Density Ratio-based Causal Discovery from Bivariate Continuous-Discrete Data

El artículo propone el método DRCD para descubrir la dirección causal entre una variable continua y una discreta, basándose en la demostración teórica de que la monotonía de la razón de densidades caracteriza la dirección $X \to Y$, mientras que la falta de monotonía o la presencia de familias de desplazamiento de ubicación indican $Y \to X$.

Lo esencial

Imagina que eres un detective privado en un mundo donde solo tienes dos testigos: Juan (un número que cambia constantemente, como la temperatura) y María (una persona que solo puede decir "Sí" o "No", como un interruptor de luz).

Tu misión es descubrir la verdad: ¿Quién está mandando a quién?

• ¿Es Juan quien hace que María se encienda o apague? (Temperatura $\rightarrow$ Interruptor)
• ¿O es María quien decide el valor de Juan? (Interruptor $\rightarrow$ Temperatura)

El problema es que no puedes hacer experimentos (no puedes apagar la luz a propósito para ver qué pasa con la temperatura). Solo tienes un cuaderno de notas con observaciones pasadas.

Este artículo presenta una nueva herramienta detectivesca llamada DRCD (Descubrimiento Causal basado en la Razón de Densidad) para resolver este misterio. Aquí te explico cómo funciona con analogías sencillas:

1. El Problema: ¿Quién es el jefe?

En el mundo real, a veces es difícil saber si una enfermedad causa un síntoma o si el síntoma revela la enfermedad.

• Métodos antiguos: Intentaban adivinar comparando "puntuaciones" de complejidad, pero era como comparar manzanas con naranjas. ¿Cómo comparas la complejidad de un número (temperatura) con la de una categoría (sí/no)? Era injusto y a menudo fallaba.
• La nueva idea: En lugar de comparar puntuaciones, los autores miran la forma en que se comportan los datos.

2. La Analogía de la "Escalera" vs. el "Laberinto"

Los autores descubrieron una regla mágica sobre cómo se comportan los datos dependiendo de quién es la causa.

Escenario A: Juan causa a María (X $\rightarrow$ Y)

Imagina que Juan es una escalera y María es un portero.

• Cuando Juan sube los peldaños (cambia su valor), el portero (María) decide si abre o cierra la puerta basándose en un umbral.
• La clave: Si miras la relación entre los valores de Juan cuando María dice "Sí" y cuando dice "No", verás una línea recta y suave (monótona). Es como subir una escalera: siempre subes o siempre bajas, nunca te detienes ni das vueltas.
• En lenguaje técnico: La "razón de densidad" (una medida de probabilidad) es monótona.

Escenario B: María causa a Juan (Y $\rightarrow$ X)

Ahora imagina que María es un chef y Juan es un plato de comida.

• Si María dice "Sí", cocina un plato con un tipo de sal. Si dice "No", cocina un plato con otro tipo de sal.
• La clave: Como cada decisión de María es independiente, los platos pueden tener formas muy extrañas. A veces el plato "Sí" es salado y picante, y el "No" es dulce y suave.
• Si miras la relación entre los dos platos, la línea no será recta. Será un laberinto: subirá, bajará, se curvará y dará vueltas. No es una línea recta.
• En lenguaje técnico: La "razón de densidad" es no monótona (salta y cambia de dirección).

3. La Excepción: El "Cambio de Lugar" (Location-Shift)

A veces, si María causa a Juan, los platos pueden ser idénticos, solo que uno está un poco más a la izquierda en la mesa que el otro (como mover una silla).

• Si los datos son solo un "cambio de lugar" (misma forma, diferente posición), los métodos antiguos funcionaban bien.
• Pero en la vida real, las cosas son más complejas: los platos tienen formas diferentes. El nuevo método DRCD detecta si los datos son solo un "cambio de lugar" o si tienen formas extrañas (el laberinto).

4. ¿Cómo funciona el detective DRCD?

El algoritmo sigue estos pasos sencillos:

1. Verificar si hay relación: Primero pregunta: "¿Juan y María se ignoran mutuamente?". Si sus datos son totalmente independientes, no hay causalidad.
2. Buscar el "Cambio de Lugar": Pregunta: "¿Los datos de Juan son idénticos a los de María, solo desplazados?". Si es así, probablemente María causa a Juan (y es un caso simple).
3. La prueba de la Escalera (Monotonía): Si no es un simple desplazamiento, dibuja la "línea de probabilidad" (la razón de densidad).
   • ¿Es una línea recta y suave (una escalera)? $\rightarrow$ Juan causa a María.
   • ¿Es un laberinto con curvas y vueltas? $\rightarrow$ María causa a Juan.

