Resumen Técnico: Método de Variable Instrumental Distribucional (DIV)

Planteamiento del Problema

El artículo aborda el desafío de inferir efectos causales en presencia de confusión no medida (confundidores ocultos $H$) cuando no se dispone de experimentos aleatorizados. Si bien el enfoque de Variable Instrumental (IV) es una herramienta estándar para tal endogeneidad, los métodos existentes suelen centrarse en estimar funcionales específicos del efecto causal, como el efecto causal medio (por ejemplo, mediante Mínimos Cuadrados en Dos Etapas, 2SLS) o los efectos de tratamiento en cuantiles.

Los autores argumentan que resumir los efectos causales en cantidades únicas (como las medias) descarta información valiosa. En muchas aplicaciones, comprender la distribución intervencional completa del resultado $Y$ bajo una intervención $do$ sobre el tratamiento $X$ (denotada como $P_{do(X:=x)}(Y)$) es más informativo. Además, los métodos tradicionales de IV suelen fallar en configuraciones "subidentificadas", donde el número de instrumentos es menor que el número de variables de tratamiento, o cuando la relación entre el instrumento y el tratamiento es débil en términos de medias condicionales pero fuerte en términos de momentos distribucionales de orden superior.

Metodología: Variable Instrumental Distribucional (DIV)

El método propuesto de Variable Instrumental Distribucional (DIV) estima la distribución intervencional completa aprovechando el modelado generativo dentro de un marco de Modelo Causal Estructural (SCM).

1. Modelo Causal Estructural y Formulación Generativa

Los autores asumen que los datos son generados por un SCM donde:
$$X := g(Z, \eta_X)$$
$$Y := f(X, \eta_Y)$$
Aquí, $Z$ es el instrumento, $X$ es el tratamiento, $Y$ es el resultado, y $\eta_X, \eta_Y$ son términos de ruido correlacionados debido a la confusión oculta. A diferencia de los métodos IV lineales clásicos, el DIV permite funciones generales no lineales $g$ y $f$ y no asume un ruido aditivo.

Para capturar la correlación entre $\eta_X$ y $\eta_Y$, el DIV modela los términos de ruido como funciones de variables gaussianas estándar independientes y un componente de ruido latente compartido:
$$\eta_X = h_X(\varepsilon_X, \varepsilon_H)$$
$$\eta_Y = h_Y(\varepsilon_Y, \varepsilon_H)$$
donde $\varepsilon_X, \varepsilon_Y, \varepsilon_H$ son gaussianas estándar independientes. Esto produce un modelo generativo conjunto para $(X, Y)$ dado $Z$.

2. Estimación mediante el Score de Energía

El núcleo del método DIV es el ajuste de la distribución condicional conjunta $P(X, Y | Z)$ utilizando Engression (Shen y Meinshausen, 2024). Los parámetros del modelo (redes neuronales para $g, f, h_X, h_Y$) se optimizan para minimizar el score de energía negativo esperado, una regla de puntuación estrictamente propia para distribuciones multivariantes.

El objetivo poblacional es:
$$(g^*, f^*, h_X^*, h_Y^*) \in \arg \min_{f,g,h_X,h_Y} \mathbb{E} \left[ \|(X, Y) - (\hat{X}, \hat{Y})\| - \frac{1}{2}\|(\hat{X}, \hat{Y}) - (\hat{X}', \hat{Y}')\| \right]$$
donde $(\hat{X}, \hat{Y})$ y $(\hat{X}', \hat{Y}')$ son muestras independientes generadas por el modelo.

3. Estimación de la Distribución Intervencional

Una vez ajustado el modelo, la distribución intervencional $P_{do(X:=x)}(Y)$ se estima mediante muestreo. Una intervención $do(X:=x)$ corta el vínculo entre $X$ y su ruido $\eta_X$. El procedimiento consiste en:

1. Muestrear $\varepsilon_Y$ y $\varepsilon_H$ de gaussianas estándar.
2. Calcular el ruido $\eta_Y^* = h_Y^*(\varepsilon_Y, \varepsilon_H)$.
3. Generar el resultado $Y^* = f^*(x, \eta_Y^*)$.

A partir de estas muestras, cualquier funcional de la distribución (media, cuantiles, varianza) puede estimarse mediante Monte Carlo.

