🤖 machine learning

On the Granularity of Causal Effect Identifiability

Este artículo introduce y analiza la identificabilidad de efectos causales basada en estados, demostrando que puede lograrse incluso cuando la identificabilidad tradicional basada en variables falla, mediante el aprovechamiento de conocimiento adicional como las independencias específicas de contexto y las restricciones de estado.

Autores originales: Yizuo Chen, Adnan Darwiche

Publicado 2026-07-24

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yizuo Chen, Adnan Darwiche

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 dilema del detective: Por qué "a veces" importa más que "siempre"

Imagina que eres un detective intentando resolver un misterio usando solo un mapa de la ciudad y un libro de registro de dónde se vio a las personas. Quieres saber: "Si obligo a un sospechoso a tomar una ruta específica, ¿dónde terminará?". En el mundo de la ciencia, esto se llama inferencia causal. Es el arte de averiguar qué causa qué, en lugar de simplemente notar que dos cosas suceden juntas. Por lo general, los detectives (o científicos) dependen de un mapa llamado grafo causal, que muestra cómo están conectadas diferentes variables —como "fumar", "salud pulmonar" o "dosis de un fármaco"—. También observan datos observacionales, que es simplemente un registro de lo que sucedió de forma natural sin que nadie interfiera.

El gran desafío es que, a veces, el mapa y el libro de registro no son suficientes para dar una respuesta única y definitiva. Tal vez hay factores ocultos (como un rasgo genético secreto) que el mapa no muestra, lo que hace imposible saber con certeza si el fármaco causó la recuperación o si el paciente simplemente tuvo suerte. Durante décadas, los científicos han tenido reglas para decidir si una pregunta de causa y efecto es "resoluble" (identificable) o "irresoluble". Estas reglas suelen hacer una pregunta muy amplia: "¿Podemos determinar el efecto de este fármaco en cualquier paciente, en cualquier situación?". Si la respuesta es "no" para un solo escenario complicado, el efecto del fármaco se consideraba un misterio. Pero, ¿y si no necesitamos saber sobre cada paciente? ¿Qué pasa si solo nos importa un grupo específico de pacientes que ya están tomando el fármaco y queremos saber si se recuperarán? Este artículo pregunta si centrarse en detalles específicos puede convertir un misterio irresoluble en uno resoluble.

Zoom: De "todos los pacientes" a "este paciente"

Este artículo, titulado "On the Granularity of Causal Effect Identifiability" (Sobre la granularidad de la identificabilidad del efecto causal), sugiere que la vieja forma de hacer preguntas podría ser demasiado amplia. Los autores, Yizuo Chen y Adnan Darwiche de UCLA, argumentan que deberíamos dejar de preguntar "¿Funciona este tratamiento para todos?" y empezar a preguntar "¿Funciona este tratamiento para este tipo específico de persona?". Ellos llaman a este cambio pasar de la identificabilidad basada en variables (la visión general) a la identificabilidad basada en estados (los detalles finos).

Piensa en esto como un pronóstico del tiempo. El método antiguo pregunta: "¿Lloverá mañana?". Si el modelo meteorológico es demasiado caótico para predecir la lluvia para todos los escenarios posibles, la respuesta es "No lo sabemos". Pero el nuevo método pregunta: "¿Lloverá si la temperatura baja de los 10 grados?". Incluso si el modelo no puede predecir la lluvia para todas las temperaturas, podría ser capaz de predecirla perfectamente para ese episodio de frío específico. El artículo muestra que, al centrarnos en "estados" específicos (como una temperatura determinada o la condición de un paciente específico), a menudo podemos encontrar respuestas que antes estaban ocultas.

La pista secreta: Independencia dependiente del contexto

El ingrediente mágico que hace posible este acercamiento de zoom es algo llamado Independencia Dependiente del Contexto (CSI, por sus siglas en inglés). En lenguaje sencillo, la CSI es una regla que dice: "En esta situación específica, dos cosas dejan de influirse entre sí".

