🤖 AI

A primer on optimal transport for causal inference with observational data

Este artículo de revisión introduce las conexiones profundas, a menudo pasadas por alto, entre la teoría del transporte óptimo y la inferencia causal con datos observacionales, demostrando cómo los principios del transporte óptimo sustentan los modelos causales fundacionales y con el objetivo de unificar la terminología entre disciplinas al tiempo que identifica nuevas direcciones de investigación.

Autores originales: Florian F Gunsilius

Publicado 2026-08-10

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Florian F Gunsilius

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

El Gran Juego del Detective: Descubriendo Causas Ocultas

Imagina que eres un detective intentando resolver un misterio, pero con un giro: solo puedes observar la escena del crimen después de que el crimen ha ocurrido, y nunca pudiste ver las acciones del sospechoso en tiempo real. Este es el lucha diaria de los científicos que intentan comprender la causalidad: determinar si una cosa (como tomar un nuevo medicamento o construir una fábrica) realmente causa otra (como mejorar o cambiar la economía local). El problema es que nunca podemos ver dos versiones de la realidad al mismo tiempo. No podemos ver a una persona que tomó un medicamento y a la misma persona exacta que no lo tomó, una al lado de la otra, para ver quién se enfermó. Solo podemos ver un camino.

Para resolver esto, los estadísticos han desarrollado un conjunto de herramientas para comparar diferentes grupos de personas, con la esperanza de encontrar un "grupo de control" que actúe como un gemelo perfecto para las personas que recibieron el tratamiento. Pero a menudo, estos grupos no son gemelos perfectos; tienen diferencias ocultas (como la motivación o la genética) que arruinan la comparación. Durante décadas, los investigadores han utilizado ingeniosos trucos matemáticos para solucionar esto, pero a menudo no se daban cuenta de que todos estaban usando la misma arma secreta. Esa arma se llama Transporte Óptimo. Piensa en ello como el rompecabezas logístico definitivo: imagina que tienes un montón de arena en un lugar y otro montón de arena en otro, y quieres mover el primer montón para que coincida perfectamente con la forma del segundo utilizando la menor cantidad de energía. Este artículo revela que la matemática utilizada para mover arena es, en realidad, el fundamento oculto de muchos de los métodos más importantes que utilizamos para determinar la causa y el efecto en el mundo real.

La Gran Revelación del Artículo: El Mapa Oculto

En este artículo, Florian Gunsilius actúa como un guía, mostrándonos que el complejo mundo de la inferencia causal (averiguar qué causa qué) y el transporte óptimo (la matemática de mover distribuciones de probabilidad de manera eficiente) son en realidad viejos amigos que han estado hablando idiomas diferentes durante años. El autor sostiene que muchas de las herramientas estándar que los economistas y estadísticos han utilizado durante décadas para analizar datos observacionales —datos donde no podemos realizar experimentos controlados— están construidas secretamente sobre los principios del transporte óptimo, incluso si los investigadores no lo sabían.

El artículo no solo señala esta conexión; sugiere que darse cuenta de este vínculo puede ayudarnos a construir herramientas mejores y más poderosas. Esto es lo que el autor encuentra y explica:

1. El "Reordenamiento Monótono" es la Fórmula Secreta
El artículo comienza explicando un concepto llamado reordenamiento monótono. Imagina que tienes un mazo de cartas que representa a personas con diferentes niveles de "capacidad oculta" (un rasgo no observable), y quieres ver cómo esa capacidad se traduce en "ganancias". Si asumes que una mayor capacidad siempre conduce a mayores ganancias (una regla llamada monotonicidad), puedes simplemente alinear a la persona de menor capacidad con el que tiene menores ganancias, la segunda de menor capacidad con el segundo de menores ganancias, y así sucesivamente. Esto crea un mapa perfecto entre el rasgo oculto y el resultado.
El autor muestra que este simple "alinear" es en realidad un tipo específico de problema de transporte óptimo. Esta idea es poderosa porque permite a los investigadores identificar no solo el efecto promedio de un tratamiento, sino la historia completa de cómo se ven afectados diferentes tipos de personas. Por ejemplo, en un famoso debate sobre el salario mínimo, algunos estudios decían que aumentar los salarios perjudicaba los empleos, mientras que otros decían que ayudaba. Al utilizar esta visión de "transporte óptimo", los investigadores descubrieron que la verdad estaba en medio: aumentar los salarios ayudó a los pequeños restaurantes pero perjudicó a los grandes. El promedio estaba ocultando la verdadera historia, pero el mapa de transporte reveló la realidad.

