On the error control of invariant causal prediction

Resumen Técnico: Sobre el control de errores en la predicción causal invariante

Planteamiento del Problema
La Predicción Causal Invariante (ICP, por sus siglas en inglés), introducida por Peters et al. (2016), es un marco para identificar predictores causales de una variable de respuesta utilizando datos heterogéneos de múltiples entornos. El método original garantiza que todos los predictores descubiertos sean predictores causales verdaderos con alta probabilidad mediante el control de la Tasa de Error Familiar (FWER). Si bien esta garantía es sólida, a menudo resulta excesivamente conservadora, particularmente cuando los predictores causales están altamente correlacionados con los no causales, lo que conduce a pocos o ningún descubrimiento. El artículo aborda la cuestión de si la ICP puede equiparse con garantías de error menos conservadoras, específicamente el control de la Tasa de Descubrimiento Falso (FDR) y cotas de descubrimiento verdadero simultáneas, para extraer más información causal de los datos sin comprometer la validez estadística.

Metodología
Los autores reformulan la ICP como un problema de pruebas múltiples. En lugar de estimar directamente el conjunto de predictores causales, proponen probar las hipótesis nulas $H^*_{0,i}: i \notin S^*$ (que la variable $i$ no es un predictor causal) para todo $i \in [m]$.

1. Formulación de Pruebas Múltiples:

   • Basándose en los valores $p$ ($p_S$) generados por la ICP para la prueba de invarianza de subconjuntos $S$, los autores construyen valores $p$ válidos para hipótesis individuales: $p^*_i = \max_{S \subseteq [m]\setminus\{i\}} p_S$.
   • También definen valores $p$ para hipótesis de intersección $H^*_{0,S}: i \notin S^*$ para todo $i \in S$ como $p^*_S = \max_{I \subseteq [m]\setminus S} p_I$.
   • Un hallazgo teórico clave es que el conjunto de descubrimientos original de la ICP es exactamente equivalente al conjunto de hipótesis rechazadas al comparar directamente $p^*_i$ con el nivel nominal $\alpha$ sin ninguna corrección por pruebas múltiples. En consecuencia, el método original de ICP ya controla el FDR, pero simplemente relajar el umbral en estos valores $p$ específicos no produce más descubrimientos.

2. Control de FDR mediante Cierre-e (e-Closure):

   • Para lograr un control de FDR no trivial (es decir, obtener más descubrimientos que la ICP original), los autores adoptan el principio de Cierre-e (Xu et al., 2025).
   • Transforman los valores $p$ ($p^*_S$) en valores-e utilizando calibradores p-a-e de nuevo diseño.
   • Los autores proponen el calibrador Su y dos versiones adaptadas de función escalón: Step-Su y Step-LinearSu. Estos calibradores están adaptados a la estructura de umbral discreto inherente a la regla de decisión de Cierre-e para el FDR, optimizando la asignación del presupuesto de integral unitaria para mejorar la potencia.
   • Aplicar el principio de Cierre-e a la colección-e resultante produce una familia de conjuntos de descubrimientos que satisfacen el control simultáneo del FDR. Esto significa que la garantía de FDR se cumple para todos los conjuntos de la familia simultáneamente, permitiendo a los usuarios seleccionar un conjunto basado en criterios dependientes de los datos mientras se mantiene la garantía.

3. Cotas Simultáneas de Descubrimiento Verdadero:

   • Los autores derivan cotas simultáneas de descubrimiento verdadero utilizando el procedimiento de pruebas cerradas (Marcus et al., 1976; Goeman y Solari, 2011).
   • Debido a la monotonía de los $p^*_S$ construidos, el paso de ajuste de pruebas cerradas, computacionalmente costoso, es innecesario; una hipótesis se rechaza si y solo si se rechaza localmente.
   • Esto conduce a una fórmula simplificada para la cota de descubrimiento verdadero simultáneo $t_\alpha(R)$, que proporciona una cota inferior de alta probabilidad sobre el número de predictores causales verdaderos en cualquier conjunto $R$ especificado por el usuario.
   • Los autores muestran que esta cota es equivalente a una cota derivada directamente de la formulación original de la ICP ($\tilde{t}_\alpha(R)$), proporcionando una interpretación estadística más clara (por ejemplo, admisibilidad) de las propiedades del método original.

