Confounder selection via iterative graph expansion

Resumen Técnico: Selección de Confusores mediante Expansión Iterativa de Grafos

1. Planteamiento del Problema

La selección de confusores (elegir un conjunto de covariables para controlar el sesgo de confusión entre un tratamiento $X$ y un resultado $Y$) es el paso más crítico en el diseño de estudios observacionales.

• Limitación de los métodos actuales: Los enfoques tradicionales, como el criterio de la puerta trasera de Pearl, requieren la especificación a priori de un Grafo Acíclico Dirigido (DAG) completo que incluya todas las variables relevantes (observadas y no observadas) y sus relaciones causales.
• El obstáculo práctico: En la práctica, es extremadamente difícil concebir todas las variables relevantes y posicionar todas las relaciones causales entre ellas antes de recolectar datos. Además, la mayoría de los métodos existentes son "estáticos" y no permiten una interacción dinámica con el experto del dominio para construir el grafo paso a paso.
• Objetivo: Desarrollar un procedimiento interactivo que no requiera pre-especificar el grafo causal completo ni el conjunto de variables observadas, sino que elucide la información estructural necesaria de forma incremental.

2. Metodología: Expansión Iterativa de Grafos

Los autores proponen un procedimiento interactivo, ascendente (bottom-up), llamado expansión iterativa de grafos. Este método se basa en una reformulación simétrica del criterio de la puerta trasera y puede verse como la inversa de la marginalización de grafos (proyección latente).

Conceptos Clave:

• Conjunto de Ajuste Primario (Primary Adjustment Set): Para un par de variables $(A, B)$, un conjunto de ajuste $C$ es "primario" si bloquea todas las arcos de confusión (paths sin colisionadores) entre $A$ y $B$. Intuitivamente, elimina la confusión "inmediata".
• Arcos de Confusión vs. Caminos de Confusión:
  • Un arco de confusión es un camino entre dos variables con dos cabezas de flecha en los extremos y sin colisionadores.
  • Un camino de confusión puede ser un arco o una concatenación de arcos.
  • La metodología se basa en bloquear iterativamente los arcos de confusión, lo cual es más manejable que bloquear caminos complejos debido a la propiedad de monotonicidad de los arcos (bloquear un arco no crea nuevos arcos no bloqueados al añadir más variables).

Algoritmo (CONFOUNDERSELECT):
El algoritmo comienza con un grafo de trabajo que solo contiene los nodos $X$ y $Y$ conectados por una arista bidireccional punteada (representando confusión no controlada potencial).

1. Selección de Arista: El usuario o un subprocedimiento selecciona una arista bidireccional incierta (punteada) en el grafo actual.
2. Búsqueda de Ajuste Primario: Se solicita al usuario (o a un oráculo) que proporcione un conjunto de ajuste primario para las dos variables conectadas por esa arista.
3. Expansión:
   • Si existe un conjunto de ajuste primario, la arista punteada se elimina y se introducen las nuevas variables del conjunto en el grafo.
   • Se añaden nuevas aristas bidireccionales punteadas entre todas las nuevas variables y las antiguas, así como entre pares de nuevas variables.
   • Si no existe tal conjunto, la arista se convierte en sólida (indicando confusión no controlable o inexistente).
4. Terminación: El proceso se repite hasta que $X$ y $Y$ ya no están conectados por aristas bidireccionales (sólidas o punteadas). Las variables restantes en el grafo forman un conjunto de ajuste suficiente.

Subrutinas de Interacción:
El procedimiento interactúa con el usuario mediante preguntas simples sobre causas comunes y mediadores, sin requerir conocimiento profundo de teoría de grafos (como d-separación):

• ¿Existe una causa común $C$ de $A$ y $B$ no bloqueada por el conjunto actual?
• Si sí, ¿$C$ es observable?
• Si no es observable, ¿qué variables observadas median el efecto de $C$ sobre $A$ o $B$?

3. Contribuciones Clave

1. Reformulación Simétrica: Se redefine el criterio de la puerta trasera en términos de caminos de confusión (estructuras con dos cabezas de flecha en los extremos), permitiendo tratar $X$ e $Y$ de manera simétrica y reduciendo el problema al bloqueo de estos caminos.
2. Criterio de Distrito (District Criterion): Se introduce un criterio equivalente al de la puerta trasera pero más fácil de verificar: un conjunto $S$ es suficiente si y solo si $X$ y $Y$ pertenecen a distritos diferentes en el grafo marginal sobre $S \cup \{X, Y\}$.
3. Procedimiento Interactivo y Económico: A diferencia de los métodos estáticos, este enfoque solicita información estructural solo cuando es estrictamente necesaria para la selección de confusores. No requiere conocer las relaciones causales entre los propios confusores.
4. Teoremas de Solidez y Completitud:
   • Solidez (Soundness): Si el usuario especifica correctamente los conjuntos de ajuste primario en cada paso, cualquier conjunto identificado por el algoritmo es un conjunto de ajuste suficiente.
   • Completitud: Si el usuario especifica todos los conjuntos de ajuste primario mínimos en cada paso, el algoritmo identificará todos los conjuntos de ajuste suficientes mínimos.

4. Resultados y Validación

• Teorema 4: Establece formalmente que el algoritmo es sólido y completo bajo la suposición de que el usuario actúa como un oráculo correcto.
• Ejemplos: El artículo demuestra la aplicación del algoritmo en el ejemplo clásico de "sesgo de mariposa" (butterfly bias) y en un DAG complejo tomado de la literatura (Shrier y Platt, 2008), mostrando cómo el algoritmo encuentra múltiples conjuntos de ajuste suficientes mínimos (ej. $\{E, F\}$, $\{T, F\}$, etc.) de manera sistemática.
• Implementación: Los autores han desarrollado una aplicación web interactiva (Shiny) que permite a los usuarios ejecutar este procedimiento sin necesidad de escribir código.

5. Significado e Impacto

• Diseño de Estudios: Este método cambia el paradigma de la selección de confusores de un problema de "análisis de datos" a uno de "diseño de estudio". Permite determinar qué datos deben recolectarse antes de realizar el estudio, basándose en el conocimiento del dominio.
• Accesibilidad: Reduce la barrera de entrada para el uso de modelos gráficos causales. Los expertos del dominio no necesitan ser expertos en teoría de grafos; solo necesitan identificar causas comunes y mediadores.
• Robustez: El método está diseñado para evitar el "sesgo de colisionador" (M-bias) por construcción, ya que el criterio de distrito garantiza que no se estén condicionando en colisionadores que abrirían caminos de confusión.
• Generalidad: Aunque el enfoque actual se centra en un tratamiento y un resultado, los autores sugieren que la metodología puede extenderse a casos con múltiples tratamientos y resultados.

En conclusión, el artículo presenta una solución teóricamente rigurosa y prácticamente viable para el problema fundamental de la selección de variables en estudios observacionales, superando la necesidad de especificar un modelo causal completo de antemano mediante un proceso interactivo y basado en la expansión de grafos.