2. Corrigiendo el Problema del "Gemelo Malo" con Instrumentos
A veces, no puedes encontrar un grupo de control perfecto porque las personas que eligen el tratamiento son diferentes de las que no lo reciben (esto se llama endogeneidad). Para solucionar esto, los investigadores utilizan variables instrumentales: un tercer factor que influye en quién recibe el tratamiento pero no afecta directamente al resultado.
El artículo explica que la matemática utilizada para hacer que estos instrumentos funcionen también se basa en el transporte óptimo. Específicamente, introduce un método llamado iteración de punto fijo. Imagina que estás tratando de encontrar un punto de encuentro entre dos grupos. Comienzas en un punto, te mueves hacia el otro grupo, luego te mueves de regreso, y sigues repitiendo este movimiento de "ping-pong" hasta que te estableces en un lugar donde los grupos se alinean. El artículo muestra que este "ping-pong" matemático es en realidad un sistema dinámico de movimiento de distribuciones de probabilidad (como un mapa de Brenier). Esto ayuda a los investigadores a identificar efectos causales incluso cuando los datos son desordenados, aunque el autor señala que esto se vuelve muy complicado cuando se trata de múltiples variables a la vez.

3. Construyendo Gemelos Sintéticos con "Montones de Arena"
Otro método popular es el de Controles Sintéticos, donde los investigadores construyen una "unidad de control" falsa mezclando varias unidades reales (como crear un estado falso mezclando partes de California, Texas y Nueva York) para ver qué habría pasado si no hubiera ocurrido el tratamiento.
El artículo conecta esto con los baricentros de Wasserstein, que es una forma elegante de decir "el promedio de un montón de arena". En lugar de solo promediar números, este método promedia distribuciones enteras (formas). El autor sugiere que, al utilizar este enfoque basado en el transporte, podemos crear "controles sintéticos distribucionales" que coincidan con la forma completa de los datos, no solo con el promedio. Esto es útil cuando las personas en los grupos cambian con el tiempo (como cuando los restaurantes abren y cierran), algo con lo que los métodos estándar tienen dificultades.

4. Cuando los Gemelos no Coinciden: Transporte Desbalanceado
Finalmente, el artículo aborda un problema común: ¿qué pasa si el grupo de tratamiento y el grupo de control son tan diferentes que no puedes encontrar una pareja para todos? El "transporte óptimo" estándar requiere que cada grano de arena en un montón sea movido al otro, lo que obliga a los investigadores a emparejar a personas que en realidad no son similares, lo que conduce a suposiciones erróneas.
El autor propone utilizar el transporte óptimo desbalanceado. Piensa en esto como un sistema logístico que te permite dejar algo de arena atrás o añadir un poco más si los montones no coinciden perfectamente. Este método descarta automáticamente a las personas que no tienen una buena pareja, en lugar de forzar una mala correspondencia. El artículo sugiere que esto podría conducir a resultados más precisos en estudios del mundo real donde las parejas perfectas son raras, aunque señala que se necesita más investigación para demostrar exactamente cuánto mejor es en comparación con los métodos antiguos.

A lo que Debemos Prestar Atención según el Artículo

El autor es cuidadoso al señalar que, si bien estas conexiones son emocionantes, no son varitas mágicas.

No es un problema resuelto: El artículo sugiere que estos métodos son prometedores y ofrecen nuevas formas de pensar sobre problemas antiguos, pero no afirma que el transporte óptimo resuelva todos los problemas de inferencia causal. De hecho, destaca que algunas extensiones (como pasar de una dimensión a muchas) son matemáticamente complicadas y no siempre sencillas.
Las suposiciones siguen importando: El "reordenamiento monóneo" (la idea de que una mayor capacidad siempre significa mayores ganancias) es una suposición fuerte. El artículo señala que si esta suposición es errónea, el mapa se rompe. Sugiere que, al ver estos problemas como problemas de transporte, podemos probar diferentes "funciones de costo" (diferentes reglas para mover la arena) para ver si nuestras conclusiones son robustas.
Limitaciones de los datos: El artículo menciona que algunos de los métodos más avanzados (como las iteraciones de "punto fijo" para variables instrumentales) dependen de condiciones matemáticas específicas, como tener un rango continuo de datos. Si los datos son demasiado escasos o "fragmentados", estos métodos sofisticados podrían no funcionar tan bien.

La Conclusión

En última instancia, este artículo es un mapa unificador. Nos dice que las herramientas que los estadísticos han estado utilizando para resolver el "problema fundamental de la inferencia causal" (que no podemos ver dos mundos a la vez) han estado utilizando secretamente la física del movimiento de las distribuciones de probabilidad todo este tiempo. Al hacer explícita esta conexión, el autor espera unificar el lenguaje entre diferentes campos —economía, estadística y aprendizaje automático— y abrir la puerta a formas nuevas y más flexibles de entender cómo funciona el mundo. Es un recordatorio de que, a veces, los conocimientos más poderosos provienen de darse cuenta de que dos rompecabezas diferentes son en realidad piezas de la misma imagen.

