📊 statistics

Causal Inference Using Augmented Epidemic Models

Este artículo distingue entre las interpretaciones de generación de datos y causales de los modelos epidémicos para establecer un marco para la estimación de los efectos de las intervenciones mediante la inferencia causal que tenga en cuenta los factores de confusión y las medidas variables en el tiempo.

Autores originales: Heejong Bong, Valérie Ventura, Larry Wasserman

Publicado 2026-01-27

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Heejong Bong, Valérie Ventura, Larry Wasserman

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de averiguar si una acción específica, como usar mascarilla o quedarse en casa, realmente detiene la propagación de un virus. Tienes un historial de cómo se comportó el virus (los datos) y una lista de las acciones que la gente tomó a lo largo del tiempo. Para entender la "causa y el efecto", los científicos construyen modelos matemáticos.

Este artículo trata sobre una trampa común al construir estos modelos y ofrece una mejor manera de resolverla.

Las dos formas de ver el modelo

Los autores dicen que cuando añadimos "intervenciones" (como vacunas o confinamientos) a un modelo epidémico, solemos tratar el modelo de dos maneras, pero a menudo las confundimos:

El "Narrador" (Modelo Generador de Datos): Este modelo intenta contar la historia de lo que realmente pasó. Dice: "Dado lo que pasó ayer y las acciones que tomamos, así es como se propagó el virus hoy".
La "Máquina de Qué Pasaría Si" (Modelo Causal): Este modelo intenta responder a una pregunta hipotética. Pregunta: "Si hubiéramos cambiado nuestras acciones ayer, ¿qué habría pasado hoy?".

El Problema: El artículo argumenta que si usas el modelo del "Narrador" para predecir el escenario del "Qué pasaría si", obtendrás la respuesta incorrecta. Es como intentar predecir el clima de la próxima semana mirando un mapa de atascos de tráfico de hoy. Las herramientas están diseñadas para trabajos diferentes.

El problema del "Fantasma" (Sesgo Fantasma)

El artículo introduce un problema escurridizo llamado "paradoja g-nula" causado por "Variables Fantasma".

La Analogía: Imagina que estás estudiando por qué ocurre un accidente de coche. Observas la velocidad del conductor (Intervención) y el accidente (Resultado). Pero hay un "Fantasma" (una Variable Fantasma) que no puedes ver, como una ráfaga de viento repentina.
- El viento hace que el coche se desvíe (afectando el resultado).
- El viento también hace que el conductor pise el freno con más fuerza (afectando la intervención).
- El viento no causa directamente el accidente de una manera que vincule ambos en una línea simple.

Si utilizas la matemática estándar (Máxima Verosimilitud) para analizar esto, la matemática se confunde. Ve que "frenar" y "chocar" suceden juntos y concluye que "frenar" causa choques, aunque no sea así. El "Fantasma" (el viento) crea una conexión falsa. En términos del artículo, el modelo cree que hay un efecto causal cuando no lo hay, o exagera el efecto que sí existe.

Los cuatro métodos: Un menú de soluciones

Los autores proponen cuatro formas de manejar esto. Recomiendan un método específico como el mejor equilibrio entre simplicidad y precisión.

Método 1: La forma "Estándar" (No haga esto)

Cómo funciona: Construyes el modelo del "Narrador", lo ajustas a los datos usando matemática estándar y luego pretendes que responda a preguntas de "Qué pasaría si".
El Resultado: Esta es la trampa. Conduce al problema del "Fantasma", dando resultados falsos o exagerados. El artículo dice: Evítalo.

Método 2: El "Gran Esforzado"

Cómo funciona: Construyes el modelo del "Narrador", pero luego utilizas una receta matemática compleja (llamada fórmula g) para extraer manualmente la respuesta del "Qué pasaría si".
El Resultado: Funciona y evita el problema del Fantasma, pero es muy difícil de hacer. La respuesta del "Qué pasaría si" está enterrada en una caja negra y es difícil de explicar a la gente.

Método 3: El "Recomendado" (El punto ideal)

Cómo funciona: En lugar de intentar contar toda la historia del pasado, tratas a tu modelo estrictamente como una máquina de "Qué pasaría si" desde el principio. Reconoces que los datos del pasado tienen "ruido" (confusores) y utilizas una herramienta estadística especial (llamada ecuaciones de estimación) para filtrar ese ruido.
El Resultado: Este es el enfoque más sencillo e interpretable. Te da una respuesta clara sobre el efecto de la intervención sin que te confundan los "Fantasmas". Es como usar un filtro especializado para ver la verdad, en lugar de intentar reconstruir todo el universo.

Método 4: El "Arquitecto"

Cómo funciona: Construyes primero un modelo de "Qué pasaría si" y luego construyes un nuevo modelo del "Narrador", muy complejo, que sea perfectamente consistente con él.
El Resultado: Esto evita el problema del Fantasma y no requiere la matemática compleja del Método 2. Sin embargo, es extremadamente difícil de construir y requiere hacer muchas suposiciones sobre cómo funciona el mundo.

