📊 statistics

Causal Inference of Ordinal Outcomes: A Bayesian Solution

Este artigo propõe uma estrutura de variável latente bayesiana utilizando um modelo probit ordenado para superar os desafios de interpretabilidade e identificabilidade dos estimandos causais convencionais em experimentos randomizados com resultados ordinais, permitindo uma inferência mais precisa sobre as probabilidades de que um tratamento seja benéfico ou estritamente benéfico.

Autores originais: Rituparna Dey, Pradipta Sarkar, Tirthankar Dasgupta

Publicado 2026-07-28

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Rituparna Dey, Pradipta Sarkar, Tirthankar Dasgupta

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 detetive tentando resolver um mistério: será que um novo remédio realmente fez as pessoas se sentirem melhor? No mundo da ciência, isso é chamado de "inferência causal". Normalmente, os detetives medem o sucesso com uma régua — como verificar se uma febre baixou exatamente dois graus. Mas e se a evidência não for uma régua, mas um anel de humor? E se o resultado for algo como "Saúde do Couro Cabeludo", classificado em uma escala de "Radiante" para "Coceira" ou "Desastre"? Estes são chamados de resultados ordinais. Eles têm uma ordem (Radiante é melhor que Coceira), mas a "distância" entre eles é vaga. Você não pode dizer que "Radiante" é exatamente duas vezes melhor que "Coceira".

Porque os degraus na escada não são iguais, a matemática comum que os detetives usam para medir o "Efeito Médio do Tratamento" (a diferença média entre os grupos tratado e não tratado) falha. É como tentar medir a altura de uma montanha contando quantos passos você deu, mas alguns passos são pedregulhos minúsculos e outros são rochas gigantes. Os métodos antigos ou ficam travados ou dão um intervalo de respostas tão amplo que se torna inútil — como dizer: "O remédio pode ter ajudado um pouco, ou pode ter ajudado muito, ou pode não ter feito nada de mais nada de menos". Este artigo aborda esse "talvez" frustrante construindo um novo tipo de kit de detetive que funciona perfeitamente para essas escadas de degraus vagos.

Os autores, Rituparna Dey, Pradipta Sarkar e Tirthankar Dasgupta, propõem uma solução inteligente usando uma "estrutura de variável latente Bayesiana". Pense nisso como um par de óculos mágicos que permite ver o invisível. Eles imaginam que, por trás de cada classificação visível (como "Categoria 3"), existe um número contínuo oculto (uma pontuação "latente") que não podemos ver diretamente. Ao adivinhar as regras de como esses números ocultos se transformam em classificações visíveis, eles conseguem reconstruir a história completa do que aconteceu.

Em vez de fazer a pergunta vaga, "O tratamento ajudou em média?", eles fazem duas perguntas muito específicas e fáceis de entender:

$\tau$ (Tau): Qual é a probabilidade de o tratamento ter sido pelo menos útil (significando que o paciente ficou melhor ou igual)?
$\eta$ (Eta): Qual é a probabilidade de o tratamento ter sido estritamente útil (significando que o paciente definitivamente ficou melhor)?

O artigo argumenta que a forma antiga de lidar com esses dados — usando "limites não paramétricos" — é como tentar encontrar uma agulha em um palheiro apenas adivinhando o tamanho do palheiro. Esses métodos antigos produzem intervalos tão amplos (frequentem de 0% a 100%) que não dizem nada de útil. Os autores mostram que seu novo método Bayesiano age como um ímã de alta potência, puxando a resposta de dentro da névoa.

Em seus testes, eles simularam milhares de experimentos com diferentes tamanhos de amostra (de 100 a 500 pessoas) e diferentes números de categorias (3, 5 ou 7 níveis de saúde). Os resultados foram impressionantes: enquanto os antigos "limites" permaneciam amplos e inúteis, o novo método deles forneceu respostas precisas e apertadas. Por exemplo, em uma simulação com 5 categorias, o método antigo dizia que o tratamento poderia ajudar entre 20% e 80% das vezes. O novo método estreitou isso para uma faixa precisa, como 35% a 45%, com alta confiança.

No entanto, os autores são cuidadosos ao notar uma reviravolta na história. Seus óculos mágicos dependem de uma configuração oculta chamada $\rho$ (rho), que representa o quanto as "pontuações ocultas" dos grupos tratado e não tratado estão relacionados. Como não podemos medir isso diretamente dos dados, os autores tiveram que testar o quão sensíveis suas respostas eram a essa configuração. Eles descobriram que, se você assume que os grupos estão muito intimamente ligados (um $\rho$ alto), as respostas começam a oscilar. Mas, se você mantiver um intervalo razoável onde a correlação é moderada (entre 0 e 0,5), o método permanece sólido como uma rocha.

