esqueleto estável recupera o conjunto de arestas real, os pesos das arestas convergem para as magnitudes reais do ACE, e o erro de embedding espectral decai a uma taxa paramétrica ($O(n^{-1/2})$).
• Robustez ao Confundimento: Demonstra a capacidade de corrigir o confundimento severo sem modelos de escore de propensão pré-especificados, identificando subpopulações causalmente comparáveis.

4. Resultados e Validação

Estudos de Simulação

O método foi avaliado em dados sintéticos com verdade fundamental conhecida em três cenários:

1. DAG Linear com Erros Não-Gaussianos: O CaSPECT mostrou melhoria na estimativa do efeito causal (diminuição do RMSE) com o aumento do tamanho da amostra. No entanto, o desempenho do agrupamento (Índice de Rand Ajustado) não melhorou estritamente com $n$, sugerindo que o embedding espectral captura a estrutura causal global, mas pode ser menos sensível a mudanças específicas de intercepto de tratamento que definem as subpopulações.
2. Linearidade Mista: O framework adaptou-se com sucesso a arestas não lineares usando DML. Embora o RMSE tenha aumentado ligeiramente devido à variância do DML em amostras finitas, o método identificou corretamente a heterogeneidade estrutural.
3. Confundimento Latente: Sob violações leves de suficiência causal, a ponderação de estabilidade de bootstrap efetivamente suprimiu arestas espúrias, permitindo uma melhor recuperação estrutural e redução do viés de estimativa conforme o tamanho da amostra aumentava.

• Estudos de Ablação: Confirmaram que remover a OVS (dependendo apenas do PC) reduzia significativamente a precisão da orientação e o desempenho do agrupamento. Remover a ponderação de estabilidade de bootstrap teve um efeito menor em amostras grandes, mas destacou seu papel de regularização em amostras finitas. Simetrizar arestas (em vez de contrair) destruiu a informação direcional, levando a um agrupamento deficiente.

Aplicações no Mundo Real

• Dataset LaLonde CPS1: O CaSPECT separou com sucesso a amostra em dois clusters sem um modelo de escore de propensão.
  • Cluster 1: Indivíduos economicamente estáveis, não negros, casados (apenas unidades de controle).
  • Cluster 2: Indivíduos economicamente desfavorecidos, diversos (contendo todas as unidades tratadas).
  • Resultado: O ACE global foi negativo ($-1.70$), refletindo um confundimento severo. Restringir a análise ao Cluster 2 revelou um ACE positivo e estatisticamente significativo ($+1.40$), consistente com o benchmark experimental, demonstrando a capacidade do método de isolar subgrupos causalmente comparáveis.
• Dataset IHDP: O pipeline separou bebês tratados e controles em clusters distintos baseados na estrutura causal, apesar do desequilíbrio de alta dimensão nas covariáveis. Identificou corretamente que o cluster de todos os controles (Cluster 1) tinha um potencial efeito de tratamento (PTE) maior, destacando os limites de identificação (violação de positividade) para esse grupo.
• Dataset 401(k): O método identificou dois subgrupos de domicílios economicamente distintos.
  • Cluster 1: Domicílios de alta renda, com dois provedores.
  • Cluster 2: Domicílios de baixa renda, com um único provedor.
  • Resultado: Contrariando a intuição, o Cluster 2 exibiu um efeito de tratamento maior ($9.873 vs $7.884). Os autores interpretam isso como o fato de os domicílios do Cluster 1 possuírem canais de poupança já existentes (efeito de substituição), enquanto a elegibilidade ao 401(k) para o Cluster 2 representou uma expansão genuína da infraestrutura de poupança.

5. Significância e Alegações

O artigo afirma que o CaSPECT fornece um framework principiado para mapear respostas específicas de tratamento para intervenções estruturais localizadas. Sua principal significância reside em:

• Desacoplamento da Similaridade de Covariáveis: Ele distingue com sucesso subpopulações sobrepostas onde métodos tradicionais de CACE ou Mixture SEM falham devido à sobreposição de distribuições marginais, focando em "como a influência flui" em vez de "quais valores as variáveis assumem".
• Imposição Implícita de Suporte Comum: Ao realizar o embedding de indivíduos com base em caminhos de propagação causal, o método separa naturalmente observações causalmente incomparáveis, impondo suporte comum sem necessidade de trimming ou matching explícito.
• Integração de Descoberta e Estimativa: Unifica a descoberta causal (aprendizado de DAG), estimativa de efeito (DML/OLS) e agrupamento (métodos espectrais) em um único pipeline consistente.

Os autores reconhecem as trocas (trade-offs: o desempenho do método depende da precisão da formação inicial do DAG e da suposição de suficiência causal. Embora a ponderação de bootstrap mitigue incertezas menores, grafos fundamentalmente mal especificados podem propagar erros. O artigo posiciona o CaSPECT não como um substituto para todos os métodos causais, mas como uma abordagem complementar e orientada por dados para descobrir regimes causais latentes que os métodos tradicionais negligenciam.