Resumen Técnico: Acoplamiento de Modelado Generativo y un Autoencoder con el Puente Causal

Planteamiento del Problema

El artículo aborda el desafío de inferir el efecto causal de un tratamiento ($X$) sobre un resultado ($Y$) en presencia de un confuso no observado ($U$) que influye en ambos. Los métodos tradicionales de inferencia causal suelen depender de supuestos fuertes, como la ausencia de confundidores no observados o la disponibilidad de variables instrumentales válidas, los cuales pueden no cumplirse en la práctica. Si bien enfoques recientes utilizan variables de proximidad (proxies o controles negativos) —específicamente un control de tratamiento ($Z$) y un control de resultado ($W$)— para mitigar este sesgo, los métodos existentes para estimar la función del "puente causal" (que vincula los proxies con el efecto causal) enfrentan limitaciones en cuanto a la comprensión teórica y la implementación práctica, particularmente respecto a la eficiencia del aprendizaje y el manejo de relaciones no lineales complejas.

Metodología

Los autores proponen un marco que acopla la función del puente causal con el modelado generativo y una arquitectura de autoencoder para mejorar la estimación de los efectos del tratamiento.

1. Refinamiento Teórico del Puente Causal

El artículo reexamina los supuestos requeridos para que la función del puente causal $b(W, x)$ satisfaga la ecuación integral de Fredholm:
$$E(Y |x, z) = E(b(W, x)|x, z)$$
Los autores demuestran que la función del puente no necesita coincidir con la función estructural subyacente punto a punto, sino en la esperanza. Derivan un nuevo límite de información teórica sobre el error promedio ($\eta$) de la estimación del efecto del tratamiento. Este límite relaciona el error con la información mutua condicional $I(U; Z|W, x)$, sugiriendo que la calidad de la aproximación del puente depende críticamente de que $W$ sea una representación de bajo ruido del confuso latente $U$.

2. Modelado Generativo para el Muestreo

En lugar de depender únicamente de la estimación de esperanzas condicionales (como en los métodos previos de aprendizaje causal por proxy profundo), los autores introducen un enfoque generativo. Modelan la distribución condicional $p(W|x, z)$ utilizando un modelo generativo (por ejemplo, un GAN condicional o un modelo de difusión) para muestrear proxies de resultado $W$ dados el tratamiento $X$ y el proxy de tratamiento $Z$. Esto permite simular muestras de la distribución del confuso latente $p(U|W, x)$ a través de una función $h(W, x, \epsilon)$, donde $\epsilon$ es ruido. La función del puente se formula entonces como una esperanza sobre estas variables latentes muestreadas:
$$b(W, x) \approx E_{\epsilon}[g_Y(x, W, h(W, x, \epsilon))]$$

3. Arquitectura de Autoencoder para la Fuerza Estadística

Para mejorar la calidad de la representación latente aprendida $h(W, x, \epsilon)$, los autores proponen una arquitectura de autoencoder que comparte la fuerza estadística a través de las variables observadas. El modelo minimiza conjuntamente una función de pérdida compuesta:

• Pérdida de Resultado ($L_{\theta_Y}$): Minimiza el error entre los resultados observados $Y$ y la predicción del puente.
• Pérdida de Control de Tratamiento ($L_{\theta_X}$): Reconstruye el tratamiento $X$ a partir de la representación latente.
• Pérdida de Proxy ($L_{\theta_Z}$): Reconstruye el proxy de tratamiento $Z$ a partir de la representación latente.

Al compartir el codificador $h_{\theta_U}$ en estas tareas, el modelo aprovecha la información de $X$ y $Z$ para inferir mejor el confuso latente $U$, lo que conduce a estimaciones causales más robustas, particularmente cuando los tamaños de muestra son pequeños.

4. Extensión a Resultados de Supervivencia

El marco se extiende para manejar datos de supervivencia (resultados de tiempo hasta un evento con censura). En lugar de modelar el valor esperado de $Y$, el método modela la función de riesgo $\lambda(Y | W, x) = \lambda_0(t) \exp(b(W, x))$. El efecto causal se estima mediante la razón de riesgos (HR), optimizada utilizando una función de pérdida de verosimilitud parcial similar al modelo de riesgos proporcionales de Cox, sin requerir un riesgo base paramétrico.

Contribuciones Clave

1. Límite Teórico: El artículo proporciona un nuevo límite para el error promedio del puente causal, vinculando el error de estimación con la información mutua condicional entre el confuso no observado y los proxies. Aclara que la función del puente no necesita ser independiente de $Z$ punto a punto, sino que debe satisfacer una condición de coincidencia de la esperanza.
2. Marco de Aprendizaje Generativo: Una formulación de aprendizaje novedosa que utiliza modelos generativos para muestrear de la distribución condicional de los proxies, yendo más allá de la estimación de esperanzas condicionales utilizada en los métodos previos de vanguardia (como el de Variables de Proxy de Características Profundas o DFPV).
3. Integración de Autoencoder: La introducción de una arquitectura de autoencoder que comparte el codificador latente a través de los modelos de tratamiento, proxy y resultado, mejorando la estimación del puente causal al aprovechar la fuerza estadística compartida.
4. Extensión al Análisis de Supervivencia: La primera aplicación del marco del puente causal a resultados de supervivencia, permitiendo la inferencia causal para datos de tiempo hasta un evento en presencia de confusión no observada.

Resultados Experimentales

El enfoque propuesto fue validado tanto en conjuntos de datos sintéticos como en datos del mundo real:

• Datos Sintéticos (Demand y dSprite): En conjuntos de datos sintéticos donde se conocen los efectos causales reales, el método propuesto (CB + AE) superó significativamente al método de vanguardia de Variables de Proxy de Características Profundas (DFPV). Los resultados mostraron que el muestreo de $p(W|x, z)$ y el uso del autoencoder compartido redujeron el Error Cuadrático Medio (MSE) de las estimaciones del efecto causal.
• Datos del Mundo Real (Estudio de Corazón de Framingham): El método se aplicó para estimar el efecto causal del uso de estatinas sobre los eventos de enfermedad cardiovascular (CVD).
  • Los métodos observacionales estándar (CoxPH con varios esquemas de ponderación) produjeron estimaciones sesgadas (Razón de Riesgos > 1), probablemente debido a la confusión residual (los pacientes de alto riesgo tienen más probabilidades de recibir el tratamiento).
  • Los métodos de Puente Causal propuestos (CB y CB + AE) produjeron Razones de Riesgos < 1, consistentes con la dirección del efecto encontrado en un Ensayo Controlado Aleatorizado (ECA) separado utilizado como referencia.
  • La variante CB + AE proporcionó intervalos de confianza más estrechos y un mejor alineamiento con los resultados del ECA en comparación con la variante solo CB, demostrando el beneficio del componente del autoencoder.

Significado y Reivindicaciones

Los autores afirman que su trabajo avanza en la comprensión teórica del puente causal al relajar los supuestos estrictos de independencia y proporcionar un límite de error concreto. Prácticamente, la integración de modelos generativos y autoencoders ofrece un mecanismo más flexible y robusto para la inferencia causal con variables de proximidad, particularmente en escenarios con datos limitados o confusión no lineal compleja. La extensión al análisis de supervivencia amplía la aplicabilidad de la inferencia causal proximal a dominios biomédicos críticos. Los autores señalan que, si bien su enfoque muestra un rendimiento superior en comparación con otros métodos basados en proxies, la verificación de los supuestos subyacentes sigue siendo un desafío, y la partición de las covariables en proxies ($W$ y $Z$) requiere una consideración cuidadosa en las aplicaciones prácticas.