Para provar que funciona no mundo real, eles aplicaram seu método a um experimento real envolvendo a saúde do couro cabeludo humano. Neste estudo, 100 pessoas foram divididas em dois grupos: um recebeu o tratamento ativo e o outro um controle. A saúde do couro cabeludo foi classificada em uma escala que foi recodificada em quatro categorias (do melhor para o pior). Os métodos antigos deram um "limite nítido" para a probabilidade de melhora ( $\eta$ ) que variava de 0% a 68% — um palpite inútil. O novo método Bayesiano, porém, sugeriu que havia cerca de 24% a 29% de chance de o tratamento melhorar estritamente a saúde do couro cabeludo, com um intervalo de confiança muito estreito.

O artigo também analisou oito zonas diferentes da cabeça (rotuladas de A a H). Eles encontraram um padrão interessante: o tratamento parecia funcionar melhor nas zonas "frontais" (a frente da cabeça) e era um pouco mais fraco nas zonas "posteriores" (a parte de trás). Esse tipo de insight detalhado, zona por zona, é exatamente o que os métodos antigos perderam porque estavam ocupados demais olhando para os limites amplos e borrados.

Em resumo, este artigo não diz apenas: "Temos um novo truque matemático". Ele mostra que, ao usar uma abordagem Bayesiana para espiar por trás da cortina dos dados ordinais, os cientistas podem parar de adivinhar e começar a saber. Eles podem dizer não apenas se um tratamento funciona, mas quão provável é que funcione e o quanto ele ajuda, transformando "talvez" vagos em probabilidades claras e acionáveis. Os autores sugerem que esta abordagem é um divisor de águas para qualquer campo que lide com dados ranqueados, desde pontuações de dor de pacientes até classificações de satisfação do cliente, oferecendo uma maneira de extrair conclusões nítidas a partir de dados nebulosos.

Resumo Técnico: Inferência Causal de Resultados Ordinais: Uma Solução Bayesiana

Definição do Problema
Experimentos randomizados frequentemente geram resultados ordinais (ex: escores de dor, classificações de satisfação) onde as categorias possuem uma ordem significativa, mas carecem de espaçamento numérico igual. Consequentemente, estimandos causais padrão, como o Efeito Médio do Tratamento (ATE), tornam-se muitas vezes ininterpretáveis. Embora estimandos alternativos, como o Efeito Causal Distribuicional (DCE) e o Efeito da Razão de Chances, existam, eles são tipicamente $K$ -dimensionais e carecem de concisão. Mais recentemente, Lu et al. (2018) propuseram dois estimandos unidimensionais, $\tau$ (a probabilidade de o tratamento ser benéfico ou neutro, $Y(1) \le Y(0)$ ) e $\eta$ (a probabilidade de o tratamento ser estritamente benéfico, $Y(1) < Y(0)$ ). No entanto, esses estimandos são geralmente não identificáveis a partir de dados observados sem suposições fortes (ex: independência de resultados potenciais), pois dependem da distribuição conjunta não observada dos resultados potenciais. Abordagens não paramétricas existentes para lidar com isso, como a derivação de limites agudos (sharp bounds), frequentemente resultam em intervalos tão amplos (ex: abrangendo de 0 a 1) que falham em sustentar conclusões causais significativas.

Metodologia
Os autores propõem uma estrutura de variável latente bayesiana para resolver o problema da identificabilidade e realizar inferência coerente tanto para configurações de superpopulação quanto de população finita.

