Resumen Técnico: Agrupamiento (Clustering) y Poda (Pruning) en la Fusión de Datos Causales

Planteamiento del Problema

El artículo aborda el problema general de identificación de efectos causales, donde el objetivo es combinar datos observacionales y experimentales de múltiples fuentes para identificar un efecto causal $p(y \mid do(x))$ que no es identificable desde ninguna fuente individual. Aunque el do-calculus (Pearl, 1995) sirve como la herramienta de propósito general para esta tarea, los algoritmos basados en él (como Do-search) enfrentan desafíos computacionales significativos a medida que aumenta el número de variables y el grafo causal se vuelve complejo.

Los algoritmos de identificación existentes para escenarios específicos (por ejemplo, g-identificabilidad, g-transportabilidad) suelen depender de supuestos restrictivos, como la disponibilidad de distribuciones conjuntas completas donde la unión de las variables observadas e intervenidas cubre todas las variables endógenas. En contraste, la fusión de datos en el mundo real a menudo implica distribuciones de entrada parcialmente superpuestas (por ejemplo, una fuente mide $p(x, z)$ y otra $p(z, y)$), donde ningún algoritmo actual puede determinar la identificabilidad sin recurrir a métodos de búsqueda computacionalmente costosos.

El desafío central es que reducir el tamaño de un grafo causal (mediante preprocesamiento) no garantiza automáticamente la preservación de la identificabilidad de los efectos causales. Si un grafo es modificado, no hay garantía de que las inferencias realizadas en el grafo modificado se transfieran de vuelta al original. El artículo busca establecer condiciones rigurosas bajo las cuales la poda (eliminar variables) y el agrupamiento (combinar variables) pueden aplicarse a problemas de fusión de datos causales sin alterar el estatus de la identificabilidad.

Metodología

Los autores proponen un marco para el preprocesamiento de grafos causales en el contexto de múltiples fuentes de datos. Generalizan resultados previos (Tikka y Karvanen, 2018; Tikka et al., 2023) que estaban limitados a fuentes de datos observacionales únicas.

1. Poda (Pruning)

La poda implica eliminar variables que son irrelevantes para la identificación de un efecto causal específico. El artículo deriva tres teoremas para la poda en presencia de múltiples distribuciones de entrada $I = \{p(a_i \mid do(b_i), c_i)\}$:

• Teorema 7 (Poda de No Ancestros): Las variables que no son ancestros de la variable de respuesta $Y$ pueden eliminarse, siempre que no estén involucradas en los conjuntos de condicionamiento o intervención de ninguna distribución de entrada.
• Teorema 8 (Poda Post-Intervención): Las variables que quedan d-separadas de $Y$ después de una intervención en $X$ pueden eliminarse, sujeto a condiciones que aseguren que la eliminación no altere las propiedades de d-separación entre los miembros de $X$ o viole la estructura de las distribuciones de entrada.
• Teorema 9 (Poda de Vértices Aislados): Los vértices conectados al resto del grafo solo a través de una única variable pueden eliminarse si no forman parte de los conjuntos de condicionamiento o intervención de ninguna distribución de entrada.

2. Agrupamiento (Clustering)

El agrupamiento reemplaza un conjunto de vértices $T$ con un único vértice $\mathcal{T}$. El artículo se centra en los clústeres de tránsito (transit clusters), definidos como conjuntos de vértices donde la información fluye desde los "receptores" (nodos con padres fuera de $T$) hacia los "emisores" (nodos con hijos fuera de $T$) de una manera específica y uniforme.

• Definición 13 (Clúster de Tránsito): Un conjunto $T$ es un clúster de tránsito si todos los receptores comparten los mismos padres externos, todos los emisores comparten los mismos hijos externos, y la conectividad interna asegura que cada nodo esté vinculado a un receptor o a un emisor.
• Invarianza de Identificación: El artículo introduce el Algoritmo 1 (VerifyInputs) para verificar si una operación de agrupamiento preserva la identificabilidad.
  • Teorema 17: Si un efecto causal es identificable en el grafo agrupado, es identificable en el grafo original.
  • Teorema 18: Si un efecto causal no es identificable en el grafo agrupado, y VerifyInputs devuelve TRUE, entonces no es identificable en el grafo original.
  • Teorema 19: Un caso especial donde el agrupamiento es siempre invariante de identificación si el conjunto de receptores y emisores se intersectan (es decir, un nodo sirve como ambos).