Contribuciones Clave

• Reformulación: Plantear la ICP como un problema de pruebas múltiples para predictores causales nulos, revelando que el método original de ICP es equivalente a la prueba no ajustada de valores $p$ específicos derivados de hipótesis de intersección.
• Control de FDR No Trivial: Demostrar que el ajuste directo de valores $p$ no puede mejorar la ICP para el control del FDR, e introducir exitosamente el principio de Cierre-e con nuevos calibradores p-a-e (Step-Su, Step-LinearSu) para lograr un control de FDR que produce más descubrimientos que la ICP original controlada por FWER.
• Cotas Simultáneas: Derivar cotas simultáneas de descubrimiento verdadero que recuperan los resultados de la ICP original mientras proporcionan información adicional sobre el número de descubrimientos verdaderos en conjuntos arbitrarios. El método simplifica el procedimiento estándar de pruebas cerradas al eliminar la necesidad de pasos de ajuste.
• Equivalencia: Probar la equivalencia entre las cotas simultáneas derivadas mediante pruebas cerradas y aquellas derivadas de la formulación original de la ICP, uniendo dos perspectivas estadísticas diferentes.

Resultados

• Simulaciones: Los autores realizaron simulaciones en modelos de ecuaciones estructurales lineales con diversas fuerzas de señal y niveles nominales.
  • Los métodos de Cierre-e con calibradores adaptados (Step-Su, Step-LinearSu) superaron consistentemente al calibrador Su general y al método original de ICP en términos del número de descubrimientos verdaderos, particularmente en configuraciones con fuerza de señal moderada a alta.
  • Se confirmó que los FDR empíricos estaban por debajo del nivel nominal en todas las configuraciones.
  • Las cotas simultáneas proporcionaron información adicional, como cotas inferiores sobre el número de predictores causales verdaderos en el conjunto completo de variables, que no estaban disponibles a partir del único conjunto de descubrimientos de la ICP original.
• Aplicación a Datos Reales: Aplicado a un conjunto de datos sobre la educación de adolescentes en EE. UU.
  • La ICP original identificó dos predictores causales: puntuación de pruebas y estado universitario del padre.
  • El método de Cierre-e controlado por FDR identificó estos dos más una tercera variable ("otras etnias"), ilustrando la capacidad de extraer más candidatos para análisis exploratorio.
  • Las cotas simultáneas revelaron que al menos cinco de ocho variables específicas en un conjunto más grande eran probablemente predictores causales verdaderos, ofreciendo una caracterización más rica de la estructura causal que el método original.

Significado y Afirmaciones
El artículo afirma que los métodos propuestos ofrecen una alternativa práctica a la ICP original al relajar el control de errores de FWER a FDR y cotas simultáneas.

• Utilidad Práctica: Los autores argumentan que el control de FWER original no debería ser la opción predeterminada porque las cotas simultáneas de descubrimiento verdadero propuestas pueden recuperar el conjunto controlado por FWER mientras proporcionan estrictamente más información.
• Exploratorio vs. Confirmatorio: Los métodos permiten a los investigadores elegir entre una garantía de tipo probabilidad (cotas simultáneas) para análisis confirmatorio o una garantía de tipo expectativa (control de FDR) para análisis más exploratorio donde se desean conjuntos de descubrimientos más grandes.
• Avance Metodológico: El trabajo muestra la utilidad de los valores-e y el principio de Cierre-e en escenarios donde los enfoques estándar de valores $p$ son limitados (específicamente, donde los valores $p$ no ajustados ya controlan el FWER). Demuestra que se puede lograr un control riguroso de errores en la ICP con menos conservadurismo, extrayendo así más información causal de datos heterogéneos.

Los autores mantienen una postura modesta respecto a las direcciones futuras, señalando que, aunque sus métodos se aplican a modelos lineales, podrían potencialmente extenderse a configuraciones no lineales, secuenciales o de un solo entorno, y que los desafíos computacionales para grandes $m$ siguen siendo un obstáculo compartido tanto por los métodos originales como por los propuestos.