Resumo Técnico: Aprendendo Quem Tratar Quando o Tratamento está Ausente

Formulação do Problema

O artigo aborda o desafio de aprender políticas de alocação de tratamento otimizadas ($d: \mathcal{X} \to \{0, 1\}$) sob restrições de orçamento ($\kappa$) quando os dados de atribuição de tratamento ($A$) estão ausentes para uma parte da população. O objetivo é maximizar a utilidade esperada $V(d) = E[Y(d(X))]$ ao identificar indivíduos com o maior Efeito Médio Condicional do Tratamento (CATE), $\tau(X) = E[Y(1) - Y(0) | X]$.

Métodos padrão de aprendizado de política assumem dados completos. No entanto, em estudos observacionais (ex: saúde, serviços sociais), os registros de tratamento são frequentemente ausentes devido a registros incompletos, erros de medição ou problemas de integração de dados. O artigo distingue dois mecanismos de ausência:

1. Ausência Completamente ao Acaso Condicional (MCCAR): A ausência ($R=0$) depende apenas das covariáveis observadas $X$. Formalmente, $R \perp\!\!\!\perp (A, Y) \mid X$.
2. Ausência ao Acaso (MAR): A ausência depende das covariáveis observadas $X$ e dos resultados observados $Y$. Formalmente, $R \perp\!\!\!\perp A \mid (X, Y)$.

Sob MCCAR, a análise de caso completo padrão (descartar unidades com $A$ ausente) é válida, mas potencialmente ineficiente. Sob MAR, a análise de caso completo é enviesada porque o mecanismo de ausência está relacionado ao resultado, violando a suposição de que a ausência é independente dos potenciais resultados dadas as covariáveis. O artigo restringe sua atenção a esses dois cenários, excluindo cenários de Ausência Não Aleatória (MNAR), onde a ausência depende de fatores não observados.

Metodologia

Os autores estendem os métodos de função de influência eficiente (IF), originalmente desenvolvidos para a estimativa do Efeito Médio do Tratamento (ATE) sob MAR, para os problemas de estimativa de Valor de Política e estimativa de CATE.

1. Estratégias de Identificação

O artigo propõe duas estratégias de identificação baseadas nas suposições de ausência:

• Estratégia Um (baseada em MAR): Válida tanto para MCCAR quanto para MAR. Ela utiliza todos os dados disponíveis (incluindo unidades parcialmente observadas) por meio de reponderação dos resultados observados. O valor da política é identificado como:
  $$V(d) = E\left[\frac{\beta_d(X)}{\gamma_d(X)}\right]$$
  onde $\beta_d(X) = E[Y \lambda_d(X, Y) \mid X]$ e $\gamma_d(X) = E[\lambda_d(X, Y) \mid X]$. Aqui, $\lambda_d(X, Y) = P(A=d(X) \mid X, Y, R=1)$ é o escore de propensão condicionado aos resultados, e $\pi(X, Y) = P(R=1 \mid X, Y)$ é a probabilidade de observar o tratamento.
• Estratégia Dois (baseada em MCCAR): Válida apenas sob MCCAR. É um estimador de caso completo usando apenas unidades com tratamentos observados:
  $$V(d) = E[\nu_d(X)]$$
  onde $\nu_d(X) = E[Y \mid X, A=d(X), R=1]$.

2. Estimadores Eficientes

Os autores derivam estimadores de correção de viés, duplamente robustos, usando Funções de Influência (IFs) para alcançar limites de eficiência semiparamétricos.

• Estimador MCCAR ($\hat{\Phi}_{MCCAR}$): Baseado na IF $\phi_{MCCAR}$, que depende das funções de incômodo $\eta_d(X) = P(A=d(X), R=1 \mid X)$ e $\nu_d(X)$. É consistente se $\hat{\eta}_d$ ou $\hat{\nu}_d$ forem corretamente especificados.
• Estimador MAR ($\hat{\Psi}_{MAR}$): Baseado na IF $\phi_{MAR}$, que aproveita a amostra completa. Requer a estimativa consistente das funções de incômodo $\pi(X, Y)$, $\lambda_d(X, Y)$, $\beta_d(X)$ e $\gamma_d(X)$. Crucialmente, requer a estimativa consistente de $\gamma_d$ (o escore de propensão sem condicionamento ao resultado) além de $\lambda_d$ ou $\pi$.

