Causal generalized linear models via Pearson risk invariance

Este artículo presenta un método para identificar modelos causales en el marco de los modelos lineales generalizados utilizando la invariancia del riesgo de Pearson y la maximización de la verosimilitud, permitiendo la identificación causal incluso con datos de un solo entorno para ciertos casos como la regresión logística y Poisson.

Lo esencial

¡Claro que sí! Imagina que este artículo es como un detective de la realidad que ha desarrollado una nueva herramienta para distinguir entre "coincidencias" y "causas reales".

Aquí tienes la explicación en español, usando analogías sencillas:

🕵️‍♀️ El Problema: La Trampa de las Coincidencias

Imagina que eres un detective. Ves que cada vez que se enciende el semáforo en rojo, los coches se detienen.

• La intuición común: "¡El semáforo hace que los coches se detengan!" (Causa).
• La realidad estadística tradicional: A veces, las máquinas de predicción (como las IAs actuales) se confunden. Podrían decir: "¡Oh! Cuando hay mucha gente en la acera, los coches se detienen". La IA podría aprender a predecir que los coches se detienen basándose en la gente, porque en los datos que vio, ambos ocurrían juntos.

El problema es que si un día la gente deja de caminar por la acera pero el semáforo sigue en rojo, la IA que aprendió de la gente fallará. No entendió la causa real (el semáforo), solo aprendió un patrón de coincidencia.

En el mundo de la ciencia y la medicina, esto es peligroso. Si queremos saber qué medicamento cura una enfermedad, no queremos saber qué coincide con la curación, queremos saber qué la causa.

🛠️ La Nueva Herramienta: El "Detector de Invarianza"

Las autoras de este paper (Alice, Veronica y Ernst) proponen un nuevo método para encontrar las causas reales. Lo llaman "Modelos Generalizados Lineales Causales".

Para entenderlo, usen esta analogía: El "Test de la Resistencia al Cambio".

Imagina que tienes una receta de pastel (el modelo causal).

1. El modelo falso (correlación): Si cambias la temperatura de la cocina o el tipo de harina (el entorno), el pastel sale mal. El modelo que solo miró coincidencias falla cuando las condiciones cambian.
2. El modelo verdadero (causalidad): Si el pastel es realmente una buena receta causal, no importa si cambias la cocina, si llueve afuera o si usas un horno diferente. El pastel sigue saliendo perfecto.

La clave de este paper es que han encontrado una forma matemática (llamada Riesgo de Pearson) para medir si una receta es "inmune" a los cambios del entorno.

🔑 Los Dos Superpoderes del Método

El paper dice que una relación es realmente causal si cumple dos reglas de oro:

1. La Regla de la "Estabilidad Perfecta" (Invarianza del Riesgo):
   Imagina que lanzas una pelota. Si la relación es causal, el error que cometes al predecir dónde caerá la pelota debe ser el mismo, sin importar si lanzas la pelota en un día soleado, bajo la lluvia o en una habitación llena de viento.

   • En lenguaje simple: El modelo causal es tan fuerte que sus errores son siempre del mismo tamaño, sin importar cómo cambie el mundo exterior. Los modelos falsos (que solo ven coincidencias) se rompen y sus errores se vuelven locos cuando el entorno cambia.

2. La Regla de la "Mejor Adivinanza" (Máxima Probabilidad):
   De entre todas las recetas que son estables, la verdadera causa es la que mejor explica los datos que ya tenemos. Es como decir: "De todas las recetas que funcionan en cualquier cocina, esta es la que mejor se ajusta a lo que comimos ayer".

🚀 La Gran Innovación: ¡Solo necesitas un solo entorno!

Aquí está la parte más emocionante y novedosa.

• Antes: Para encontrar causas, los científicos necesitaban datos de muchos entornos diferentes (ej: datos de 10 hospitales distintos, o datos de 10 años diferentes) para ver qué modelo se mantenía estable. Era como necesitar probar la receta en 10 cocinas distintas para saber cuál era la buena.
• Ahora: Gracias a este nuevo método, si trabajas con ciertos tipos de datos muy comunes (como conteos de cosas, tipo "número de hijos", o sí/no, tipo "tiene cáncer o no"), solo necesitas datos de un solo lugar y un solo momento.
  • Analogía: Es como si pudieras saber si una receta es la correcta probándola solo una vez, porque la "fórmula mágica" (el riesgo de Pearson) te dice inmediatamente si es la verdadera sin necesidad de probarla en otras cocinas.

🌍 ¿Para qué sirve esto en la vida real?

