Causal Inference under Interference with Learned Exposure Mappings

Resumo Técnico: Inferência Causal sob Interferência com Mapeamentos de Exposição Aprendidos

Definição do Problema
Na inferência causal sob interferência, o "mapeamento de exposição" é um componente crítico que define como os tratamentos atribuídos a uma unidade afetam a exposição efetiva de outras. Os frameworks tradicionais tipicamente assumem que este mapeamento é conhecido a priori, sendo frequentemente especificado via distâncias geográficas fixas ou estruturas de rede. No entanto, em aplicações ambientais — como na análise dos impactos de controles de poluição na saúde — o mapeamento de exposição não é observado diretamente. Em vez disso, ele é induzido por processos latentes de transporte atmosférico que devem ser aprendidos a partir de dados de poluição.

Isso cria um desafio fundamental: embora vários modelos de transporte (PDEs mecanísticos, operadores neurais informados pela física, operadores neurais de Fourier e modelos de fundação) possam alcançar uma acurácia preditiva semelhante no prognóstico das concentrações observadas de poluição, eles podem implicar diferentes operadores de transporte subjacentes. Consequentemente, esses modelos podem gerar mapeamentos de exposição distintos, levando a conclusões causais divergentes sobre efeitos de transbordamento (spillover effects). O artigo investiga se o acordo preditivo entre modelos de transporte é suficiente para uma inferência causal confiável quando os mapeamentos de exposição são aprendidos em vez de observados.

Metodologia
O estudo emprega um framework onde um operador de transporte $T$ mapeia um vetor de intervenção $A$ (reduções de emissão) para um mapeamento de exposição $E(T) = TA$. A quantidade causal de interesse é o efeito de transbordamento nos resultados de saúde $H$, modelado como uma função da intervenção direta e da exposição por transbordamento.

O autor compara quatro abordagens distintas de modelagem de transporte:

1. PDE Mecanística: Um modelo de equações diferenciais parciais de advecção-difusão.
2. PINO: Operadores Neurais Informados pela Física (Physics-Informed Neural Operators).
3. FNO: Operadores Neurais de Fourier (Fourier Neural Operators).
4. GeoPT: Um modelo de fundação recente para transporte geofísico.

A avaliação procede em duas etapas:

• Estudo de Simulação: Um operador de transporte "verdadeiro" latente $T^*$ gera a dinâmica da poluição. Modelos concorrentes são ajustados aos campos de poluição observados resultantes. O estudo avalia a capacidade de cada modelo em prever a poluição ($PM$), recuperar o verdadeiro mapeamento de exposição e estimar o verdadeiro efeito de transbordamento.
• Análise Empírica: Os modelos são aplicados a dados de $PM_{2.5}$ da Califórnia. A análise examina como diferentes suposições de transporte afetam os padrões de transbordamento inferidos sob intervenções hipotéticas de controle de poluição, sem reivindicar a identificação de um processo atmosférico único e "verdadeiro".

Principais Resultados

• Equivalência Preditiva vs. Divergência Causal: Em simulações, todos os quatro modelos alcançaram uma acurácia de predição de poluição quase idêntica ($R^2$ variando de 0,970 a 0,975). No entanto, seus efeitos de transbordamento estimados variaram significativamente, de 1,78 a 2,27. O modelo que recuperou com maior precisão o mapeamento de exposição (FNO) produziu a estimativa de transbordamento mais próxima do valor real.
• Acurácia do Mapeamento de Exposição como um Preditor: O estudo descobriu que a acurácia na recuperação do mapeamento de exposição foi um preditor mais forte do desempenho inferencial do que melhorias marginais na acurácia da predição de poluição. Modelos com maiores erros de mapeamento de exposição (ex: PINO, GeoPT) produziram maiores desvios nas estimativas de transbordamento.
• Sensibilidade à Intervenção: O impacto da incerteza do mapeamento de exposição dependeu fortemente do tipo de intervenção:
  • Intervenções Regionais: Mostraram um desacordo modesto entre os modelos (intervalo de transbordamento: 1,79–2,42).
  • Intervenções a Sotavento (Upwind): Mostraram o menor desacordo (intervalo: 1,93–2,13).
  • Intervenções de Fonte Pontual Localizada: Mostraram um desacordo substancial, com efeitos de transbordamento estimados variando de 0,51 (PDE) a 1,56 (GeoPT) — uma diferença de três vezes.
• Resultados Empíricos (Califórnia): A análise dos dados de $PM_{2.5}$ da Califórnia espelhou os resultados da simulação. Embora os modelos concorrentes tenham produzido previsões semelhantes das concentrações observadas, eles implicaram diferentes padrões de transbordamento e identificaram diferentes locais como os mais afetados pelas intervenções. Notavelmente, enquanto as estimativas de transbordamento variaram, o efeito de intervenção agregado permaneceu estável (variando de 0,303 a 0,305), sugerindo que a incerteza do transporte impacta mais o entendimento mecanístico do que as previsões de impacto de políticas agregadas.

Significância e Alegações
O artigo argumenta que o acordo preditivo isoladamente é insuficiente para uma inferência causal confiável quando os mapeamentos de exposição são aprendidos. A principal contribuição é demonstrar que modelos que ajustam os dados observados igualmente bem podem induzir mapeamentos de exposição diferentes, levando a conclusões substancialmente distintas sobre efeitos de transbordamento, particularmente para intervenções localizadas.

O autor alega que:

1. Os mapeamentos de exposição devem ser tratados como quantidades estimadas e não como objetos de design fixos, necessitando a propagação da incerteza do processo de aprendizado de transporte para as análises causais subsequentes.
2. Os critérios de avaliação para modelos de transporte em contextos causais devem estender-se além da acurácia preditiva para incluir a estabilidade e a confiabilidade dos mapeamentos de exposição induzidos.
3. A incerteza nos processos de transporte aprendidos importa mais para intervenções direcionadas, onde o comportamento de transporte local tem uma influência mais forte na exposição a jusante em comparação com intervenções regionais amplas.

O estudo conclui que, sem considerar a incerteza nos processos de transporte aprendidos, as inferências causais sobre efeitos de transbordamento podem ser pouco confiáveis, mesmo quando os modelos subjacentes parecem indistinguíveis em termos de desempenho preditivo.