Imagina un interruptor de luz. Normalmente, la luz depende de dos cosas: si la energía está encendida y si alguien acciona el interruptor. Pero si la energía se corta (el "contexto"), la luz deja de importar el interruptor. El interruptor podría estar hacia arriba o hacia abajo, pero la luz permanece apagada. Esto es una CSI: La luz es independiente del Interruptor, dado que la Energía está Cortada.

El artículo demuestra que, si conocemos estas reglas especiales de contexto, podemos resolver misterios que antes parecían imposibles. Sin embargo, hay un truco. Las reglas antiguas "basadas en variables" mirarían la imagen completa y dirían: "No podemos resolver esto porque a veces el interruptor importa y otras veces no". El nuevo enfoque "basado en estados" dice: "Espera, si solo miramos los momentos en que la energía está cortada, el interruptor ya no importa, ¡así que podemos resolverlo!".

Los autores demuestran que esta distinción es real e importante. Muestran que un efecto causal puede ser no identificable (irresoluble) cuando se mira la variable completa, pero identificable (resoluble) cuando se mira un estado específico, siempre que tengamos estas pistas de contexto adicionales. Sin estas pistas, ambos enfoques son en realidad lo mismo, y el zoom no ayuda. Pero con las pistas, la visión "de grano fino" abre nuevas puertas.

El poder de las "restricciones de estado"

El artículo también explora otro tipo de pista: las restricciones de estado. Esto es simplemente saber que una variable solo puede estar en ciertos estados. Por ejemplo, saber que una variable "Clima" solo puede ser "Lluvia" o "Nieve", pero nunca "Soleado".

Los autores descubrieron que saber los límites de los estados de una variable no ayuda mucho por sí solo. Es como saber que un dado solo tiene números del 1 al 6; eso no te dice si puedes predecir el lanzamiento. Pero, cuando combinas este conocimiento con las pistas de CSI (las "reglas de contexto"), se convierte en un superpoder. Es como tener un mapa que dice "El interruptor no importa cuando la energía está cortada" y saber que "La energía solo está siempre encendida o apagada". Juntas, estas restricciones pueden convertir un rompecabezas previamente irresoluble en uno resoluble.

El nuevo kit de herramientas del detective

Para probar estas ideas, los autores no solo hablaron de ello; construyeron nuevos algoritmos (programas informáticos) para probarlas. Crearon un método llamado ID-CSI y una versión extendida llamada ID-CSI-STATE. Estas herramientas actúan como un súper-detective que puede:

Mirar una situación específica (un "estado" específico).
Usar las pistas de contexto (CSI) para podar las partes innecesarias del mapa.
Comprobar si la respuesta se puede encontrar para esa rebanada específica de la realidad.

Probaron estas herramientas en miles de "mapas de misterio" generados aleatoriamente con diferentes números de variables (desde 6 hasta 50). Los resultados fueron claros:

Más pistas = Más respuestas: A medida que añadían más restricciones de CSI, el número de misterios resolubles aumentaba.
La brecha se amplía: La diferencia entre lo que el viejo método "amplio" podía resolver y lo que el nuevo método "específico" podía resolver se hacía más grande a medida que los rompecabezas se volvían más complejos.
La velocidad importa: Su nuevo método fue mucho más rápido que las herramientas existentes (como un paquete llamado DOSEARCH) al tratar con mapas grandes y complejos. De hecho, para mapas con 50 variables, las herramientas antiguas a menudo se rendían después de 5 minutos, mientras que el nuevo método los resolvía en segundos.

La conclusión

Este artículo no pretende que ahora podamos resolver cada misterio causal. En cambio, sugiere que hemos estado haciendo las preguntas equivocadas. Al ser más específicos —al preguntar por "este paciente" en lugar de por "todos los pacientes", y al usar pistas de contexto específicas— podemos resolver problemas que antes se consideraban imposibles.

Los autores demuestran que el mundo de la causa y el efecto es más matizado de lo que pensábamos. A veces, la respuesta no es "no lo sabemos", sino que es "conocemos la respuesta para este caso específico". Es un recordatorio de que en la ciencia, como en la vida, a veces la forma más poderosa de ver el panorama completo es concentrarse intensamente en un único y pequeño detalle.