Principales Contribuciones Teóricas

El artículo establece resultados de identificabilidad para la distribución intervencional bajo tres configuraciones de modelo distintas:

1. Clase de Modelo General: Bajo supuestos de monotonicidad estricta en las perturbaciones latentes y una condición de soporte común (que requiere que el instrumento tenga un soporte amplio), la distribución intervencional es unívocamente identificable a partir de los datos observados.
2. Modelos de Ruido Pre-Aditivo (Instrumento Continuo): Al restringir el modelo de resultado a una forma de ruido pre-aditivo, los autores demuestran la identificabilidad incluso cuando el instrumento tiene un soporte continuo pero no necesariamente satisface la condición de "soporte amplio" requerida para la clase general.
3. Modelos de Ruido Pre-Aditivo (Instrumento Discreto/Binario): Crucialmente, el artículo demuestra que para los modelos de ruido pre-aditivo, la distribución intervencional es identificable incluso con un instrumento binario y un tratamiento multivariante (una configuración subidentificada donde $dim(Z) < dim(X)$). Esto contrasta con 2SLS, que falla en tales casos debido a la multicolinealidad en la primera etapa. Los autores muestran que si el instrumento afecta la distribución del tratamiento de una manera que no es meramente un desplazamiento determinista (es decir, las distribuciones condicionales difieren más allá de un desplazamiento de la media), la información distributiva completa es suficiente para la identificación.

El artículo también demuestra la consistencia del estimador DIV en una subclase lineal paramétrica simple.

Resultados Empíricos

Los autores evalúan el DIV frente a referentes que incluyen 2SLS, Funciones de Control (CF), DeepIV, DeepGMM, HSIC-X, IVQR y DIVE.

• Datos Simulados:
  • Estimación de Media y Cuantiles: El DIV se desempeña de manera competitiva o superior en la estimación de medias y cuantiles intervencionales en entornos lineales, no lineales y de ruido pre-aditivo.
  • Casos Subidentificados: En escenarios con un único instrumento binario y un tratamiento de dos dimensiones ($dim(Z)=1, dim(X)=2$), 2SLS y otros referentes fallan en identificar los parámetros causales. El DIV recupera exitosamente los parámetros utilizando la información de la distribución completa.
  • Instrumentos Débiles: El DIV se mantiene robusto cuando el instrumento tiene una relevancia de la media débil o una relevancia de la media-varianza débil, siempre que los momentos de orden superior de la distribución porten información estructural.
• Aplicaciones en el Mundo Real:
  • Datos Económicos (Acemoglu et al., 2001): Aplicado a la relación entre la calidad institucional y el PIB. El DIV recupera un efecto causal positivo, aproximadamente lineal, consistente con los hallazgos originales de 2SLS, mientras que también proporciona una estimación de la distribución completa (cuantiles).
  • Datos de Célula Única (Single-Cell): Aplicado a la predición de la expresión génica bajo perturbaciones CRISPR no observadas. El DIV demuestra una generalizabilidad superior a entornos de intervención no vistos y una mayor estabilidad a través de diferentes subconjuntos de entrenamiento en comparación con otros métodos, lo que sugiere que captura el mecanismo causal subyacente de manera más efectiva.

Significación y Reivindicaciones

El artículo afirma que el DIV ofrece un avance significativo en la inferencia causal al:

1. Expandir el Estimando: Ir más allá de los efectos de la media o de los cuantiles para estimar la distribución intervencional completa, proporcionando una comprensión más rica de los mecanismos causales y la incertidumbre aleatoria.
2. Superar los Límites de Identificación: Resolver problemas "subidentificados" donde los métodos de IV tradicionales (como 2SLS) fallan, específicamente mediante el aprovechamiento de la información de la distribución en configuraciones con instrumentos discretos y tratamientos multivariantes.
3. Flexibilidad: Acomodar relaciones no lineales generales sin las restrictivas suposiciones de ruido aditivo.
4. Utilidad Práctica: Proporcionar una implementación de software computacionalmente eficiente (R y Python) que permite el muestreo de la distribución intervencional estimada, facilitando el cálculo de cualquier funcional de la distribución.

Los autores concluyen que, si bien el método depende de la estimación de la distribución conjunta $P(X, Y | Z)$, este enfoque maximiza el uso de la información proveniente de los instrumentos, ofreciendo la mejor oportunidad para la identificación en entornos complejos y confundidos. Las direcciones de trabajo futuro mencionadas incluyen la cuantificación de la incertidumbre epistémica y la aplicación de la metodología a tareas de generalización de distribuciones.