5. ¿Por qué es genial esto?

• No necesita suposiciones raras: A diferencia de métodos anteriores que asumían que todo el mundo seguía reglas estrictas, DRCD entiende que el mundo real es desordenado (mezclas de formas, variaciones).
• Es justo: No intenta comparar "manzanas con naranjas" (números con categorías) de forma torpe. Solo mira la forma de la curva.
• Funciona en la vida real: Lo probaron con datos de enfermedades cardíacas y datos económicos, y funcionó mejor que los métodos antiguos.

En resumen

Imagina que tienes dos amigos, uno que habla números y otro que solo asiente o niega con la cabeza.

• Si la relación es una línea recta, el que habla números es el jefe.
• Si la relación es un dibujo enredado, el que asiente/niega es el jefe.

El método DRCD es simplemente la herramienta que mira el dibujo y te dice quién es el jefe, sin necesidad de hacer preguntas incómodas o experimentos costosos. ¡Es como tener un detector de mentiras para las relaciones entre datos!

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Density Ratio-based Causal Discovery from Bivariate Continuous-Discrete Data" (Descubrimiento Causal basado en la Razón de Densidad a partir de Datos Continuos-Discretos Bivariados), escrito por Takashi Nicholas Maeda, Shohei Shimizu y Hidetoshi Matsui.

---

1. Planteamiento del Problema

El objetivo central del trabajo es inferir la dirección causal entre una variable continua ($X$) y una variable discreta ($Y$) utilizando únicamente datos observacionales. Este es un problema fundamental en la ciencia causal, ya que los métodos existentes enfrentan limitaciones significativas en escenarios de datos mixtos:

• Métodos basados en restricciones: (como PC o FCI) no pueden determinar la dirección causal en configuraciones bivariadas debido a la falta de variables adicionales para condicionamiento.
• Métodos basados en modelos funcionales: (como MIC o LiM) suelen asumir que, si $Y \to X$, las distribuciones condicionales $P(X|Y)$ forman una familia de desplazamiento de ubicación (location-shift family), es decir, difieren solo en la media pero comparten la misma forma y escala. Esta suposición es restrictiva y falla cuando las distribuciones tienen formas o varianzas diferentes.
• Métodos basados en puntuaciones flexibles: (como CRACK o GSF) evitan suposiciones distribucionales fuertes, pero enfrentan dificultades teóricas para comparar "puntuaciones" (scores) entre variables de tipos inherentemente diferentes (continuas vs. discretas) sin normalizaciones ad-hoc carentes de justificación teórica.

2. Metodología Propuesta: DRCD

Los autores proponen DRCD (Density Ratio-based Causal Discovery), un método que determina la dirección causal basándose en propiedades teóricas de la razón de densidad ($G_{c_s, c_t}(x) = \frac{P(X|Y=c_t)}{P(X|Y=c_s)}$) y la estructura de las distribuciones condicionales.

El algoritmo opera bajo tres modelos causales posibles:

1. $X \to Y$ (Causa continua a efecto discreto).
2. $Y \to X$ (Causa discreta a efecto continuo).
3. Sin relación causal (Independencia).

Suposiciones y Modelos

• Para $X \to Y$: Se utiliza un modelo de umbral (threshold model). $Y$ se genera mediante indicadores binarios basados en si una función de $X$ más ruido supera un umbral.
• Para $Y \to X$: Se consideran dos casos:
  1. Desplazamiento de ubicación: Las distribuciones condicionales son idénticas salvo por un cambio en la media (asunción de trabajos previos).
  2. Parámetros independientes (No-desplazamiento): Las distribuciones condicionales son mezclas finitas de distribuciones normales generalizadas con parámetros (media, escala, forma) independientes para cada valor de $Y$. Esto permite varianzas y formas heterogéneas.

