Policy relevance of causal quantities in networks

El artículo argumenta que el resultado promedio esperado, al promediar tanto sobre las unidades como sobre las asignaciones de tratamiento, constituye un estimando que combina la interpretabilidad como resumen de efectos individuales con la suficiencia necesaria para la elección óptima de políticas en redes de interferencia.

Lo esencial

Imagina que eres el alcalde de una ciudad y quieres lanzar un nuevo programa de bienestar: regalar plantas a los vecinos para mejorar el aire y el ánimo.

En un mundo simple, donde cada vecino vive en una isla y no se habla con nadie, la pregunta es fácil: ¿Funciona la planta para quien la recibe? Si la respuesta es sí, le das a todos. Si no, no le das a nadie. Esto es lo que los estadísticos llaman el "Efecto Promedio del Tratamiento" (ATE). Es como medir si un medicamento cura a un paciente sin que le afecte lo que le pase a su vecino.

Pero, ¡espera! En la vida real, las personas viven en redes. Si le das una planta a Juan, no solo mejora su balcón; también puede mejorar el ánimo de María (su vecina), o quizás María se pone celosa y su jardín se seca. Las acciones de uno afectan a los otros. Esto se llama interferencia o "efectos de red".

Aquí es donde entra este paper de Sahil Loomba y Dean Eckles. Ellos dicen: "Oye, cuando hay interferencia, ¡hay mil formas de medir el éxito y la mayoría nos están mintiendo o confundiendo!".

Aquí te explico sus ideas principales con analogías sencillas:

1. El problema de las dos formas de contar (El orden importa)

Imagina que tienes una caja llena de canicas de colores (los resultados de las personas) y quieres saber qué pasa si cambias las reglas del juego (la política). Los investigadores han estado usando dos métodos para sacar conclusiones, y el orden en que hacen la cuenta cambia todo:

Método A: "Primero miramos al vecino, luego promediamos" (AFEO)

Este es el método más común.

• La analogía: Imagina que te sientas en el parque y le preguntas a cada persona: "¿Qué tal te fue si tenías 0 vecinos con plantas? ¿Y si tenías 1? ¿Y si tenías 2?". Luego, promedias esas respuestas.
• El problema: Esto es como mirar un mapa estático. Te dice: "Si todos tuvieran exactamente 1 vecino con planta, el promedio sería bueno".
• La trampa: En la vida real, no puedes forzar que todos tengan exactamente 1 vecino con planta. Si decides regalar plantas al 50% de la gente al azar, algunos tendrán 0, otros 1, otros 3, y otros 5.
• Conclusión: Este método te da una respuesta muy bonita sobre un escenario que nunca va a ocurrir. Es como decir: "El tráfico sería perfecto si todos condujeran a 60 km/h", pero en la realidad, el semáforo hace que unos vayan a 20 y otros a 80. Si te basas en ese dato para tomar decisiones, podrías elegir una política que parece buena en el papel pero es un desastre en la realidad.

Método B: "Primero aplicamos la política, luego miramos el resultado total" (EAO)

Este es el método que los autores defienden.

• La analogía: Imagina que decides lanzar una política real: "Regalaré plantas al 50% de la gente al azar". Luego, esperas un mes, miras a toda la ciudad y calculas el promedio de felicidad total.
• La ventaja: Esto te dice exactamente lo que pasará si ejecutas esa política. No importa si a Juan le tocó 0 vecinos y a María 3. Lo que importa es el resultado global de esa decisión específica.
• El resultado: Este método es el único que te dice: "Si hago X, obtendré Y de felicidad total". Es la única herramienta que un alcalde necesita para decidir qué política es la mejor.

2. ¿Por qué nos hemos confundido tanto?

Los autores explican que muchos estudiosos se han obsesionado con el Método A (mirar por niveles de exposición) porque parece más "científico" y detallado. Es como un chef que prueba cada ingrediente por separado para ver cuál sabe mejor, pero olvida que al cocinar el plato final, los ingredientes se mezclan de formas impredecibles.

• El error: Creer que saber cómo se siente un vecino con "exactamente 1 vecino con planta" nos ayuda a decidir cuántas plantas regalar en total.
• La realidad: A veces, la política óptima es regalar plantas al 30% de la gente, lo que crea una mezcla caótica de vecinos con 0, 1, 2 o 3 plantas. El Método A no puede predecir el resultado de esa mezcla caótica.