Los autores probaron su método en tres casos reales:

1. Un experimento de luz: Usaron un túnel de luz con sensores. Sabían la física real (la causa). Su método logró encontrar exactamente qué luces causaban qué intensidad, incluso cuando había mucho "ruido" o datos confusos.
2. Fertilidad de las mujeres: Analizaron datos de miles de mujeres en EE. UU. para entender qué causa que tengan más o menos hijos. El método descubrió que la educación y la edad tienen efectos no lineales (curvas, no líneas rectas) en la fertilidad, algo que los métodos antiguos a veces ignoraban.
3. Ingresos altos: Investigaron qué causa que alguien gane más de 50.000 dólares al año. Descubrieron que la edad, la educación y el tipo de trabajo son las verdaderas causas, y no solo factores que "coinciden" con el dinero.

💡 En Resumen

Este paper es como darles a los científicos un nuevo tipo de gafas de sol.

• Sin las gafas, ves todo mezclado: sombras, reflejos y objetos reales.
• Con las gafas (el método de invarianza del riesgo de Pearson), solo ves lo que es realmente sólido y causal.
• Y lo mejor: ¡Con estas gafas, no necesitas salir a la calle varias veces para ver si funciona; con mirar una sola vez, ya sabes qué es real!

Esto es revolucionario porque permite hacer estudios causales serios con datos que ya tenemos (como encuestas de salud o censos), sin necesidad de hacer experimentos costosos o esperar a tener datos de muchos países diferentes.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Causal generalized linear models via Pearson risk invariance" (Modelos lineales generalizados causales mediante la invarianza del riesgo de Pearson), estructurado según los puntos solicitados.

1. El Problema

La inferencia causal busca identificar relaciones causales reales entre variables, más allá de las meras correlaciones predictivas. Un desafío central en la descubrimiento causal (causal discovery) es la identificación de los padres causales de una variable objetivo ($Y$) utilizando datos observacionales.

• Limitaciones de los métodos existentes: La mayoría de los métodos actuales basados en la invarianza causal (como Invariant Causal Prediction de Peters et al., 2016) requieren datos de múltiples entornos heterogéneos (diferentes distribuciones de covariables o intervenciones) para identificar el modelo causal. En la práctica, obtener datos de suficientes entornos distintos es raro.
• Restricciones de los modelos: Los enfoques existentes suelen limitarse a modelos lineales con errores gaussianos. Extender estos métodos a modelos no lineales o a tipos de respuesta generalizados (como conteos o binarios) es complejo y a menudo sigue requiriendo múltiples entornos.
• Objetivo: Desarrollar un marco que permita identificar modelos causales para variables de respuesta generalizadas (familia exponencial) utilizando, en casos ideales, datos de un único entorno observacional, sin asumir linealidad estricta ni distribuciones gaussianas para las covariables.

2. Metodología

Los autores proponen un enfoque basado en Modelos Lineales Generalizados (GLM) dentro de un modelo de ecuaciones estructurales (SEM).

A. Definición del Modelo

Se asume que la variable objetivo $Y$, condicionada a sus padres causales ($X_{PA}$), sigue una distribución de la familia de dispersión exponencial (EDF):
$$Y | X_{PA} = x_{PA} \sim \text{EDF}(b(f_{PA}(x_{PA})), a(\phi))$$
Donde:

• $f_{PA}$ es la función de enlace (que puede ser no lineal y aditiva, ej. modelos aditivos generalizados).
• No se hacen suposiciones sobre las distribuciones de las otras variables del sistema ($X$).
• Ejemplos clave: Regresión Poisson y Regresión Logística (donde el parámetro de dispersión $a(\phi)$ es conocido, usualmente igual a 1).

B. Caracterización del Modelo Causal (Teoremas Clave)

El artículo establece que el modelo causal verdadero se caracteriza de forma única mediante dos propiedades poblacionales:

1. Maximización de la Verosimilitud Esperada: El modelo causal maximiza la verosimilitud esperada de $Y$ dado sus padres.
2. Invarianza del Riesgo de Pearson: Bajo el modelo causal, el riesgo de Pearson (el error cuadrático estandarizado por la varianza condicional) es invariante ante cambios en la distribución de las covariables (incluyendo intervenciones).
   • Matemáticamente, para el modelo causal verdadero $f_{PA}$:
     $$E_{X,Y} \left[ \frac{(Y - \dot{b}(f_{PA}(X)))^2}{\ddot{b}(f_{PA}(X))} \right] = a(\phi)$$
   • Donde $\dot{b}$ y $\ddot{b}$ son la primera y segunda derivada de la función generadora de cumulantes.
   • Punto crucial: Si el parámetro de dispersión $a(\phi)$ es conocido (como en Poisson o Binomial), la condición de que el riesgo de Pearson sea exactamente $a(\phi)$ permite identificar el modelo causal desde un solo entorno de datos.