El Algoritmo DRCD (4 Pasos)

1. Prueba de existencia causal: Se utiliza la prueba de Kolmogorov-Smirnov (KS) para verificar si las distribuciones condicionales $P(X|Y=c_s)$ y $P(X|Y=c_t)$ son diferentes. Si son idénticas, se concluye independencia.
2. Prueba de desplazamiento de ubicación: Se centran las muestras (restando la media) y se aplica la prueba KS. Si las distribuciones centradas son indistinguibles, se infiere $Y \to X$ con desplazamiento de ubicación.
3. Estimación de la razón de densidad: Si no hay desplazamiento de ubicación, se estima la razón de densidad $G(x)$ utilizando uLSIF (Unconstrained Least-Squares Importance Fitting).
4. Evaluación de monotonía: Se calcula el coeficiente de correlación de rango de Spearman entre los índices de $x$ y los valores estimados de la razón de densidad.
   • Si la razón es monótona, se infiere $X \to Y$.
   • Si la razón es no monótona, se infiere $Y \to X$ (caso de parámetros independientes).

3. Contribuciones Clave Teóricas

El artículo establece la identificabilidad de la dirección causal mediante tres resultados teóricos principales:

1. Monotonía bajo $X \to Y$: Se demuestra que, bajo el modelo de umbral, la razón de densidad $P(X|Y=c_t)/P(X|Y=c_s)$ es estrictamente monótona (no decreciente o no creciente) para cualquier par de valores distintos de $Y$.
2. No-monotonía genérica bajo $Y \to X$: Bajo el modelo $Y \to X$ con distribuciones condicionales que no son de desplazamiento de ubicación (parámetros independientes), la razón de densidad es no monótona en casi todo el espacio de parámetros (el conjunto donde es monótona tiene medida de Lebesgue cero).
3. No-genericidad del desplazamiento bajo $X \to Y$: Se prueba que, bajo el principio de mecanismos independientes, es altamente improbable (no genérico) que las distribuciones condicionales bajo $X \to Y$ formen una familia de desplazamiento de ubicación. Esto requeriría una coordinación precisa y artificial entre el mecanismo causal y la distribución de entrada.

Conclusión teórica: La monotonía de la razón de densidad caracteriza la dirección $X \to Y$, mientras que la no-monotonía (o la presencia de desplazamiento de ubicación) caracteriza $Y \to X$.

4. Resultados Experimentales

Los autores evaluaron DRCD en conjuntos de datos sintéticos y del mundo real, comparándolo con métodos de referencia (LiM, MIC, MANMs, CRACK, GSF).

• Datos Sintéticos:

  • DRCD fue el único método que mantuvo una precisión superior al 80% en todos los escenarios, incluyendo el caso difícil de $Y \to X$ con distribuciones no de desplazamiento de ubicación (heterocedásticas).
  • Los métodos basados en modelos funcionales (LiM, MIC, MANMs) fallaron drásticamente en el caso de no-desplazamiento (precisión ~5-68%), ya que su suposición de desplazamiento de ubicación se vio violada.
  • Los métodos basados en puntuaciones (CRACK, GSF) tuvieron un rendimiento inconsistente, a menudo confundiendo direcciones o fallando en detectar causalidad.

• Datos del Mundo Real:

  • UCI Heart Disease: En pares de variables como edad/género vs. presión arterial/colesterol, DRCD logró 3 de 4 inferencias correctas, superando a la mayoría de los competidores y evitando inferencias causales inversas erróneas.
  • Tübingen Cause-Effect Pairs: En pares continuos-discretos seleccionados, DRCD y CRACK obtuvieron el mejor rendimiento (3/4 correctos), pero DRCD se distinguió por no cometer ninguna inferencia inversa (reversed inference), mientras que CRACK cometió un error.

5. Significado e Impacto

El trabajo es significativo por varias razones:

• Superación de limitaciones distribucionales: DRCD no asume que las distribuciones condicionales compartan forma y escala, lo que lo hace aplicable a escenarios más realistas donde la causa discreta afecta la varianza o la forma de la variable continua.
• Solución al problema de comparación de tipos mixtos: Al basarse en una prueba de propiedad (monotonía) en lugar de comparar puntuaciones de modelos entre tipos de variables diferentes, DRCD evita la necesidad de normalizaciones ad-hoc sin fundamento teórico.
• Fundamento teórico sólido: La metodología se apoya en resultados de medida cero y el principio de mecanismos independientes, proporcionando garantías teóricas de identificabilidad que faltan en muchos enfoques heurísticos.
• Aplicabilidad práctica: El código es de código abierto y el método demuestra robustez tanto en datos simulados como en datos biomédicos y económicos reales.

En resumen, DRCD representa un avance importante en la causalidad bivariada mixta, ofreciendo un marco teóricamente justificado y empíricamente superior para distinguir direcciones causales entre variables continuas y discretas sin restricciones distribucionales rígidas.