Resumen Técnico: Causalidad de Granger en Extremos

1. Declaración del Problema

El descubrimiento causal en series temporales es crítico para comprender sistemas dinámicos, particularmente durante periodos de alta volatilidad y eventos extremos. Sin embargo, los métodos de vanguardia se centran predominantemente en la causalidad dentro del "cuerpo" de la distribución (por ejemplo, la causalidad en la media o la varianza). Estos enfoques clásicos a menudo no logran capturar mecanismos que se manifiestan exclusivamente durante eventos extremos, como el impacto de retornos bursátiles extremos en otros activos o de precipitaciones extremas en crecidas de ríos. Además, la inferencia causal estándar es altamente sensible a los confundidores ocultos, y los métodos existentes para el análisis de eventos extremos suelen depender de fuertes supuestos sobre la variación regular, la equivalencia de colas o modelos paramétricos específicos que limitan su aplicabilidad tanto a variables de cola pesada como de cola ligera.

El artículo aborda la necesidad de un marco que defina e infiera formalmente la causalidad de tipo Granger específicamente en el contexto de eventos extremos, capaz de manejar series no lineales y de alta dimensión, y que sea robusto ante la confusión oculta bajo condiciones de cola específicas.

2. Metodología

2.1 Marco Teórico: Causalidad en Extremos

Los autores introducen dos nuevas definiciones de causalidad en extremos para un proceso bivariado $(X, Y)$, condicionado a un conjunto de variables $Z$ (que pueden incluir valores pasados de $X$ e $Y$ y posibles confundidores). Estas definiciones se basan en el coeficiente de cola causal, una generalización del coeficiente introducido por Gnecco et al. (2020).

Sea $F$ una función de distribución con $F(x) < 1$ para todo $x$. El coeficiente de cola causal ajustado para $Z$ se define como:
$$\Gamma_{X \to Y|C} := \lim_{v \to \infty} \mathbb{E}[F(Y_{t+1}) \mid X_t > v, C^{-X}_t]$$
donde $C^{-X}_t$ representa el conjunto de información excluyendo el pasado de $X$.

El artículo define dos formas de causalidad extrema:

1. Causalidad de Cola ($X \xrightarrow{tail} Y$): La cola superior de $X$ causa la cola de $Y$ si la expectativa condicional anterior difiere de la expectativa base $\mathbb{E}[F(Y_{t+1}) \mid C^{-X}_t]$.
2. Causalidad Extrema ($X \xrightarrow{ext} Y$): Un extremo en $X$ causa un extremo en $Y$ si el coeficiente es igual a 1 casi seguramente. Esto implica que un evento extremo en $X$ hace que un evento extremo en $Y$ sea cierto (la probabilidad se aproxima a 1).

El marco se extiende a retardos no unitarios (retardo máximo $p$), efectos instantáneos, ambas colas (usando $|X|$ y $|Y|$) y soportes acotados.

2.2 Equivalencia y Robustez

Los autores establecen equivalencias formales entre estas nuevas definiciones y conceptos clásicos:

• Bajo el Supuesto A1 (la dependencia estructural no desaparece en las colas), $X \xrightarrow{ext} Y \iff X \xrightarrow{tail} Y \iff X \xrightarrow{G} Y$ (causalidad de Granger).
• Robustez ante Confundidores Ocultos: Una contribución teórica clave es la demostración de que, bajo supuestos de variación regular (específicamente el supuesto de Grey) y estacionariedad, el ajuste por confundidores $Z$ puede ignorarse al probar la causalidad extrema. Específicamente, $\Gamma_{X \to Y|C} = 1 \iff \Gamma_{X \to Y|\emptyset} = 1$. Esto permite la detección de vínculos causales extremos sin necesidad de modelar explícitamente confundidores de alta dimensión, siempre que el comportamiento extremo de $X$ esté suficientemente impulsado por sus propias innovaciones.

2.3 Estimación e Inferencia

El artículo propone un procedimiento de inferencia no paramétrico y libre de modelos:

• Estimador: Se construye un estimador basado en muestras $\hat{\Gamma}_{X \to Y|Z}$ promediando $F(y_{t+1})$ sobre un subconjunto de pasos de tiempo $S$ donde $X_t$ es extremo (superando un umbral $\tau_n$) y los confundidores $Z_t$ (y potencialmente $Y_t$) no son extremos.
• Selección de Conjuntos: Se proponen dos conjuntos para $S$:
  • $S_1$: Condiciona a que $X_t$ sea extremo y $Z_t$ (y $Y_t$) estén por debajo de un umbral fijo.
  • $S_2$: Condiciona a que $X_t$ sea extremo y $(Y_t, Z_t)$ caigan dentro de una pequeña bola alrededor de un punto específico $(y_0, z_0)$.
• Consistencia: El Teorema 2 y el Teorema 3 demuestran que estos estimadores son consistentes a medida que el tamaño de la muestra $n \to \infty$.
• Algoritmo: Un algoritmo de clasificación (Algoritmo 1) compara el coeficiente estimado contra una base. Si $\hat{\Gamma} \approx 1$, concluye causalidad extrema; de lo contrario, concluye que no hay causalidad extrema.
• Extensión Multivariante: El Algoritmo 2 extiende esto para estimar un grafo causal completo para $m$ variables. Aprovecha la propiedad de robustez para realizar primero un cribado por pares (ignorando confundidores) y luego refinar el grafo condicionando en los padres, logrando una complejidad temporal de $O(m^2 n \log n)$.
• Pruebas: Se utiliza un procedimiento de bootstrap de bloque móvil para construir intervalos de confianza para las pruebas de causalidad de cola, preservando las dependencias temporales.

3. Resultados Clave

3.1 Contribuciones Teóricas

• Equivalencia: El artículo demuestra que, bajo supuestos estructurales leves (A1/A2), la causalidad en extremos es equivalente a la causalidad de Granger y la causalidad estructural clásica.
• Robustez ante la Confusión: El Teorema 1 establece que para procesos de variación regular que satisfacen el supuesto de Grey, la presencia de confundidores ocultos no altera la detección de la causalidad extrema ($\Gamma=1$) si la vía directa domina a la vía de confusión en las colas.
• Teorema de No hay Almuerzo Gratis (No-Free-Lunch): Los autores demuestran que sin restringir la clase de modelos (por ejemplo, a modelos causales estructurales), no existe una prueba de nivel válido para la no-causalidad de Granger o la no-causalidad en extremos, resaltando la necesidad de los supuestos estructurales utilizados.

3.2 Desempeño Empírico

• Simulaciones: Estudios comparativos contra métodos de vanguardia (PCMCI con RobustParCorr y GPDC) a través de modelos VAR y GARCH (tanto gaussianos como de cola pesada) muestran que el método propuesto:
  • Logra un error de modelo promedio significativamente menor en casi todos los entornos, particularmente en escenarios de alta dimensión y de cola pesada.
  • Es computacionalmente más eficiente (por ejemplo, ~6 segundos frente a >1 hora para PCMCI-GPDC en un conjunto de datos de 20 variables).
  • Demuestra robustez ante confundidores ocultos donde otros métodos fallan.
• Aplicaciones en el Mundo Real:
  • Hidrometeorología: Aplicado a datos de descarga de ríos y precipitación en Suiza. El método identificó con éxito que la precipitación extrema en una estación de origen causa descargas extremas en las estaciones aguas abajo (causalidad extrema), mientras que mostró solo causalidad de cola para estaciones donde el vínculo causal es probabilístico o está bloqueado por la geografía.
  • Criptomonedas: Analizó 14 retornos de alta frecuencia de criptomonedas. El marco identificó a Bitcoin y Litecoin como los principales impulsores de movimientos extremos del mercado, descubriendo estructuras causales coherentes que se alinean con el conocimiento del mercado (por ejemplo, Bitcoin como indicador adelantado).

4. Significación y Reivindicaciones

El artículo afirma proporcionar el primer marco formal para la causalidad de Granger en extremos que cierra la brecha entre la causalidad predictiva y el análisis de eventos extremos. Su importancia radica en:

1. Manejo de Extremos: Ofrecer una herramienta diseñada específicamente para eventos de alto impacto y baja probabilidad donde los métodos clásicos basados en la media son insuficientes.
2. Robustez: Proporcionar una garantía teórica de que los vínculos causales extremos pueden detectarse incluso en presencia de confundidores ocultos, un desafío mayor en la inferencia causal observacional.
3. Utilidad Práctica: Entregar una implementación rápida, no paramétrica y de código abierto que supera a los métodos actuales de vanguardia en precisión y velocidad, aplicable a campos que van desde las finanzas hasta las ciencias climáticas.

Los autores señalan que, si bien el marco es poderoso, depende de supuestos de cola específicos (variación regular, supuesto de Grey) y propiedades estructurales. Reconocen preguntas abiertas respecto a la extensión de estos resultados de robustez a los supuestos de Kesten-Goldie y el desarrollo de alternativas más rápidas y teóricamente justificadas para el procedimiento de prueba de bootstrap.