3. Recuperación de Funcionales Identificadores

El artículo demuestra que los funcionales identificadores derivados de grafos podados o agrupados pueden mapearse de vuelta al grafo original:

• Teorema 20: Para la poda, el funcional identificador permanece sin cambios ($f(I) = g(I')$).
• Teorema 21: Para el agrupamiento, el funcional se obtiene reemplazando la variable agrupada $\mathcal{T}$ con el subconjunto específico de la agrupación original $T$ que aparece en la correspondiente distribución de entrada.

Resultados Clave

1. Generalización a Múltiples Fuentes: Los autores extienden con éxito los resultados de invarianza de poda y agrupamiento de entornos de fuente única al caso general de múltiples fuentes de datos parcialmente superpuestas. Esto es no trivial porque conceptos estándar como los componentes-c y las proyecciones latentes están mal definidos cuando no se dispone de las distribuciones completas.
2. Verificación Algorítmica: El desarrollo de VerifyInputs (Algoritmo 1) proporciona un método práctico para determinar cuándo la no-identificabilidad en un grafo agrupado implica la no-identificabilidad en el grafo original, un paso crítico para evitar falsos negativos.
3. Eficiencia Computacional: Un estudio de simulación utilizando Do-search en 108,933 instancias muestra que la estrategia de reducción (poda + agrupamiento) supera significativamente a la estrategia directa (ejecutar Do-search en el grafo original) para grafos más grandes.
   • Para grafos con 12 vértices, el ahorro de tiempo mediano en casos no identificables (Configuración B) superó los 12 minutos.
   • La sobrecarga de verificar las condiciones de poda/agrupamiento es insignificante (mediana < 0.05 segundos).
   • En casos donde la reducción no es aplicable, la penalización de tiempo es mínima.
4. Aplicación Práctica: Los métodos se aplicaron a dos ejemplos del mundo real:
   • Estudio de Mortalidad Infantil: Demostró cómo la poda reduce un grafo complejo a un tamaño manejable para identificar el efecto del precio del tabaco sobre el tabaquismo pasivo.
   • Estudio de Aterosclerosis (ELSA-Brasil): Mostró cómo el agrupamiento de variables (por ejemplo, factores socioeconómicos) permite la evaluación de la identificabilidad sin necesidad de conocer las estructuras internas detalladas de los clústeres, siempre que se cumplan ciertas condiciones.

Significancia y Reivindicaciones

El artículo sostiene que la poda y el agrupamiento sirven como herramientas esenciales de preprocesamiento para la fusión de datos causales, particularmente en escenarios con datos parcialmente superpuestos donde los algoritmos actuales de tiempo polinomial son inaplicables.

• Eficiencia: La principal significancia es la reducción de la carga computacional. Al reducir el tamaño del grafo antes de aplicar algoritmos de identificación basados en búsqueda, el método hace que la identificación de efectos causales sea factible para modelos más grandes y complejos.
• Simplificación: Los métodos permiten una presentación más concisa de los grafos causales y funcionales identificadores más simples.
• Planificación de la Recolección de Datos: Los autores señalan que estas técnicas pueden guiar las estrategias de recolección de datos. Si una variable puede ser podada, no necesita ser medida. Si se utiliza un clúster de tránsito, solo es necesario medir los "emisores" del clúster para preservar la identificabilidad.
• Contribución Teórica: El trabajo proporciona condiciones suficientes para la invarianza de identificación sin depender de conceptos (componentes-c, hedges) que requieren conocimiento distributivo completo. Esto cierra la brecha entre la inferencia causal teórica y las restricciones prácticas de la fusión de datos.

Los autores mantienen la modestia respecto al alcance, señalando que los resultados se aplican a efectos causales marginales y que la completitud del do-calculus para el caso general no restringido sigue siendo una cuestión teórica abierta. Enfatizan que la aplicación de estas operaciones es una decisión del investigador, que equilibra las ganancias computacionales frente a la posible pérdida de interpretabilidad o la necesidad de conocimiento específico del dominio.