Resumen Técnico: Sobre la Granularidad de la Identificabilidad del Efecto Causal

Planteamiento del Problema

La noción clásica de identificabilidad del efecto causal se define a nivel de variables: determinar si el efecto causal de un conjunto de variables de tratamiento $X$ sobre un conjunto de variables de resultado $Y$ (denotado como $Pr_X(Y)$ ) puede ser estimado de forma única a partir de datos observacionales y un grafo causal. Este enfoque asume que, si el efecto es identificable, debe ser identificable para cada posible intervención en $X$ y para cada posible estado de $Y$ .

Sin embargo, en muchos escenarios prácticos, los investigadores están interesados en efectos causales basados en estados: el efecto de una intervención específica $X=x$ sobre un estado de resultado específico $Y=y$ (denotado como $Pr_x(y)$ ). El artículo argumenta que la definición basada en variables suele ser demasiado gruesa, especialmente cuando se dispone de conocimiento adicional más allá del grafo causal y los datos observacionales. Específicamente, los autores investigan si los efectos basados en estados pueden ser identificables incluso cuando el correspondiente efecto basado en variables no lo es, y cómo las restricciones adicionales —específicamente las Independencias Dependientes del Contexto (CSIs) y las restricciones de estado— influyen en esta distinción.

Metodología

1. Formalización de la Identificabilidad Basada en Estados

El artículo define la Identificabilidad Basada en Estados (Definición 2) como la capacidad de computación única de $Pr_x(y)$ a partir de la distribución observacional $Pr(V)$ para estados específicos $x$ y $y$ , dado un grafo causal $G$ .

Equivalencia Clásica: En ausencia de restricciones adicionales (solo $G$ y $Pr(V)$), el artículo demuestra (Proposición 1) que la identificabilidad basada en variables y la basada en estados son equivalentes. Si uno es identificable, el otro también lo es.
El Rol de las Restricciones: La distinción solo cobra sentido cuando se introduce conocimiento adicional. El artículo se centra en dos tipos de restricciones:
- Independencias Dependientes del Contexto (CSIs): Restricciones de la forma $(Y \perp\!\!\!\perp P_1 | p_2, P_3)$ , que indican que la independencia se mantiene solo bajo estados de contexto específicos $p_2$ .
- Restricciones de Estado: Conocimiento que restringe los posibles estados de ciertas variables (por ejemplo, una variable es binaria).

2. Resultados de Separación Teórica

Los autores demuestran que el conocimiento adicional puede crear una separación entre los dos niveles de identificabilidad:

Restricciones de CSI: Aunque las CSIs pueden hacer que algunos efectos basados en variables sean identificables (Proposición 7), también pueden hacer que efectos específicos basados en estados sean identificables mientras dejan el efecto basado en variables como no identificable (Proposición 6). Por ejemplo, una política podría ignorar el grado de un empleado solo para empleados de nivel inicial; esta CSI hace que el efecto de la experiencia sobre el salario sea identificable para trabajadores de nivel inicial pero no para trabajadores sénior, haciendo que el efecto general basado en variables sea no identificable.
Restricciones de Estado: Por sí solas, las restricciones de estado no mejoran la identificabilidad en grafos semi-markovianos (Proposición 8). Sin embargo, cuando se combinan con CSIs, pueden mejorar significativamente tanto la identificabilidad basada en variables como la basada en estados (Proposición 9). Además, pueden permitir la identificabilidad basada en estados para estados específicos mientras el efecto basado en variables permanece no identificable (Proposición 10).

3. Algoritmos para la Identificación

Para probar la identificabilidad bajo estas restricciones, el artículo propone un enfoque sistemático basado en la descomposición de grafos:

Grafos Inducidos por el Contexto (CI-graphs): Los autores introducen los CI-graphs, que son versiones podadas del grafo causal original donde se eliminan aristas basadas en CSIs activas bajo un contexto específico. Esto reduce el espacio de parámetros y simplifica la estructura del grafo.
Algoritmo 1 (ID-CSI): Un algoritmo para probar la identificabilidad basada en estados bajo restricciones de CSI. Enumera los posibles CI-graphs bajo el contexto de los estados de tratamiento y resultado ($xy$), descompone el grafo mutilado resultante en componentes-c y comprueba la identificabilidad de los c-factores inducidos utilizando un procedimiento recursivo modificado (ID-QFUNC).
Algoritmo 2 (ID-CSI-STATE): Una extensión que maneja tanto CSIs como restricciones de estado. Utiliza particiones de contexto para dividir el problema de identificación en sub-consultas. El algoritmo itera sobre todas las particiones de contexto posibles de las variables restringidas por las restricciones de estado, reduciendo el problema a la identificación de sub-consultas $Pr_x(y, s_i)$ usando el Algoritmo 1.
Heurísticas: Para abordar la complejidad exponencial de enumerar los CI-graphs y las particiones de contexto, el artículo propone heurísticas (Sección 5.4) que seleccionan una única opción para la poda de grafos y la partición de contexto, reduciendo la complejidad a tiempo polinomial para los casos de solo CSI.

Principales Contribuciones

Granularidad de la Identificabilidad: El artículo establece que la identificabilidad basada en estados es un concepto estrictamente más fino que la identificabilidad basada en variables cuando existen restricciones adicionales (CSIs y restricciones de estado). Demuestra que un efecto causal puede ser identificable para un par de estados específico mientras que el efecto general basado en variables no lo es.
Impacto de las Restricciones: Caracteriza cómo interactúan las CSIs y las restricciones de estado. Mientras que las CSIs por sí solas pueden separar los dos niveles, se muestra que las restricciones de estado son ineficaces de forma aislada pero poderosas cuando se combinan con las CSIs, pudiendo ampliar la brecha entre la identificabilidad basada en estados y la basada en variables.
Nuevos Algoritmos: El artículo introduce el Algoritmo 1 y el Algoritmo 2, que extienden los métodos clásicos de identificación (como IDENTIFY) para manejar CSIs y restricciones de estado. Estos algoritmos utilizan grafos inducidos por el contexto y una descomposición de c-factores modificada para derivar fórmulas de identificación o determinar la no identificabilidad.
Validación Empírica: Los autores realizan estudios empíricos en grafos causales generados aleatoriamente para evaluar la completitud y eficiencia de sus algoritmos propuestos en comparación con los métodos clásicos y el paquete DOSEARCH.

Resultados

Ganancias de Identificabilidad: Los resultados empíricos muestran que imponer restricciones de CSI y de estado aumenta el número de efectos causales identificables tanto para el nivel basado en variables como para el basado en estados.
Ampliación de la Brecha: A medida que aumenta el número de CSIs (controlado por el parámetro $r$ ), la brecha entre el número de efectos basados en estados identificables y los basados en variables se ensancha. Por ejemplo, con $n=50$ variables y restricciones de estado, el número de efectos basados en estados identificables superó a los basados en variables por 16 cuando $r=0.8$ .
Eficiencia: Los algoritmos heurísticos propuestos (ID-CSI-HEU y ID-CSI-STATE-HEU) demuestran una eficiencia computacional significativamente mayor en comparación con DOSEARCH, que depende de una búsqueda exhaustiva y frecuentemente agota el tiempo de ejecución en grafos con $n \ge 15$ variables. Los métodos propuestos logran identificar un número comparable o mayor de efectos basados en variables manteniendo tiempos de ejecución tratables.
Completitud: Se demuestra que los algoritmos son consistentes (sound). Cuando las restricciones están ausentes, el Algoritmo 1 es equivalente al algoritmo completo IDENTIFY.

Significado

El artículo sostiene que la distinción entre la identificabilidad basada en variables y la basada en estados no es meramente teórica, sino que tiene implicaciones prácticas para la inferencia causal en dominios donde los intereses recaen en intervenciones y estados de resultados específicos (por ejemplo, análisis de políticas para grupos demográficos específicos o tratamientos médicos para estados específicos de pacientes). Al demostrar que el conocimiento adicional (CSIs y restricciones de estado) puede hacer que efectos específicos basados en estados sean identificables donde los métodos basados en variables fallan, este trabajo destaca la necesidad de enfoques más refinados, basados en estados, para la identificación causal. Los algoritmos propuestos proporcionan una herramienta práctica para aprovechar este conocimiento adicional y extraer conocimientos causales que de otro modo serían inaccesibles.