Resumen Técnico: Agrupamiento Causal: Diseño de Experimentos de Clústeres bajo Interferencia de Red

1. Planteamiento del Problema

El artículo aborda el diseño de experimentos de clústeres en entornos donde las unidades interactúan a través de una red conocida, lo que genera efectos de desbordamiento (spillover effects) o interferencia. En tales entornos, la aleatorización estándar a nivel individual (diseños de Bernoulli) suele fallar al identificar el Efecto Promedio Global del Tratamiento (GATE, por sus siglas en inglés) debido al sesgo inducido por la exposición entre clústeres. Por el contrario, la aleatorización por clústeres elimina este sesgo al asignar clústeres enteros al tratamiento o al control, pero introduce varianza debido a la correlación de las asignaciones dentro de los clústeres y la potencial heterogeneidad en los tamaños de estos.

El desafío central es que los clústeres administrativos preespecificados (por ejemplo, aldeas) o los algoritmos estándar de detección de comunidades pueden no ser óptimos para la inferencia causal. Pueden ser demasiado gruesos (introduciendo alta varianza) o demasiado finos (fallando en capturar todos los desbordamientos relevantes, introduciendo así sesgo). Los autores plantean la elección del agrupamiento como un problema de diseño estadístico: seleccionar una partición de la red que minimice el error cuadrático medio (MSE) en el peor de los casos del estimador de diferencia de medias para el GATE.

2. Metodología y Marco de Trabajo

2.1 Marco Asintótico Local

Los autores formalizan el problema utilizando un marco asintótico local donde los efectos de desbordamiento son "locales a cero", pero no despreciables para la inferencia.

• Supuesto 1 (Interferencia local de primer orden): Los resultados potenciales dependen únicamente del tratamiento de un individuo y de los tratamientos de sus vecinos inmediatos.
• Supuesto 2 (Acotación y continuidad Lipschitz): Los resultados potenciales están uniformemente acotados, y la magnitud de los desbordamientos está limitada por un parámetro $\bar{\phi}_n$. Específicamente, el cambio en los resultados potenciales es lineal respecto a la proporción de vecinos tratados, con una pendiente acotada por $\bar{\phi}_n$.
• Supuesto 3 (Asintótica de desbordamiento local): El producto de la magnitud máxima de desbordamiento y el cuadrado del grado máximo está acotado ($\limsup \bar{\phi}_n N_{n,max}^2 \leq \epsilon$). Esto permite escenarios donde los efectos directos y los efectos de desbordamiento son de magnitud similar, un escenario común en plataformas en línea donde los efectos son pequeños pero económicamente significativos.

2.2 Caracterización de Sesgo y Varianza

El artículo deriva caracterizaciones agudas del peor caso para el sesgo y la varianza del estimador de diferencia de medias $\hat{\tau}_n(C_n)$ bajo un determinado agrupamiento $C_n$:

• Sesgo en el peor de los casos: El sesgo está gobernado por la "conectividad entre clústeres", definida como la fracción promedio de los vecinos de un individuo que se encuentran fuera de su clúster asignado ($b_n(C_n)$). El sesgo en el peor de los casos es proporcional a $\bar{\phi}_n b_n(C_n)$.
• Varianza en el peor de los casos: Bajo el marco asintótico local, la varianza está impulsada asintóticamente por las correlaciones dentro de los clústeres inducidas por el diseño de agrupamiento. Es proporcional a la suma de los cuadrados de los tamaños de los clústeres ($\sum n_k^2$), escalada por el rango del resultado $\bar{\psi}$.
• MSE en el peor de los casos: Combinando estos elementos, la función objetivo a minimizar es:
  $$B^*_n(C_n, \lambda) = \bar{\psi} \frac{1}{n^2} \sum_{k=1}^{K_n} n_k^2 + \lambda \bar{\phi}_n^2 b_n(C_n)^2$$
  donde $\lambda$ es un peso especificado por el usuario (típicamente 1 para MSE).

2.3 Algoritmo de Optimización

Los autores demuestran que encontrar el agrupamiento óptimo reduce a un nuevo problema de corte mínimo penalizado (penalized min-cut problem).

