Koşullu Dağılımsal Tedavi Etkilerinde Çift Korumalı Tahmin: Teorik Optimalite ile Pratik Kısıtlar Arasında

Giriş

Nedensel çıkarım literatüründe uzun süredir koşullu ortalama tedavi etkisi (conditional average treatment effect) tahminine odaklanıldı. Ancak tedaviler sadece sonuç değişkeninin ortalamasını değiştirmekle kalmaz; aynı zamanda varyansı, çok modlu yapıyı veya kuyruk risklerini (tail risks) de dönüştürebilir. Örneğin bir ilaç ortalama kan basıncını düşürürken, belirli bir alt popülasyonda ciddi hipotansiyon riskini (sol kuyruk) artırabilir. İşte tam bu noktada dağılımsal tedavi etkileri (distributional treatment effects, DTE) devreye girer.

Saksham Jain ve Alex Luedtke tarafından kaleme alınan "Conditional Distributional Treatment Effects: Doubly Robust Estimation and Testing" başlıklı çalışma, bu alandaki teorik boşluğu doldurmaya yönelik önemli bir katkı sunuyor. Yazarlar, koşullu dağılımsal tedavi etkilerini yakalamak için yeni bir estimand (tahmin hedefi) öneriyor ve bu hedef için yerel asimptotik anlamda minimax optimal (minimax optimal) olan çift korumalı (doubly robust) bir tahmin edici geliştiriyor. Makale aynı zamanda koşullu potansiyel sonuç dağılımlarının global homojenitesini test etmek için, MMD (Maximum Mean Discrepancy) ötesindeki farklılıkları yakalayabilen, tip 1 hata kontrolü sağlanmış ve sabit alternatiflere karşı tutarlı ilk valid testi sunuyor.

Ana Analiz: RKHS Çerçevesi ve Çift Korumalı Yapı

Jain ve Luedtke'nin analizi, dağılımları Reproducing Kernel Hilbert Space (RKHS) içine gömme (embedding) işlemine dayanıyor. Kernel mean embedding (çekirdek ortalama gömme) yöntemiyle, her koşullu dağılım $P_{Y(a)|X}(\cdot|x)$ bir Hilbert uzayındaki $\nu_{P,a}(x)$ noktasına karşılık gelir. İki dağılım arasındaki farkı ölçmek için kullanılan MMD, bu uzaydaki norm farkı olarak hesaplanır ve characteristic kernel kullanıldığında sadece ve sadece dağılımlar eşitse sıfır değerini alır.

Yazarlar, Park et al. (2021)'nin CoDiTE (Conditional Distributional Treatment Effect) fonksiyonunu temel alarak SCoDiTE (Smoothed CoDiTE) adını verdikleri yeni bir parametre tanımlıyor. Bu parametre $\psi(P) := \mathbb{E}P[\theta{P,1}(X) - \theta_{P,0}(X)]$ şeklinde ifade edilir ve tensör çekirdek uzayı $\mathcal{H} := \mathcal{H}X \otimes \mathcal{H}Y$ içinde değer alır. SCoDiTE'nin kritik özelliği, sadece noktasal karşılaştırmalar değil, kovariatlar üzerinden düzgünleştirilmiş (smoothed) bir karşılaştırma sunmasıdır. Bu düzgünleştirme, $\psi_P(x, y) = \int k(x', x)U{P|x'}(y)P_X(dx')$ formuyla ifade edilen witness fonksiyonu aracılığıyla gerçekleşir; burada $U{P|x}$ iki potansiyel sonuç dağılımı arasındaki farkı temsil eder.

Makalenin teknik olarak en güçlü katkısı, bu parametre için geliştirilen çift korumalı (doubly robust) tahmin edicidir. Doubly robust özellik, tahmin edicinin hem propensity score (eğilim skoru) $\pi_P(x) := P(A=1|X=x)$ hem de outcome model (sonuç modeli) $\nu_{P,a}(x)$ için tutarlı tahmin ediciler (consistent nuisance estimators) kullanıldığında, yerel alternatifler karşısında minimax optimal olmasını sağlar. Yani tahmin edici, tangent space (teğet uzay) üzerindeki etkinlik sınırına ulaşır. Bu, semiparametrik verimlilik anlamında altı çizilmesi gereken bir optimalite özelliğidir.

Ancak doubly robust kelimesinin getirdiği matematiksel rahatlık, pratikte iki ucu keskin bir kılıçtır. Tahmin edicinin tutarlılığı, nuisance parametrelerin (propensity score ve conditional mean embedding) tutarlı tahmin edilmesine koşulludur. Bu parametrelerden biri bile yanlış belirlenirse (misspecification), witness fonksiyonunun yorumlanması istatistiksel olarak oldukça riskli hale gelir. Özellikle yüksek boyutlu kovariat uzaylarında, propensity score'un doğru modellemesi neredeyse imkansıza yakındır ve bu durum tahmin edicinin sapmasına (bias) yol açar.

Global Testler, Bootstrap ve Hesaplamalı Verimlilik

Makalenin ikinci büyük katkısı, global homojenite hipotezi $H_0: P_{Y(1)|X}(\cdot|x) = P_{Y(0)|X}(\cdot|x)$ için geliştirilen test prosedürüdür. Bu test, permutation test (permutasyon testi) yerine bootstrap (bootstrap) yöntemi kullanarak reddetme bölgesi (rejection region) belirler. Permutasyon testlerinin aksine, bootstrap yaklaşımı her tekrarda (replicate) nuisance parametreleri yeniden fit etme (refit) zorunluluğu getirmez; bu da hesaplamalı maliyetleri amortize eder (amortize edilmiş hesaplama).

Yazarlar ayrıca MMD ve Wald tipi istatistikler için tam kapalı form (exact closed-form) ifadeler türetmişlerdir. Bu analitik çözümler, sayısal integrasyon ihtiyacını ortadan kaldırarak testin hesaplamasını hızlandırır. Ayrıca, asimptotik olarak valid uniform confidence bands (düzgün güven bantları) oluşturarak, heterojen dağılımsal etkilerin hangi kovariat bölgelerinde yoğunlaştığını tespit etmeyi amaçlarlar.

Burada önemli bir ayrım yapmak gerekir. Makalede sunulan validite garantileri, global null hipotezi için geçerlidir; yani dağılımların her yerde eşit olduğu sıfır hipotez