Resumo Técnico: Identificação e Delimitação dos Momentos Centrais de Efeitos Causais Usando Informação de Momentos Marginais

Declaração do Problema

Na inferência causal, avaliar a heterogeneidade dos efeitos de tratamento é um objetivo crítico que vai além da estimativa do Efeito Causal Médio (ACE). Embora a distribuição dos Efeitos Causais Individuais (ICE), definida como $Y_1 - Y_0$, caracterize essa heterogeneidade, os métodos existentes para identificar ou delimitar a distribuição do ICE (por exemplo, Fan e Park [2010], Post e Van Den Heuvel [2025]) e seus momentos centrais (Kawakami e Tian [2025]) tipicamente requerem o acesso às distribuições marginais completas dos resultados potenciais (POs), $P(Y_1 < y)$ e $P(Y_0 < y)$.

Em muitos cenários empíricos, entretanto, dados individuais completos ou funções de distribuição completas não estão disponíveis devido a restrições de privacidade, confidencialidade ou pela natureza de estudos acumulados historicamente que relatam apenas estatísticas de resumo agregadas. Nesses casos, apenas os momentos centrais marginais (por exemplo, média, variância, assimetria, curtose) dos grupos de tratamento e controle estão acessíveis. Este artigo aborda o problema de identificar e delimitar os momentos centrais do ICE, denotado por $\mu^{(m)}$, usando apenas os momentos centrais marginais dos resultados potenciais, $\sigma^{(k)}_1$ e $\sigma^{(k)}_0$, sem assumir o conhecimento das distribuições marginais completas.

Metodologia

Os autores empregam o framework de Modelos Causais Estruturais (SCMs) e resultados potenciais. Os momentos centrais do ICE são definidos como $\mu^{(m)} = E[(Y_1 - Y_0 - E[Y_1 - Y_0])^m]$. Os momentos centrais marginais dos POs são definidos como $\sigma^{(k)}_x = E[(Y_x - E[Y_x])^k]$ para $x \in \{0, 1\}$.

A metodologia é dividida em duas abordagens primárias:

1. Identificação sob a Suposição de Desvio de Efeito Independente (IED):
   O artigo investiga a identificação sob a condição IED, onde o ICE é independente do resultado de base: $(Y_1 - Y_0) \perp\!\!\!\perp Y_0$. Sob esta suposição, os autores derivam fórmulas de identificação recursivas. Especificamente, o Teorema 1 mostra que, se os momentos marginais até a ordem $m$ (excluindo ordens intermediárias específicas) estiverem disponíveis, o $m$-ésimo momento central do ICE pode ser recursivamente identificado. Notavelmente, sob IED, a variância ($\mu^{(2)}$) é identificada simplesmente como a diferença nas variâncias dos POs ($\sigma^{(2)}_1 - \sigma^{(2)}_0$), e momentos de ordem superior como assimetria e curtose também podem ser identificados se os momentos marginais correspondentes estiverem disponíveis.

2. Delimitação sem IED:
   Reconhecendo que a suposição IED é forte e frequentemente não testável, o artigo deriva limites (bounds) agudos para $\mu^{(m)}$ usando apenas os momentos marginais disponíveis $(\sigma^{(k)}_1, \sigma^{(k)}_0)$ sem assumir independência.

   • Variância ($\mu^{(2)}$): Os autores analisam a correlação $\lambda$ entre o ICE e o $Y_0$ de base. Eles derivam limites agudos para $\mu^{(2)}$ baseados em $\sigma^{(2)}_1$ e $\sigma^{(2)}_0$, mostrando que a variância é limitada por $(\sqrt{\sigma^{(2)}_1} \pm \sqrt{\sigma^{(2)}_0})^2$. Eles demonstram ainda que conhecer momentos de ordem superior (como assimetria ou curtose) não necessariamente estreita o limite para a variância, a menos que condições específicas sejam atendidas.
   • Momentos de Ordem Superior: O artigo fornece limites para o terceiro ($\mu^{(3)}$) e quarto ($\mu^{(4)}$) momentos centrais. Para momentos ímpares, se apenas momentos pares de ordem inferior forem conhecidos, os limites são frequentemente triviais (ou seja, $(-\infty, \infty)$). No entanto, se o $m$-ésimo momento dos POs for conhecido, limites não triviais podem ser derivados para $m$ par.
   • Agudeza (Sharpness): Os autores definem rigorosamente "agudeza" como a propriedade de que nenhum intervalo fechado estritamente mais estreito existe dado a informação de momentos. Eles fornecem contraexemplos (no Material Suplementar) para demonstrar que, embora alguns limites sejam agudos, combinar múltiplas restrições de momentos (por exemplo, conhecer tanto a variância quanto a curtose) nem sempre produz limites agudos para os momentos do ICE, particularmente para momentos de ordem superior.