3. Aprendizado de Política (Estimativa de CATE)

Para aprender a política ótima, os autores empregam o framework DR-Learner. Eles constroem pseudo-resultados baseados na diferença entre os estimadores de função de valor MAR ou MCCAR para o tratamento ($A=1$) e controle ($A=0$):

• $\tilde{\phi}_{MAR} = \hat{\phi}_{MAR}(1) - \hat{\phi}_{MAR}(0)$
• $\tilde{\phi}_{MCCAR} = \hat{\phi}_{MCCAR}(1) - \hat{\phi}_{MCCAR}(0)$

Esses pseudo-resultados são regredidos sobre as covariáveis $X$ usando métodos genéricos de aprendizado de máquina (ex: Florestas Aleatórias) para estimar $\tau(X)$. A política ótima é então definida tratando indivíduos onde o CATE estimado excede um limiar determinado pela restrição de orçamento.

Principais Contribuições

1. Extensão de Estimadores Eficientes: Os autores estendem os métodos de função de influência eficiente da estimativa de ATE para a estimativa de valor de política e CATE sob as suposições de MAR e MCCAR.
2. Prova de Eficiência Teórica: O artigo prova que o estimador baseado em MAR é assintoticamente mais eficiente que o estimador MCCAR (de caso completo) sempre que ambos forem válidos (ou seja, sob suposições de MCCAR). Isso fornece uma justificativa formal para preferir métodos baseados em MAR mesmo quando a suposição mais forte de MCCAR é válida, pois o estimador MAR utiliza unidades parcialmente observadas para reduzir a variância.
3. Robustez à Especificação Incorreta: Os estimadores propostos possuem propriedades de dupla robustez. O estimador MAR permanece consistente se o modelo de resultado ($\lambda_d$) ou o modelo de ausência ($\pi$) for corretamente especificado, desde que o modelo de escore de propensão ($\gamma_d$) seja consistentemente estimado.
4. Validação Empírica: Experimentos abrangentes em conjuntos de dados sintéticos e semi-sintéticos (Voting e STAR) demonstram que a especificação correta do mecanismo de ausência é crítica. Estimadores mal especificados permanecem enviesados independentemente do tamanho da amostra, enquanto os estimadores MAR propostos alcançam desempenho próximo ao do oráculo quando as suposições são satisfeitas.

Resultados

• Experimentos Sintéticos:
  • Convergência: Em cenários MAR, o estimador MCCAR exibe viés persistente mesmo com grandes tamanhos de amostra, enquanto o estimador MAR converge para o oráculo. Em cenários MCCAR, ambos os estimadores são não enviesados, mas o estimador MAR alcança taxas de convergência ligeiramente mais rápidas.
  • Robustez: O estimador MAR é robusto à especificação incorreta do escore de propensão ou do mecanismo de ausência, mas não de ambos simultaneamente.
  • Ganhos de Eficiência: A análise teórica e as simulações confirmam que a eficiência relativa assintótica (ARE) do estimador MAR sobre o estimador MCCAR aumenta com o escore de propensão aumentado, a taxa de ausência e a correlação entre eles.
• Experimentos Semi-Sintéticos:
  • Usando dados reais de ensaios randomizados (Voting e STAR) com ausência induzida artificialmente, os estimadores baseados em MAR (DR-MAR) superaram consistentemente os métodos de caso completo e outros baselines (IPW, Regressão de Resultado, MTRNET) em cenários MAR, particularmente quando os dados de tratamento estavam severamente limitados (10-30% observados).
  • Em cenários MCCAR, a maioria dos métodos teve desempenho similar, embora a abordagem baseada em MAR tenha permanecido competitiva.
  • Os resultados destacam que descartar observações incompletas (análise de caso completo) leva a políticas subótimas quando a ausência depende dos resultados.

Significância e Alegações

O artigo argumenta que a análise de caso completo não é a escolha eficiente mesmo quando as suposições de caso completo (MCCAR) são válidas. Os autores afirmam que os estimadores baseados em MAR são teoricamente superiores porque:

1. Alcançam menor variância assintótica ao aproveitar unidades parcialmente observadas.
2. Requerem menos suposições de identificação do que os estimadores MCCAR (já que MCCAR é um caso especial de MAR).
3. Fornecem um framework não paramétrico e robusto para aprendizado de política que evita o viés inerente ao descartar dados quando a ausência depende do resultado.

Os autores concluem que, na prática, onde o mecanismo de ausência é frequentemente incerto, adotar a estimativa baseada em MAR é a estratégia prudente. O uso de estimadores MCCAR sob suposições de MAR leva a um viés persistente, enquanto o uso de estimadores MAR sob suposições de MCCAR resulta em maior eficiência. Essa assimetria reforça a recomendação de adotar métodos baseados em MAR para o aprendizado de políticas robustas na presença de dados de tratamento ausentes.