The positivity assumption in causal mediation analyses? Checked!

Resumo Técnico: A Suposição de Positividade em Análises de Mediação Causal

Declaração do Problema
A análise de mediação causal, que busca decompor o efeito total de uma exposição sobre um desfecho em caminhos diretos e indiretos, baseia-se em suposições de identificação fortes. Embora a suposição de permutabilidade (ausência de confusão não medida) tenha recebido atenção extensiva, a suposição de positividade é frequentemente negligenciada em contextos de mediação. As violações de positividade ocorrem quando subgrupos específicos definidos por covariáveis têm probabilidade zero ou próxima de zero de receber um valor específico de exposição ou de mediador.

Na análise de mediação, a positividade é mais complexa do que na análise de efeito total padrão. Ela requer probabilidades não nulas tanto para a exposição quanto para o mediador, e a forma específica da suposição depende do estimando causal de interesse (ex: Efeito Direto Controlado, Efeitos Naturais ou Efeitos Intervencionais). Atualmente, há uma carência de ferramentas robustas e livres de suposições para verificar essas condições de positividade na prática. Métodos existentes, como a verificação de escores de propensão, são sensíveis à especificação do modelo e podem falhar em identificar os subgrupos específicos que causam as violações.

Metodologia: O Algoritmo dePoRT
Os autores propõem o dePoRT (decomposition Positivity Regression Trees), uma extensão do algoritmo de Árvores de Regressão de Positividade (PoRT) originalmente desenvolvido por Danelian et al. (2023) para análise de efeito total. O dePoRT é projetado para verificar violações práticas de positividade sem exigir suposições paramétricas sobre o processo gerador de dados.

O algoritmo opera através da seguinte lógica:

1. Construção de Árvores: Ele constrói uma sequência de árvores de regressão ou classificação onde a exposição ou o mediador é a variável dependente e as covariáveis são as variáveis independentes. Diferente de modelos paramétricos, as árvores aprendem associações não lineares e não monotônicas diretamente dos dados.
2. Identificação de Subgrupos: O algoritmo divide iterativamente os dados em subgrupos (nós). Ele "lê" esses nós para identificar subgrupos onde a probabilidade da exposição ou do mediador cai abaixo de um limiar pré-especificado ($\beta$).
3. Hiperparâmetros:
   • $\beta$: Um limite para a probabilidade mínima (ex: o limite de Gruber $\beta = 5/(\sqrt{n} \cdot \ln(n))$) abaixo do qual um subgrupo é considerado violador de positividade.
   • $\alpha$: Um limiar para o tamanho mínimo do subgrupo (ex: 1% da amostra) para filtrar violações em subgrupos negligenciáveis que possam não impactar a estimação.
   • $\gamma$: Um parâmetro de parada que limita o número de covariáveis consideradas simultaneamente em uma árvore para controlar a complexidade.
4. Adaptação para Mediação:
   • Efeitos Diretos Controlados (CDE): Requer a verificação da positividade para a exposição ($A$) e o mediador ($M$) condicionados às covariáveis ($C$) dentro de estratos de exposição específicos.
   • Efeitos Naturais: Envolve potenciais resultados aninhados ($Y_{a, M_{a^*}}$). Os autores introduzem uma abordagem de "engenharia reversa": primeiro, identificam subgrupos onde a distribuição do mediador em um grupo de exposição ($A=a$) carece de suporte; segundo, verificam se o valor do mediador existe no grupo de exposição contrafactual ($A=a^*$) para esse mesmo subgrupo. Se o valor estiver ausente no grupo contrafactual, a violação é estrutural; se estiver presente, é uma violação do estimando específico.
   • Efeitos Intervencionais: Semelhante aos efeitos naturais, mas considera confundidores intermediários ($L$) influenciados pela exposição. A verificação de suporte envolve verificar a prevalência do mediador condicionado tanto às covariáveis ($C$) quanto ao confundidor intermediário ($L$).

Principais Contribuições

1. Extensão Algorítmica: O artigo estende o framework PoRT para os requisitos específicos e complexos de positividade da análise de mediação causal, cobrindo efeitos Diretos Controlados, Naturais e Intervencionais.
2. Desenvolvimento de Ferramenta: Os autores implementaram o dePoRT no pacote R port e forneceram um notebook reproduzível, tornando essas verificações acessíveis a pesquisadores aplicados.
3. Ilustração Empírica: O método é aplicado a um conjunto de dados do International Dating Violence Study para investigar o efeito da exposição à violência na infância sobre a violência em relacionamentos, mediado pela religiosidade e pelos sintomas de estresse pós-traumático (SPT).
   • A análise demonstrou que, enquanto a positividade da exposição se manteve, a positividade do mediador foi violada para subgrupos específicos (ex: estudantes com níveis específicos de escolaridade parental e envolvimento religioso).
   • A aplicação mostrou como o dePoRT pode guiar a escolha do estimando; por exemplo, uma decomposição de efeitos naturais pode ser identificável enquanto outra não é, devido a diferentes violações de positividade.
   • Na presença de um confundidor intermediário (SPT), os autores ilustraram como verificar a positividade para efeitos intervencionais, identificando violações que enviesariam as estimativas de efeitos naturais.

Resultos e Descobertas
No exemplo motivador, a aplicação do dePoRT revelou:

• Efeito Total: Nenhuma violação de positividade foi encontrada para a exposição.
• Efeito Direto Controlado: 14 subgrupos violaram a suposição de positividade do mediador. Os autores concluíram que estas eram provavelmente violações práticas (aleatórias) em vez de estruturais, permitindo a estimação via fórmula-g iterada.
• Efeitos Naturais: A análise identificou que a decomposição envolvendo $E(Y_{0, M_1})$ apresentou menos violações de positividade do que a alternativa ($E(Y_{1, M_0})$), sugerindo que a primeira é uma escolha mais robusta para este conjunto de dados.
• Efeitos Intervencionais: Ao considerar o SPT, o método identificou violações específicas para efeitos diretos e indiretos intervencionais, reforçando a conclusão de que a religiosidade não medeia a relação neste contexto.

Significância e Alegações
Os autores afirmam que o dePoRT preenche uma lacia crítica no kit de ferramentas de mediação causal ao fornecer um método livre de modelos para verificar suposições de positividade. Eles enfatizam que:

• Robustez: Diferente das verificações baseadas em escore de propensão, o dePoRT não depende de especificações de modelos paramétricos, reduzindo o risco de falsos negativos ou positivos dependentes do modelo.
• Suporte à Decisão: A ferramenta ajuda pesquisadores a determinar quais estimandos causais são identificáveis com seus dados específicos. Se a positividade for violada para um estimando preferencial (ex: uma decomposição específica de efeito natural), os pesquisadores podem migrar para um estimando alternativo (ex: um efeito intervencional ou uma decomposição diferente) que seja suportado pelos dados.
• Transparência: Ao identificar explicitamente os subgrupos onde as suposições falham, o dePoRT promove a transparência na inferência causal, permitindo a interpretação qualitativa de se as violações são estruturais (exigindo uma redefinição da população alvo) ou aleatórias (endereçáveis via extrapolação ou estimadores alternativos).

O artigo conclui de forma modesta, observando que o dePoRT não é uma "solução definitiva". Sua validade ainda depende da identificação correta dos confundidores, da ausência de erro de medição e da seleção apropriada de hiperparâmetros. No entanto, representa um passo significativo em direção a uma análise de mediação causal mais rigorosa e transparente.