La prueba del mundo real

Los autores probaron estas ideas utilizando dos cosas:

Datos Falsos: Crearon simulaciones por computadora de un brote de virus con "Fantasmas" ocultos en el fondo.
- Resultado: El método estándar (Método 1) falló, viendo efectos donde no los había. El Método 3 funcionó perfectamente, ignorando a los fantasmas.
Datos Reales: Observaron datos reales de muertes por COVID-19 de 30 estados de EE. UU. y el efecto de la "movilidad" (cuánto se movía la gente).
- Resultado: El método estándar sugirió que quedarse en casa tuvo un gran efecto en la reducción de muertes. El Método 3 sugirió que el efecto era menor (o a veces inexistente). Los autores argumentan que el método estándar probablemente estaba "alucinando" un efecto más fuerte debido a los "Fantasmas" ocultos (como patrones climáticos no medidos o capacidad de atención médica) que influyeron tanto en el movimiento como en las muertes.

La conclusión fundamental

Si quieres saber si una intervención (como una vacuna o un confinamiento) realmente funciona basándote en datos de series temporales:

No te limites a ajustar un modelo estándar y esperar lo mejor; probablemente te mentirá sobre la relación de causa y efecto.
En su lugar, usa el Método 3. Trata a tu modelo como una herramienta para responder preguntas de "Qué pasaría si" directamente, y utiliza técnicas estadísticas específicas para limpiar las variables ocultas que confunden la imagen.

El artículo concluye que, aunque todos los modelos son imperfectos, el Método 3 es la forma más práctica de obtener una respuesta veraz sobre los efectos causales de las intervenciones de salud pública sin caer en la trampa de los sesgos "fantasma".

Resumen Técnico: Inferencia Causal mediante Modelos Epidémicos Aumentados

Planteamiento del Problema

El artículo aborda el desafío de inferir los efectos causales de las intervenciones variables en el tiempo ( $A_t$ ) sobre los resultados epidémicos ( $Y_t$ ) utilizando una única serie temporal observada. Aunque los modelos epidémicos se modifican frecuentemente para incluir variables de intervención con el fin de predecir escenarios o estimar efectos, la literatura suele confundir dos interpretaciones distintas de estos modelos "aumentados":

Modelos Generadores de Datos (DGM, por sus siglas en inglés): Modelos que describen la densidad condicional de las variables aleatorias observadas.
Modelos Estructurales Marginales (MSM): Modelos causales que describen la distribución de las variables aleatorias contrafácticas $Y_t(a_1, \dots, a_t)$ .

El problema central es que tratar un modelo epidémico aumentado como un DGM para estimar parámetros mediante la Estimación de Máxima Verosimilitud (MLE) o métodos Bayesianos, y luego utilizar esos mismos parámetros para realizar inferencias causales (como si fuera un MSM), conduce a estimadores inconsistentes. Esta inconsistencia se manifiesta como la paradoja del g-nulo: incluso cuando no existe un efecto causal real ( $\beta_A = 0$ ), el efecto causal estimado es distinto de cero. Este sesgo surge debido a las variables fantasma —variables no observadas que afectan al resultado pero no a la intervención— las cuales inducen una dependencia condicional entre el tratamiento y el resultado en modelos paramétricos no lineales, causando que las estimaciones basadas en la verosimilitud confundan correlación con causalidad.

Metodología

Los autores proponen y analizan cuatro enfoques distintos para manejar los modelos epidémicos aumentados, distinguiendo entre aquellos que tratan el modelo como un DGM frente a los que lo tratan como un MSM.

Método 1: Estimación de Máxima Verosimilitud/Bayesiana (El Enfoque Defectuoso)

Procedimiento: El modelo aumentado se trata como un DGM. Los parámetros se estiman mediante MLE o inferencia Bayesiana. El modelo ajustado se utiliza luego para calcular efectos causales (por ejemplo, mediante la fórmula g) o predicciones de escenarios.
Problema: Este enfoque sufre la paradoja del g-nulo. En presencia de variables fantasma, la función de verosimilitud no puede separar los efectos causales de la dependencia condicional. En consecuencia, las estimaciones de los parámetros causales son inconsistentes, arrojando efectos distintos de cero incluso cuando el efecto real es nulo.

Método 2: Extracción de Efecto Causal mediante Ecuaciones de Estimación

Procedimiento:
1. Tratar el modelo aumentado como un DGM e incluir los confundidores ( $X_t$ ).
2. Extraer el efecto causal $\psi(a_t)$ del DGM utilizando la fórmula g (Ec. 9).
3. Estimar los parámetros del modelo causal resultante utilizando ecuaciones de estimación (Ec. 14) en lugar de la verosimilitud.
Mecanismo: Este método utiliza el puntaje de propensión (derivado del DGM) para ponderar las ecuaciones de estimación, ajustando eficazmente la confusión.
Limitación: Requiere especificar la distribución conjunta completa de las observables, lo cual es computacionalmente demandante y a menudo intratable. El modelo causal resultante puede carecer de interpretabilidad.

