Resumen Técnico: Descubrimiento Causal en Mezclas de Poblaciones

Planteamiento del Problema

El artículo aborda el desafío del descubrimiento causal en presencia de confusión latente generalizada (global). Específicamente, los autores consideran un escenario donde las variables observadas $V$ son generadas a partir de un Grafo Acíclico Dirigido (DAG) $G$, pero los datos son una mezcla de $k$ poblaciones distintas (clases latentes) determinadas por una variable discreta no observada $U$. En el grafo aumentado $G'$, $U$ actúa como una causa común que apunta a cada variable observada $V \in V$.

Esta estructura crea un "confundidor global" que d-conecta todos los pares de variables observadas, invalidando las pruebas estándar de independencia condicional (CI) efectivas. Dado que $U$ está en cada conjunto separador, no se cumple ninguna independencia condicional entre las variables observadas en la distribución marginal $Pr(V)$. Los métodos existentes para el descubrimiento causal con variables latentes suelen depender de supuestos paramétricos (por ejemplo, linealidad, ruido gaussiano) o asumen que las variables latentes afectan solo a unas pocas variables observadas (bajo grado de salida). Este artículo se dirige al escenario no paramétrico con ecuaciones estructurales y funciones de ruido arbitrarias, asumiendo únicamente que el confundidor latente $U$ es discreto con un número conocido de clases $k$.

Metodología

El enfoque propuesto reemplaza las pruebas de CI estándar con pruebas de rango de matrices y utiliza un marco algorítmico de tres fases:

1. Pruebas de Rango como una Generalización de CI

La idea teórica central es que, si bien la CI falla bajo confusión global, el rango no negativo de las matrices de probabilidad revela la estructura gráfica.

• Matrices de Probabilidad: Para las variables $X, Y$ y el conjunto de condicionamiento $C$, la matriz $M[X, Y | c]$ se define por las entradas $Pr(x, y | c)$.
• Lema de Rango: Si $X$ e $Y$ están d-separadas por $C$ en el verdadero DAG $G'$, entonces el rango no negativo de la matriz $M[X, Y | C]$ es a lo sumo $k$ (el número de clases latentes). Por el contrario, si están d-conectadas, el rango es genéricamente mayor que $k$.
• Prueba de Hipótesis: Los autores desarrollan una prueba estadística para el rango de matrices basada en Ratsimalahelo [2001], la cual demuestra ser superior al umbral de valores singulares ingenuo.

2. Aglomeración para Alfabetos Pequeños

Surge un desafío práctico cuando las variables observadas son binarias (Bernoulli), ya que un par único produce una matriz $2 \times 2$ con rango a lo sumo 2, lo que no puede distinguir $k \ge 2$.

• Solución: El algoritmo aglomera conjuntos de $\lceil \lg(k+1) \rceil$ variables binarias en "supervariables" con mayor cardinalidad ($k+1$).
• Aglomeración Preservadora de la Independencia (IPA): El método busca conjuntos de variables que puedan ser d-separadas por un conjunto de condicionamiento. Si tal conjunto existe, las supervariables aglomeradas exhibirán un rango $\le k$ en su matriz de probabilidad, permitiendo al algoritmo detectar la no-adyacencia.

3. Fases Algorítmicas

El algoritmo procede en tres fases:

• Fase I (Pruebas de Rango Aglomeradas): Un algoritmo PC modificado que itera sobre conjuntos de condicionamiento y supervariables aglomeradas. Elimina aristas entre variables que satisfacen la condición de rango $\le k$. Esta fase recupera el "esqueleto" (adyacencias), pero puede dejar aristas de Falso Positivo (FP) entre "vértices tempranos" (nodos con pocos no-descendientes) donde la aglomeración es imposible.
• Fase II (Corrección k-MixProd): Para resolver las aristas FP, el algoritmo construye instancias del problema k-MixProd (identificación de mezclas de distribuciones de producto). Selecciona subconjuntos de variables $T_{ij}$ (que contienen los extremos de la arista candidata y sus vecinos) y otros dos conjuntos aglomerados disjuntos $X_1, X_2$. Al condicionar en un conjunto específico $Z_{ij}$ (vecinos de $X_1, X_2$), el algoritmo asegura que $T_{ij}, X_1, X_2$ sean mutuamente independientes dado $U$. Un oráculo resuelve la distribución conjunta $Pr(T_{ij} | u)$, permitiendo ejecutar pruebas de CI estándar dentro de cada clase latente para verificar o eliminar la arista.
• Fase III (Orientación): Idéntica al algoritmo PC estándar, utilizando el esqueleto recuperado y los conjuntos separadores para orientar las aristas mediante estructuras v (v-structures) y reglas de Meek, produciendo un CP-DAG (Grafo Parcial Completado) que representa la Clase de Equivalencia de Markov (MEC).