3. La solución: El "Resultado Promedio Esperado" (EAO)

Los autores proponen que dejemos de obsesionarnos con medir efectos tan específicos y detallados (como "efecto de tener exactamente 2 vecinos tratados") y nos enfoquemos en la pregunta del alcalde:

"Si aplico esta política, ¿cuál será el bienestar total de la ciudad?"

Este enfoque (llamado EAO en el paper) tiene dos superpoderes:

1. Es útil para decidir: Te dice directamente qué política maximiza la felicidad.
2. Es causalmente válido: Aunque no te diga exactamente "cuánto ayudó la planta a Juan individualmente", sí te dice cómo la política afectó al grupo, lo cual es lo que realmente importa para las políticas públicas.

En resumen: La metáfora del concierto

Imagina que quieres mejorar el sonido de un concierto.

• El método antiguo (AFEO): Mides cómo suena cada instrumento si el violinista toca solo, si el baterista toca solo, y si ambos tocan juntos. Luego intentas adivinar cómo sonará la orquesta completa basándote en esas pruebas aisladas. A veces fallas porque la acústica del salón cambia cuando todos tocan a la vez.
• El método nuevo (EAO): Simplemente pruebas la orquesta completa con diferentes arreglos de asientos y volúmenes. Mides el sonido final de la sala. Si suena bien, ¡es una buena política! Si suena mal, cambias el arreglo.

La lección final:
Cuando las acciones de una persona afectan a las demás (en redes sociales, epidemias, economía), no intentes desmenuzar el problema en piezas pequeñas e irreales. En su lugar, simula la política completa y mira el resultado global. Para tomar decisiones, lo que importa es el resultado final, no la teoría de cómo se llegó allí.

Este paper nos invita a dejar de mirar el mapa estático y empezar a conducir el coche de verdad.

Resumen técnico

1. Planteamiento del Problema

En el contexto de la inferencia causal en redes (donde existe interferencia, es decir, el resultado de una unidad $i$ depende no solo de su propio tratamiento $Z_i$, sino también de los tratamientos de sus vecinos), existe una proliferación de estimadores propuestos para cuantificar los efectos de las intervenciones.

El problema central identificado por los autores es la tensión entre dos propiedades deseables que un estimador (estimand) debería tener, pero que a menudo son mutuamente excluyentes en presencia de interferencia:

1. Interpretabilidad causal a nivel de unidad: El estimador debe ser un resumen de efectos causales a nivel individual (una combinación convexa de contrastes de resultados potenciales de cada unidad bajo diferentes políticas).
2. Relevancia para la elección de políticas: El estimador debe ser suficiente para que un tomador de decisiones elija la política de asignación de tratamientos que maximice el bienestar esperado (utilitarista).

En el caso clásico de "sin interferencia", el Efecto Promedio del Tratamiento (ATE) satisface ambas condiciones. Sin embargo, en redes, los estimadores comunes (como los efectos de spillover o curvas de dosis-respuesta basadas en exposiciones) suelen cumplir una propiedad pero fallar en la otra.

2. Metodología y Marco Teórico

Los autores formalizan el problema utilizando un marco de promedios dobles (double averaging) sobre unidades y asignaciones de tratamiento. Definen dos órdenes de promediado que generan diferentes tipos de estimadores:

A. Promedio sobre asignaciones, luego sobre unidades (AFEO)

• Definición: Se promedian los resultados potenciales de una unidad sobre las distribuciones de tratamiento (dadas una política $\pi$) condicionadas a una exposición específica (ej. tener exactamente $k$ vecinos tratados), y luego se promedia sobre las unidades que tienen esa exposición.
• Nombre: Average Focal Expected Outcome (AFEO).
• Propiedad Causal: Bajo un mapa de exposición correctamente especificado, las contrastes de AFEO son interpretados como promedios de efectos causales a nivel de unidad.
• Limitación de Política: Los autores demuestran que los AFEOs no son suficientes para la elección óptima de políticas. Esto se debe a que los AFEOs resumen resultados bajo exposiciones homogéneas, pero las políticas reales (como asignaciones Bernoulli) a menudo generan distribuciones de exposición heterogéneas en la red. Por lo tanto, conocer el resultado promedio para "unidades con 1 vecino tratado" no permite calcular el bienestar total esperado de una política que asigna tratamientos aleatoriamente, a menos que la distribución de exposiciones sea homogénea para todas las unidades (lo cual es raro en grafos irregulares).