Método 3: Modelos Aumentados como Modelos Estructurales Marginales (Enfoque Recomendado)

Procedimiento:
1. Interpretar el modelo epidémico aumentado directamente como un MSM para el contrafáctico $Y_t(a_t)$ .
2. Especificar un modelo separado para el puntaje de propensión (la probabilidad de la intervención dado el historial pasado).
  la estimación de parámetros utilizando ecuaciones de estimación (Ec. 14).
Mecanismo: Al tratar el modelo epidémico como un modelo causal para contrafácticos, los autores evitan la dependencia de la variación entre los parámetros de causalidad y de dependencia que afecta a los métodos basados en la verosimilitud. El efecto causal $\psi(a_t; \theta)$ se aproxima a menudo mediante simulación de Monte Carlo (Ec. 15) si no existe una forma cerrada.
Ventaja: Este es el enfoque más sencillo, se alinea con la práctica estándar de inferencia causal y maneja los confundidores fácilmente a través del puntaje de propensión. Evita la paradoja del g-nulo.

Método 4: Modelos Generadores de Datos que Preservan la Causalidad

Procedimiento:
1. Utilizar el modelo aumentado como un MSM.
2. Construir un DGM completo para las observables $(X_t, A_t, Y_t)$ que sea consistente con el MSM especificado utilizando cópulas (específicamente la "parametrización frugal" descrita por Evans y Didelez, 2024).
3. Estimar todos los parámetros mediante Máxima Verosimilitud.
Mecanismo: Al separar explícitamente la parametrización de la causalidad (vía el MSM) y la de la dependencia (vía la cópula), el modelo se vuelve de variación independiente, evitando la paradoja del g-nulo sin necesidad de dividir por el puntaje de propensión.
Limitación: Este es técnicamente el enfoque más complejo, ya que requiere el modelado de distribuciones conjuntas y cópulas, particularmente para una única serie temporal.

Contribuciones Clave y Resultados

Contribuciones Teóricas

Identificación del Sesgo Fantasma: El artículo demuestra rigurosamente que las variables fantasma (factores no observados que afectan a los resultados pero no a las intervenciones) causan que las estimaciones basadas en la verosimilitud en modelos epidémicos no lineales sean inconsistentes, incluso en ausencia de confusión no medida.
Distinción de Interpretaciones: Clarifica que los DGM y los MSM generalmente no son intercambiables en entornos de series temporales, y que la confusión entre ambos conduce a la paradoja del g-nulo.
Marco Metodológico: Los autores proporcionan una comparación estructurada de cuatro métodos, destacando que los Métodos 2, 3 y 4 son válidos para la inferencia causal, mientras que el Método 1 no lo es.

Resultados Empíricos

Los autores validan sus afirmaciones teóricas a través de datos simulados y un estudio observacional:

Simulación de Modelo Semi-Mecanicista:
- Método 1 (MLE): Mostró un sesgo fantasma significativo. Cuando el verdadero efecto causal era $\beta_A = 0$ , el MLE estimó un efecto distinto de cero.
- Método 3 (Ecuaciones de Estimación): Produjo estimaciones insesgadas, recuperando correctamente $\beta_A = 0$ cuando el efecto real era nulo.
Simulación del Modelo SEIR:
- Replicó los hallazgos: las estimaciones de MLE fueron sesgadas debido a las variables fantasma, mientras que las estimaciones de las ecuaciones de estimación (Método 3) fueron consistentes.
Estudio Observacional (Datos de COVID-19 en EE. UU.):
- Analizó el efecto de la movilidad (proporción de trabajo a tiempo completo) sobre las muertes por COVID-19 en 30 estados de EE. UU.
- Comparación: Las estimaciones del Método 3 fueron significativamente menores que las del Método 1 (MLE) en 24 de los 30 estados ( $p < 0.001$ ).
- Interpretación: Los autores sugieren que las estimaciones más altas de MLE probablemente sobreestimaron el efecto causal de la movilidad sobre las muertes debido al sesgo fantasma, mientras que el enfoque de ecuaciones de estimación proporcionó una estimación más conservadora y probablemente precisa.

Significado y Reivindicaciones

El artículo sostiene que las prácticas estándar en el modelado epidémico —específicamente ajustar modelos aumentados mediante verosimilitud e interpretarlos causalmente— son fundamentalmente erróneas debido a la paradoja del g-nulo. Los autores argumentan que:

No se deben usar las estimaciones de MLE y Bayesianas para la inferencia causal en estos contextos porque producen estimadores inconsistentes.
El Método 3 es la solución más práctica y natural. Requiere menos supuestos de modelado que el Método 4 y evita la intratabilidad del Método 2, eliminando con éxito el sesgo fantasma.
Error de Especificación vs. Sesgo Fantasma: Si bien todos los métodos sufren de una posible especificación incorrecta del modelo, solo los Métodos 2, 3 y 4 eliminan el sesgo estructural específico introducido por las variables fantasma en modelos no lineales.

Los autores concluyen que, aunque el Método 4 ofrece una alternativa fundamentada y totalmente especificada que evita la división por el puntaje de propensión, el Método 3 sigue siendo el enfoque recomendado por su simplicidad e interpretabilidad. Enfatizan la necesidad crítica de distinguir entre modelos generadores de datos y modelos causales en la investigación epidemiológica.