• Reformulación: El problema se reformula como un programa de optimización de traza con una restricción semidefinida.
• Relajación Convexa: Dado que el problema exacto es combinatorio, los autores proponen una relajación de Programación Semidefinida (SDP). El objetivo implica minimizar una suma ponderada de la traza de la matriz de clústeres (componente de varianza) y el cuadrado de un corte normalizado (componente de sesgo).
• Redondeo: Se recupera un agrupamiento factible aplicando el agrupamiento K-means a los autovectores de la solución SDP.
• Algoritmo 1: El procedimiento itera sobre un rango de números de clústeres ($K$) y un parámetro de calibración $\xi_n = (\lambda \bar{\phi}_n^2 / \bar{\psi})^{-1}$, que equilibra la compensación entre sesgo y varianza. El algoritmo proporciona un certificado de rendimiento demostrable (límite de aproximación) relativo al agrupamiento óptimo.

3. Contribuciones Clave

1. Marco de Decisión Teórica para el Agrupamiento: A diferencia de la literatura existente que trata el agrupamiento como algo dado o se enfoca en la detección de comunidades, este artículo deriva el agrupamiento directamente del objetivo causal de minimizar el MSE en el peor de los casos para el GATE.
2. Caracterizaciones Agudas del Peor Caso: El artículo proporciona límites explícitos y agudos para el sesgo y la varianza bajo interferencia de red, mostrando que el sesgo depende de la exposición entre clústeres y la varianza depende de la dispersión del tamaño de los clústeres.
3. Problema de Optimización Novedoso: Los autores identifican que el agrupamiento óptimo resuelve un problema de corte mínimo penalizado que internaliza tanto la exposición entre clústeres (sesgo) como la dispersión del tamaño de los clústeres (varianza). Esto difiere del agrupamiento espectral estándar o de los cortes normalizados que no tienen en cuenta la componente de varianza inducida por los tamaños de los clústeres.
4. Reglas de Diseño Prácticas:
   • Bernoulli vs. Clúster: Se deriva una regla general para determinar cuándo un diseño de clústeres domina a un diseño de Bernoulli basándose en la relación entre la magnitud del desbordamiento y la varianza del resultado, y el número de clústeres.
   • Desbordamientos Desconocidos: El artículo extiende el marco para manejar magnitudes de desbordamiento desconocidas utilizando un enfoque de arrepentimiento minimax (minimax regret), optimizando para la peor relación de MSE respecto a un oráculo.
5. Validación Empírica: El método se aplica a datos únicos de la red de Facebook y a un experimento de campo en la China rural (Cai et al., 2015).
   • En los datos de Facebook, el método propuesto clasifica los algoritmos de agrupamiento existentes (Louvain, Partición Balanceada), encontrando que Louvain con muchos clústeres suele ser el que mejor desempeño tiene.
   • En el experimento de campo, el método construye particiones alternativas que superan a los límites de las aldeas administrativas y a los algoritmos de agrupamiento estándar (Espectral, $\epsilon$-net) a través de diversas relaciones señal-ruido.

4. Resultados y Significación

El artículo afirma que el método de "Agrupamiento Causal" propuesto ofrece un procedimiento robusto para el diseño experimental en presencia de interferencia de red.

• Desempeño: En simulaciones calibradas con el experimento de campo en China, el Agrupamiento Causal logra un arrepentimiento cercano a cero (0.0% - 0.2%) en configuraciones de interferencia de primer orden, superando significativamente a los puntos de referencia como el agrupamiento Espectral y Louvain, que muestran un alto arrepentimiento (hasta 50%+) dependiendo de la relación señal-ruido.
• Robustez: Incluso bajo modelos de interferencia global mal especificados (donde los resultados dependen de los vecinos en lugar de solo de los tratamientos), el método sigue siendo competitivo, evitando el bajo desempeño significativo de otros métodos.
• Utilidad Práctica: El marco permite a los investigadores cuantificar explícitamente la compensación entre sesgo y varianza. Proporciona una forma basada en datos para elegir el número y la estructura de los clústeres, en lugar de depender de límites administrativos o de la detección de comunidades heurística.

Los autores enfatizan que su enfoque es particularmente relevante para plataformas en línea (por ejemplo, Meta/Facebook) y experimentos de campo donde los desbordamientos son pequeños pero no despreciables, y donde el objetivo es estimar el efecto total de una política a escala. El método cierra la brecha entre la literatura de agrupamiento de grafos y la inferencia causal, proporcionando una solución computacionalmente tratable (vía SDP) a un complejo problema de diseño.