Principales Contribuciones

1. Primer Algoritmo No Paramétrico: El artículo presenta el primer algoritmo para identificar estructuras causales en un entorno de mezcla con un confundidor global discreto sin realizar supuestos paramétricos sobre las variables observadas (por ejemplo, linealidad o gaussianidad).
2. Pruebas Basadas en Rango: Establece que las pruebas de rango de matrices son una generalización de las pruebas de CI para entornos con confusión generalizada y proporciona una prueba estadística rigurosa para el rango de matrices.
3. Técnica de Aglomeración: Introduce un método para manejar variables de "alfabeto pequeño" (binarias) mediante la aglomeración de estas en supervariables más grandes, permitiendo la aplicación de restricciones de rango en entornos de baja cardinalidad.
4. Límites de Identificabilidad: Los autores derivan condiciones suficientes para la identificabilidad genérica. Específicamente, si el número de variables observadas $|V|$ satisface:
   $$|V| \ge (\Delta^3 + 2\Delta^2 + 4\Delta + 2)\lceil \lg(k+1) \rceil + 2\Delta^2 + 2\Delta^3$$
   donde $\Delta$ es el grado máximo del DAG, la estructura causal es identificable hasta su MEC.
5. Análisis de Complejidad: El algoritmo se ejecuta en tiempo polinomial en $|V|$ y exponencial en $\Delta$ y $\log(k)$, dependiendo de oráculos para el rango no negativo y k-MixProd.

Resultados Empíricos

Los autores validan su enfoque utilizando datos sintéticos con una verdad de terreno conocida:

• Eficacia de la Prueba de Rango: La propuesta de prueba de hipótesis para el rango de matrices supera significativamente al umbral de valores singulares al distinguir entre estructuras de grafos conectados y divididos, particularmente con tamaños de muestra superiores a 2,000.
• Sensibilidad a la Densidad: El algoritmo se comporta de manera robusta en regímenes de grafos dispersos (el enfoque teórico), recuperando correctamente las aristas y eliminando las no-aristas. El rendimiento decae a medida que aumenta la densidad del grafo (llevando a falsos positivos), lo cual es esperado ya que las suposiciones de dispersión requeridas para la aglomeración se vuelven más difíciles de satisfacer.
• Comparación: A diferencia de los algoritmos PC y FCI, que fallan al modelar el confundidor global y devuelven grafos densos independientemente de la verdadera dispersión, el método propuesto elimina eficazmente las dependencias inducidas por la confusión en regímenes dispersos.
• Sensibilidad de Parámetros: Los experimentos muestran que el método es sensible a la elección de $k$; un $k$ incorrecto conduce a grafos excesivamente densos o excesivamente dispersos, lo que sugiere una estrategia de ajuste práctico.

Significado y Reivindicaciones

El artículo afirma proporcionar una base teórica para el descubrimiento causal en poblaciones heterogéneas donde una clase latente discreta confunde todas las observaciones.

• Novedad Teórica: Demuestra que la confusión global no impide la identificabilidad si el número de clases latentes es pequeño en relación con el tamaño y la dispersión del sistema, incluso sin restricciones paramétricas.
• Utilidad Práctica: El método ofrece una vía para aprender estructuras causales a partir de fuentes de datos mixtas (por ejemplo, diferentes demografías o entornos) donde los métodos estándar fallan debido a la confusión no observada.
• Modestia: Los autores reconocen que sus límites de identificabilidad son suficientes pero no necesariamente ajustados (el límite "laxo" del peor caso). Señalan que el requisito de un $k$ conocido es una limitación común en los modelos de mezcla, aunque $k$ puede ser estimado o ajustado. El enfoque se centra actualmente en observables discretos, aunque sugieren extensiones para variables continuas mediante matrices de momentos.

El trabajo une el descubrimiento causal, los modelos de mezcla y la descomposición de tensores, ofreciendo un nuevo conjunto de herramientas para aprender estructuras causales en entornos de datos complejos y heterogéneos.