Aprimorando a Estimativa de Efeitos Causais com Dados Gerados por Difusão

Estimativas de efeitos causais a partir de dados observacionais são inerentemente desafiadoras devido à falta de resultados contrafactuais observáveis e até mesmo à presença de confusão não mensurada. Métodos tradicionais costumam depender de suposições restritivas e não testáveis ou necessitam de variáveis instrumentais válidas, limitando significativamente sua aplicabilidade e robustez. Neste artigo, introduzimos a Estimativa Aprimorada de Efeitos Causais (ACEE), uma abordagem inovadora que utiliza dados sintéticos gerados por um modelo de difusão para aprimorar a estimativa de efeitos causais. Ao ajustar modelos geradores pré-treinados, a ACEE simula cenários contrafactuais que de outra forma seriam não observáveis, facilitando a estimativa precisa de efeitos de tratamento individuais e médios, mesmo sob confusão não mensurada. Ao contrário dos métodos convencionais, a ACEE relaxa a estrita suposição de ausência de confusão, dependendo, em vez disso, de uma condição verificável empiricamente. Além disso, um mecanismo de correção de viés é introduzido para mitigar imprecisões dos dados sintéticos. Fornecemos garantias teóricas demonstrando a consistência e eficiência do estimador ACEE, juntamente com validação empírica abrangente através de estudos de simulação e conjuntos de dados de referência. Os resultados confirmam que a ACEE melhora significativamente a precisão da estimativa causal, particularmente em configurações complexas caracterizadas por relações não lineares e ruído heterocedástico.