B. Promedio sobre unidades, luego sobre asignaciones (EFAO/EAO)

• Definición: Primero se promedian los resultados de todas las unidades bajo una asignación de tratamiento específica, y luego se promedia sobre las asignaciones posibles según la política $\pi$.
• Nombre: Expected Focal Average Outcome (EFAO). Si el foco incluye a todas las unidades, se denomina Expected Average Outcome (EAO).
• Propiedad Causal: Los contrastes de EFAO (diferencias entre políticas) generalmente no son promedios de efectos causales a nivel de unidad, a menos que el mapa de foco sea determinista (invariante a la asignación).
• Relevancia de Política: El EAO es suficiente para la elección óptima de políticas bajo bienestar utilitarista, ya que representa directamente el resultado esperado de la política.

3. Contribuciones Clave y Resultados Principales

1. Caracterización de la Insuficiencia de los AFEOs:

   • Los autores demuestran (Proposición 11 y Corolario 11.2) que los AFEOs (y las curvas de dosis-respuesta basadas en exposiciones) solo identifican el EAO (y por tanto el bienestar) si la distribución de exposiciones bajo la política es homogénea por unidad.
   • En grafos irregulares, la mayoría de las políticas de interés (como Bernoulli homogénea) generan exposiciones heterogéneas. Por lo tanto, los AFEOs solo proporcionan límites parciales (bounds) para el bienestar, que pueden ser muy amplios, haciendo imposible la elección óptima de políticas basándose únicamente en ellos.

2. Defensa del EAO (Expected Average Outcome):

   • El EAO es el único estimador donde los dos órdenes de promediado coinciden universalmente (Proposición 3).
   • El EAO es suficiente y necesario para la elección de políticas bajo bienestar utilitarista con costos arbitrarios (Proposición 10).
   • Aunque los contrastes de EAO no siempre son "efectos causales a nivel de unidad" en el sentido estricto de promedios de contrastes individuales, los autores argumentan que son cantidades causales válidas que describen el efecto de la política sobre los resultados agregados.

3. Análisis de Mapas de Exposición Incorrectamente Especificados:

   • Incluso si un mapa de exposición está mal especificado, los AFEOs siguen siendo promedios de efectos causales (aunque de naturaleza difícil de interpretar), pero siguen siendo insuficientes para la política.
   • Hacer un mapa de exposición más granular para evitar la mala especificación puede, paradójicamente, destruir la homogeneidad de la exposición bajo ciertas políticas, haciendo que el bienestar deje de estar identificado puntualmente.

4. Evidencia Empírica Simulada y Real:

   • Utilizando datos del experimento de campo de Cai et al. (2015) sobre la adopción de seguros, los autores muestran que los AFEOs estimados por número de vecinos tratados generan límites muy amplios para el bienestar esperado bajo diferentes probabilidades de tratamiento ($\pi$), mientras que el EAO es el objetivo real que los decisores necesitan maximizar.

4. Significado e Implicaciones

• Para Investigadores Empíricos: El artículo advierte contra la interpretación intuitiva pero errónea de las curvas de dosis-respuesta (AFEOs) como guías directas para políticas. Aunque son útiles para entender mecanismos y efectos de spillover a nivel de exposición, no deben usarse como la única base para diseñar intervenciones.
• Para la Metodología de Inferencia Causal: Se propone un cambio de enfoque: en lugar de centrarse exclusivamente en estimadores que sean "efectos causales a nivel de unidad" (como los contrastes de AFEO), la comunidad debe dar mayor atención a la estimación del EAO (o contrastes de EAO entre políticas).
• Para la Toma de Decisiones: Para maximizar el bienestar social en redes, los decisores necesitan estimar qué sucede en promedio bajo una política específica (EAO), no solo cómo reaccionan los individuos a exposiciones fijas. El EAO captura la interacción entre la estructura de la red, la política de asignación y los resultados, siendo el estimador correcto para la optimización de políticas.

Conclusión

Loomba y Eckles argumentan que existe una dicotomía en la literatura actual: los estimadores que son causalmente interpretables a nivel de unidad (AFEO) a menudo son insuficientes para la política, y los que son suficientes para la política (EAO) a menudo carecen de la interpretación causal a nivel de unidad tradicional. Su conclusión es que el EAO merece una atención prioritaria, ya que es el estimador que satisface la relevancia política y, bajo ciertas condiciones, puede interpretarse como un resumen de efectos causales, siendo el único que garantiza la identificación del bienestar esperado bajo cualquier política en redes.