Principais Contribuições e Resultados

1. Resultados de Identificação sob IED:

   • O artigo estabelece que, sob a condição IED, os momentos centrais do ICE são identificáveis a partir dos momentos centrais marginais dos POs.
   • Corolário 1 & 2: Especificamente, a assimetria e a curtose do ICE são identificáveis se os momentos marginais correspondentes (3º e 4º) estiverem disponíveis, juntamente com a variância.

2. Limites Agudos para Momentos Centrais:

   • Variância: O Teorema 3 fornece limites agudos para $\mu^{(2)}$ usando apenas $\sigma^{(2)}_1$ e $\sigma^{(2)}_0$: $(\sqrt{\sigma^{(2)}_1} - \sqrt{\sigma^{(2)}_0})^2 \leq \mu^{(2)} \leq (\sqrt{\sigma^{(2)}_1} + \sqrt{\sigma^{(2)}_0})^2$.
   • Momentos Superiores: Os Teoremas 16–18 generalizam esses resultados para $m$ arbitrário. Para $m$ par, se $\sigma^{(m)}_1$ e $\sigma^{(m)}_0$ estiverem disponíveis, limites agudos são derivados. Para $m$ ímpar, o artigo mostra que conhecer um único momento de ordem inferior $k \leq m$ geralmente não fornece limites não triviais para $\mu^{(m)}$ (exceto em casos extremos onde os momentos inferiores são zero).
   • Interseção de Limites: O artigo investiga se a interseção de limites de diferentes momentos disponíveis (por exemplo, usando tanto $\sigma^{(2)}$ quanto $\sigma^{(4)}$) produz resultados mais estreitos. Os autores descobrem que, embora isso frequentemente estreite o intervalo, os limites resultantes são geralmente não agudos (Teorema 7, 11, 15), exceto em casos específicos envolvendo variância e momentos de ordem superior.

3. Estudos de Caso Empíricos:
   Os autores aplicam seus métodos a dois estudos do mundo real onde apenas estatísticas de resumo foram relatadas:

   • Moseley et al. [2002] (Artroscopia de Joelho): Usando médias e desvios padrão relatados, os autores delimitam a variância do ICE. Eles encontram uma heterogeneidade substancial, com a variância podendo variar de 19,36 a 806,56. Sob a suposição de correlação positiva entre a base e o ICE, o limite superior estreita significativamente.
   • Špirtović et al. [2023] (Programa de Aeróbica): Usando média, DP, assimetria e curtose relatadas, os autores delimitam a variância, assimetria e curtose do ICE. Os limites resultantes são amplos, refletindo a fundamental não-identificabilidade dada a informação limitada, mas ainda permitem a caracterização da forma da distribuição (por exemplo, assimetria positiva sob IED).

4. Experimentos Numéricos:
   Simulações comparando os limites baseados em momentos propostos com um estimador de integração de Monte Carlo (MCI) (que assume distribuições marginais completas) mostram que:

   • Em alguns cenários, os limites baseados em momentos são comparáveis ou até mais estreitos que os limites do MCI.
   • O método proposto é robusto em cenários de amostra finita, embora os intervalos de confiança se ampliem com amostras menores.

Significância e Alegações

O artigo alega que seus resultados de identificação e delimitação são novos, pois o problema de avaliar os momentos centrais do ICE usando apenas momentos centrais marginais não foi sistematicamente estudado antes.

• Relevância Prática: A principal significância reside em permitir a análise de heterogeneidade para estudos que relatam apenas estatísticas de resumo (médias, variâncias, assimetria, curtose) em vez de conjuntos de dados completos. Isso permite que pesquisadores reanalisem estudos acumulados historicamente ou aqueles com dados restritos por privacidade para inferir a extensão e a estrutura da heterogeneidade do efeito de tratamento.
• Limites de Informação: Os autores alegam modestamente que seu trabalho caracteriza explicitamente "o que pode e o que não pode ser aprendido" sob informação de apenas momentos. Eles demonstram que, embora a variância possa ser frequentemente delimitada de forma significativa, características de ordem superior (como assimetria e curtose) são inerentemente subdeterminadas sem suposições mais fortes (como IED) ou conhecimento da distribuição completa.
• Agudeza (Sharpness): O artigo enfatiza que os limites derivados são agudos onde alegado, fornecendo os intervalos mais estreitos possíveis dada a informação de momentos específica. No entanto, também reconhece que, para muitas combinações de momentos disponíveis, os limites não são agudos, destacando os limites fundamentais da inferência a partir de estatísticas agregadas.

Os autores concluem que, embora a suposição IED permita a identificação pontual, os limites derivados sem ela fornecem uma caracterização necessária da incerteza inerente à heterogeneidade do efeito causal quando apenas momentos marginais estão disponíveis. Eles observam que trabalhos futuros poderiam explorar o estreitamento desses limites usando suposições estruturais adicionais, como grafos causais ou monotonicidade.