Resumen Técnico: Una Introducción al Transporte Óptimo para la Inferencia Causal con Datos Observacionales

Planteamiento del Problema
El artículo aborda el desafío fundamental de la inferencia causal con datos observacionales: la incapacidad de observar estados contrafácticos simultáneamente (el "problema fundamental de la inferencia causal"). En entornos observacionales, la asignación del tratamiento es endógena, lo que significa que la variable de tratamiento $X$ está correlacionada con confundidores no observados $U$ que también afectan al resultado $Y$ . Esto crea una "vía de puerta trasera" ( $U \to X$ ) que sesga la estimación estándar. Si bien se han desarrollado métodos tradicionales (por ejemplo, variables instrumentales, diferencia en diferencias, emparejamiento) para abordar esto, el autor argumenta que las estructuras matemáticas subyacentes de estos métodos han dependido implícitamente de los principios del Transporte Óptimo (OT) durante décadas sin un reconocimiento explícito. El artículo busca hacer estas conexiones explícitas, argumentando que el OT no es meramente una herramienta, sino el marco fundacional para identificar mecanismos causales, particularmente cuando se considera la heterogeneidad del tratamiento.

Metodología y Marco Teórico
La revisión conecta sistemáticamente los modelos causales estructurales con la teoría del OT, pasando de entornos univariados a multivariados y de la identificación puntual a la identificación parcial.

Modelos Estructurales y Reordenamiento Monótono:
El artículo comienza con el modelo estructural $Y = g(X, U)$ , donde $g$ es el mecanismo causal y $U$ representa la heterogeneidad no observada. En entornos exógenos ( $X \perp U$ ), la identificación de $g$ depende del reordenamiento monótono. Si $g(x, \cdot)$ es estrictamente monótona, actúa como el mapa de transporte óptimo que impulsa la distribución de los no observables $P_U$ hacia la distribución condicional de los resultados $P_{Y|X=x}$ . Este mapa es la solución al problema de Monge con una función de costo convexa, específicamente la función de cuantiles $g(x, u) = F^{-1}_{Y|X=x}(F_U(u))$ . Esto establece que identificar el mecanismo causal es equivalente a encontrar el acoplamiento óptimo entre los no observables y los resultados.
Variables Instrumentales (IV) y Variables de Control:
En entornos endógenos ( $X \not\perp U$ ), el artículo analiza modelos de Variables Instrumentales (IV) ( $Y=g(X,V), X=h(Z,W)$ ).
- Variables de Control: Demuestra que el enfoque clásico de variables de control (por ejemplo, [87]) se basa en el reordenamiento monótono. La variable de control $R = F_{X|Z}(X)$ imita al no observable $W$ . El artículo generaliza esto al mostrar que cualquier isomorfismo preservador de la medida puede servir como una variable de control válida, extendiendo el método más allá de las distribuciones uniformes.
- Iteraciones de Punto Fijo: Para instrumentos binarios, el artículo revisa las estrategias de identificación utilizando iteraciones de punto fijo (por ejemplo, [141, 49]). Estos métodos utilizan mapas "verticales" (cambiando $Z$ ) y "horizontales" (cambiando cuantiles) para rastrear el mecanismo causal $g$ de vuelta a un punto fijo donde $X$ es efectivamente exógeno.
- Extensiones Multivariadas: El artículo discute la extensión de estas ideas a entornos multivariados utilizando mapas de Brenier (gradientes de funciones convexas). Destaca que, si bien los mapas de Brenier proporcionan una generalización natural de la monotonicidad a través de la monotonicidad cíclica, imponen restricciones dimensionales estrictas (el no observable $W$ debe coincidir en dimensión con $X$ ), lo que limita su aplicabilidad en algunos contextos causales.
- Identificación Parcial: Para entornos donde la identificación completa es imposible, el artículo enmarca el problema de acotar los efectos promedio del tratamiento como un problema de transporte óptimo en espacios de trayectorias. Esto implica optimizar sobre distribuciones conjuntas de procesos contrafácticos sujetos a restricciones marginales observadas, vinculando los límites causales con problemas de la física estadística (por ejemplo, la dinámica de grandes partículas).
Diferencia en Diferencias (DiD) y Controles Sintéticos:
- Cambios en Cambios: El artículo revisa el estimador de DiD no paramétrico (por ejemplo, [11]), mostrando que depende del reordenamiento monótono para transportar la "tendencia natural" del grupo de control al grupo tratado.
- DiD Multivariado: Extiende esto a resultados multivariados utilizando comonotonicidad cíclica, permitiendo la identificación de distribuciones contrafácticas a través de mapas de Brenier sin requerir que las funciones de producción individuales sean monótonas, solo que sean cíclicamente comonotonas.
- Controles Sintéticos Distribucionales: El artículo introduce una extensión novedosa de los controles sintéticos donde el objetivo es igualar la distribución de los resultados en lugar de solo la media. Esto se formula como la búsqueda de un baricentro de Wasserstein de las unidades de control para replicar la distribución pre-tratamiento de la unidad tratada. La identificación se basa en el supuesto de que los mapas de transporte entre periodos de tiempo son isometrías en el espacio de Wasserstein.
Emparejamiento y OT Desbalanceado:
El artículo critica los métodos de emparejamiento estándar por su dependencia de la restricción estricta de preservación de masa del OT clásico, que fuerza emparejamientos incluso cuando los soportes de las covariables no se superponen (violando el supuesto de superposición/overlap). Propone el Transporte Óptimo Desbalanceado como solución. Al relajar las restricciones marginales y añadir penalizaciones de divergencia (por ejemplo, divergencia de Kullback-Leibler o $\phi$ -divergencia), el OT desbalanceado permite un "emparejamiento parcial", descartando automáticamente las unidades sin buenos emparejamientos. Esto proporciona una forma disciplinada de manejar las violaciones del supuesto de superposición y reduce el sesgo en muestras finitas.