C. Algoritmos de Búsqueda

Se proponen dos estrategias computacionales para encontrar los padres causales entre todas las subconjuntos posibles de variables:

1. Algoritmo Exhaustivo (Poblacional y Empírico):

   • Evalúa todos los subconjuntos de covariables.
   • Para cada subconjunto, estima los parámetros maximizando la verosimilitud penalizada.
   • Realiza una prueba estadística (usando bootstrap o aproximación chi-cuadrado para Poisson) para verificar si el riesgo de Pearson es "perfectamente disperso" (igual a $a(\phi)$).
   • De los modelos que no rechazan la hipótesis nula, selecciona el más parsimonioso usando el Criterio de Información Bayesiano (BIC).

2. Algoritmo Stepwise (Paso a paso):

   • Diseñado para sistemas con muchas variables para reducir la complejidad exponencial ($2^p$).
   • Fase 1 (Adición): Añade variables una por una hasta encontrar el modelo más grande que no rechaza la invarianza del riesgo de Pearson.
   • Fase 2 (Eliminación): Elimina variables superfluas (d-separadas) utilizando el BIC para refinar el modelo.

3. Contribuciones Clave

1. Identificación con un solo entorno: Demostración teórica de que para GLMs con parámetro de dispersión conocido (Poisson, Binomial), el modelo causal es identificable con datos de un solo entorno, superando la limitación principal de los métodos de invarianza causal anteriores.
2. Generalización a no linealidades: El marco permite estructuras aditivas flexibles (no lineales) en la función de enlace, sin asumir linealidad en la relación causal.
3. Nueva métrica de invarianza: Introducción del riesgo de Pearson invariante como criterio de selección, que tiene en cuenta la heterocedasticidad inherente a los modelos GLM (a diferencia del riesgo cuadrático usado en modelos gaussianos).
4. Implementación práctica: Desarrollo del paquete R causalreg y algoritmos eficientes (stepwise) para manejar alta dimensionalidad.

4. Resultados

Los autores validaron su método mediante simulaciones y estudios de caso empíricos:

• Estudios de Simulación:

  • Poisson y Logística: Se comparó el método propuesto con el algoritmo PC (estándar en descubrimiento causal). El método propuesto identificó correctamente los padres causales en un 91% de las simulaciones (con $n=1000$) para regresión Poisson, superando significativamente al algoritmo PC.
  • Eficiencia: El algoritmo stepwise redujo el tiempo de cómputo en un promedio de 5.2 veces respecto a la búsqueda exhaustiva, manteniendo una alta precisión.
  • Robustez: Se demostró que maximizar la verosimilitud en datos observacionales no garantiza la causalidad (el modelo predictivo óptimo a menudo incluye hijos o descendientes de la variable objetivo), mientras que el criterio de riesgo de Pearson sí lo hace.

• Estudios Empíricos:

  • Experimento Controlado (Causal Chambers): En un experimento de túnel de luz, el método recuperó parcialmente los padres causales correctos, demostrando su capacidad para manejar datos reales con ruido y especificación de modelo imperfecta.
  • Fertilidad de Mujeres (GSS): Identificó determinantes causales de la fertilidad (años de escolaridad, edad, raza, entorno de vida). El modelo capturó efectos no lineales (ej. caída abrupta de fertilidad con alta educación) que los modelos lineales tradicionales no detectaban.
  • Ingresos Altos (Censo EE. UU.): Identificó causalmente la edad, nivel educativo, estado civil y ocupación como determinantes de ingresos altos (>50k), cuantificando efectos no lineales y categóricos.

5. Significado e Impacto

Este trabajo representa un avance significativo en la intersección entre la inferencia causal y el aprendizaje automático:

• Viabilidad en Datos Observacionales: Permite realizar descubrimiento causal riguroso en escenarios donde solo se dispone de un único conjunto de datos, una situación muy común en ciencias sociales, epidemiología y economía.
• Ampliación del Alcance: Al aplicar la invarianza a modelos GLM (no solo gaussianos), abre la puerta a la causalidad en conteos (Poisson) y eventos binarios (Logística), que son ubicuos en la práctica.
• Interpretabilidad y Generalización: Proporciona modelos que no solo predicen bien dentro de la distribución de entrenamiento, sino que ofrecen garantías de generalización fuera de distribución (out-of-distribution), asegurando que las relaciones descubiertas sean robustas ante cambios en el entorno.
• Herramienta Accesible: La implementación en R hace que estas técnicas teóricamente complejas estén disponibles para investigadores aplicados.

En resumen, el paper propone un marco robusto y flexible que utiliza la invarianza del riesgo de Pearson para desentrañar la causalidad en modelos no lineales generalizados, resolviendo la dependencia crítica de múltiples entornos que limitaba a los métodos anteriores.