Modelo de Variável Latente: A abordagem utiliza um modelo probit ordenado. Assume-se a existência de variáveis latentes contínuas $Z(1)$ e $Z(0)$ que mapeiam para os resultados ordinais observados $Y(1)$ e $Y(0)$ via uma função de discretização definida por pontos de corte $\alpha$ . As variáveis latentes são modeladas como:
$Z_i(w) = X_i^T \beta + \epsilon_i(w)$
onde os termos de erro $\epsilon_i(w)$ seguem uma distribuição normal bivariada com correlação $\rho = \text{corr}(\epsilon_i(1), \epsilon_i(0))$ . O parâmetro $\beta_W$ representa o efeito do tratamento.
Identificação e Sensibilidade: O parâmetro de associação $\rho$ não é identificável a partir dos dados observados. Seguindo Volfovsky et al. (2015), os autores tratam $\rho$ como um parâmetro de sensibilidade. Eles investigam teoricamente o impacto de $\rho$ nos estimandos $\tau$ e $\eta$ , provando que, embora a relação seja não monotônica, a sensibilidade diminui à medida que a magnitude do efeito do tratamento aumenta. Eles propõem uma análise de sensibilidade para avaliar como a inferência muda através de uma gama de valores plausíveis de $\rho$ .
Inferência Bayesiana:
- Superpopulação: A inferência é extraída da distribuição da população hipotética. A distribuição posterior de $\tau^{sp}$ e $\eta^{sp}$ é derivada integrando sobre a distribuição das covariáveis.
- População Finita: A inferência é restrita aos $N$ indivíduos específicos do estudo. Isso requer a imputação dos resultados contrafatuais ausentes ( $Y^{mis}$ ) usando a distribuição preditiva posterior derivada do modelo latente e da correlação $\rho$ .
- Computação: Os autores empregam um algoritmo de amostragem de Gibbs para amostrar da distribuição posterior conjunta dos parâmetros ( $\alpha, \beta$ ) e das variáveis latentes ( $Z$ ). O algoritmo amostra iterativamente coeficientes de regressão, variáveis latentes (normal truncada) e pontos de corte (uniforme dentro das restrições), seguido pelo cálculo dos estimandos causais.

Principais Resultados
O artigo valida a metodologia através de extensos estudos de simulação e uma aplicação no mundo real a um experimento randomizado sobre a saúde do couro cabeludo humano.

Estudos de Simulação:
- Precisão: As estimativas posteriores bayesianas para $\tau$ e $\eta$ produzem intervalos de credibilidade substancialmente mais estreitos (mais precisos) em comparação com os limites agudos não paramétricos. Enquanto os limites agudos frequentemente abrangem todo o intervalo [0, 1], as estimativas bayesianas fornecem estimativas pontuais precisas com alta cobertura posterior (próxima a 95%).
- Robustez: O método apresenta bom desempenho através de variações no tamanho da amostra ( $N=100$ a $500$) e no número de categorias de resultados ( $K=3, 5, 7$ ).
- Análise de Sensibilidade: Os autores descobrem que $\eta$ é relativamente estável através de diferentes valores de $\rho$ , enquanto $\tau$ é mais sensível. Eles recomendam um intervalo prático de $\rho \in [0, 0.5]$ ; além disso, a correlação ao nível da unidade começa a sobrepor o efeito do tratamento, dificultando a inferência.
Aplicação no Mundo Real (Saúde do Couro Cabeludo):
- Aplicado a dados de 95 unidades (46 tratadas, 49 controle) com 4 categorias ordinais.
- Os limites não paramétricos eram amplos e não informativos (ex: limites de $\eta$ de 0.0 a 0.7).
- O modelo bayesiano forneceu resultados interpretáveis: aproximadamente 80% das unidades foram beneficiadas ou não foram afetadas ( $\tau \approx 0.8$ ), e cerca de 30% experimentaram melhora estrita ( $\eta \approx 0.3$ ).
- A análise revelou heterogeneidade espacial através de oito zonas da cabeça, com as zonas frontais mostrando efeitos de tratamento mais fortes do que as zonas posteriores.

Significância e Alegações
O artigo afirma que a estrutura bayesiana proposta consegue preencher a lacuna entre interpretabilidade e identificabilidade na inferência causal para resultados ordinais. Ao modelar a distribuição conjunta dos resultados potenciais através de uma estrutura de variável latente, o método supera as limitações dos limites não paramétricos existentes, que são frequentemente amplos demais para serem úteis.

Os autores asseveram que sua abordagem permite que pesquisadores:

Realizem inferência coerente tanto para configurações de superpopulação quanto de população finita.
Quantifiquem não apenas se um tratamento é benéfico, mas também o quanto e com qual confiança.
Avaliem a robustez das conclusões contra a associação desconhecida entre resultados potenciais via análise de sensibilidade.

O trabalho é apresentado como uma solução prática para aplicações científicas onde resultados ordinais são comuns, oferecendo uma avaliação de eficácia de tratamento relevante para a decisão que é superior aos atuais métodos baseados em limites.

Mais como este