Contribuciones Clave y Resultados

Unificación de Notación y Teoría: El artículo unifica el lenguaje de la econometría, la estadística y las matemáticas al revelar que los modelos causales fundamentales (ecuaciones estructurales, DiD, IV, controles sintéticos) están construidos implícitamente sobre los principios del OT.
Generalización de Variables de Control: Proporciona una generalización rigurosa del enfoque de variables de control, mostrando que la construcción específica de la variable de control puede ser cualquier isomorfismo preservador de la medida, no solo la función de distribución acumulada.
Identificación Dinámica: Elucida la conexión entre la identificación causal en modelos IV y la dinámica de gradiente (específicamente, el mapa de Brenier inverso actuando como un flujo de ascenso de gradiente), ofreciendo nuevas perspectivas matemáticas sobre la convergencia y la identificación.
OT en Espacios de Trayectorias: Enmarca la identificación parcial en modelos IV como un problema de transporte óptimo en espacios de trayectorias, tendiendo un puente entre la inferencia causal y la física estadística y la teoría de grandes desviaciones.
Controles Sintéticos Distribucionales: Introduce una versión distribucional de los controles sintéticos basada en baricentros de Wasserstein, permitiendo el análisis de efectos heterogéneos a nivel agregado.
Emparejamiento Desbalanceado: Aboga por el uso del OT desbalanceado en problemas de emparejamiento para manejar naturalmente las violaciones de soporte, ofreciendo una alternativa teóricamente fundamentada al recorte (trimming) ad-hoc o al emparejamiento de vecino más cercano.

Significancia y Reivindicaciones
El autor sostiene que reconocer la base de OT en la inferencia causal es crucial por varias razones:

Clarificación de Supuestos: Clarifica que supuestos como la monotonicidad son instancias específicas de la elección de una función de costo en un problema de OT. Esto abre la puerta a análisis de sensibilidad variando la función de costo (por ejemplo, usando costos cóncavos para mecanismos no monótonos).
Generalización: Proporciona una vía para generalizar los métodos existentes a dimensiones más altas y entornos más complejos (por ejemplo, DiD multivariado, controles sintéticos distribucionales) aprovechando la rica teoría matemática del OT.
Puente Interdisciplinario: El artículo posiciona al OT como un puente entre la inferencia causal y otros campos, como la física estadística (a través de formulaciones de espacio de trayectorias) y el aprendizaje automático (a través del emparejamiento de distribuciones).
Utilidad Práctica: Al hacer estas conexiones explícitas, la revisión busca unificar literaturas dispares, permitiendo a los investigadores transferir herramientas e ideas (por ejemplo, la regularización entrópica para la eficiencia computacional, el OT desbalanceado para la robustez) a través de diferentes problemas de inferencia causal.

El artículo concluye que, si bien la conexión entre el OT y la inferencia causal ha existido implícitamente, hacerla explícita permite el desarrollo de métodos más robustos, generales e interpretables para identificar efectos causales en datos observacionales.

El Gran Juego del Detective: Descubriendo Causas Ocultas

La Gran Revelación del Artículo: El Mapa Oculto

A lo que Debemos Prestar Atención según el Artículo

La Conclusión

Resumen Técnico: Una Introducción al Transporte Óptimo para la Inferencia Causal con Datos Observacionales

Más como este