📊 statistics

A fine-grained look at causal effects in causal spaces

Este artículo propone una perspectiva de causalidad a nivel de eventos dentro del marco de espacios causales, introduciendo definiciones binarias y medidas cuantitativas para evaluar la fuerza y naturaleza de los efectos causales, lo que permite recuperar las medidas tradicionales de efecto del tratamiento como casos particulares.

Autores originales: Junhyung Park, Yuqing Zhou

Publicado 2026-04-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Junhyung Park, Yuqing Zhou

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

Imagina que quieres entender por qué sucede algo en el mundo. Tradicionalmente, los científicos han mirado las cosas como si fueran variables grandes y generales: "¿Cómo afecta la dosis de un medicamento (W) a la presión arterial (Y)?" o "¿Cómo afecta la lluvia (W) a la cosecha (Y)?".

Pero hoy en día, tenemos datos mucho más complejos, como millones de píxeles en una foto o miles de palabras en un texto generado por una inteligencia artificial. Decir "el píxel número 450 causa que la imagen sea bonita" no tiene mucho sentido. Necesitamos mirar más de cerca.

Este paper propone una nueva forma de ver la causalidad, no mirando las "cajas grandes" (variables), sino mirando los eventos específicos (como "hay un gato en la foto" o "el texto habla de política").

Aquí te explico las ideas clave usando analogías sencillas:

1. El Cambio de Lente: De "Cajas" a "Eventos"

Imagina que tienes una caja de LEGO gigante.

El enfoque antiguo (Variables): Preguntarías: "¿Cómo afecta el color rojo de los bloques a la altura de la torre?". Es útil, pero limitado.
El enfoque nuevo (Eventos): Preguntarías: "¿Cómo afecta el hecho de que haya un castillo en la torre a la probabilidad de que un niño se divierta?".

En el mundo de la IA (como los modelos de lenguaje), no nos importa tanto si la palabra "gato" aparece (variable), sino si el texto tiene sentido o si cuenta una historia (evento). Los autores dicen: "Vamos a definir la causalidad basándonos en estos eventos, no en los bloques sueltos".

2. La Caja de Herramientas: El "Espacio Causal"

Para hacer esto con rigor matemático, usan una estructura llamada Espacio Causal.
Piensa en esto como un simulador de realidad.

Tienes un mundo normal (donde las cosas ocurren como siempre).
Tienes una "varita mágica" (intervención) que puedes usar para forzar algo a que sea de cierta manera (por ejemplo, obligar a que el viajero compre un seguro).
El simulador te dice: "Si fuerzo esto, ¿cómo cambia la probabilidad de que ocurra aquello?".

3. Las Tres Preguntas Clave (Definiciones Binarias)

Los autores proponen tres formas de preguntar "¿Hay causa o no?" en este simulador:

Causalidad Básica (¿Funciona la varita?):
Si obligo a alguien a comprar un seguro, ¿cambia la probabilidad de que tenga que pagar 1000 francos?
- Sí: Hay efecto causal.
- No: No hay efecto causal.
- Analogía: Si aprieto el botón de "luces encendidas", ¿se enciende la luz? Sí o no.
Causalidad Condicional (¿Funciona solo en ciertas situaciones?):
A veces, la varita solo funciona si ya estás en un contexto específico.
- Ejemplo: Si le pides a una IA que hable de política, el efecto de pedirle que sea "neutra" es enorme si el texto anterior era muy político. Pero si el texto anterior ya era de cocina, el efecto es nulo.
- Analogía: Un paraguas solo te protege de la lluvia (efecto causal) si ya está lloviendo (condición). Si estás en el desierto, el paraguas no hace nada.
Causalidad Post-Intervención (¿La causa sigue funcionando después de otro cambio?):
Imagina que primero cambias el clima (intervención A) y luego intentas cambiar la cosecha (intervención B).
- A veces, el primer cambio hace que el segundo sea inútil.
- Ejemplo: Si ya has intervenido para que el viajero siempre tenga un seguro, intentar intervenir de nuevo en el "nivel de peligro" no cambiará cuánto paga, porque el seguro ya cubre todo. El primer cambio "bloqueó" el efecto del segundo.

4. Midiendo la Fuerza: ¿Cuánto cambia las cosas?

No basta con saber "sí o no". A veces queremos saber cuánto cambia.
Los autores proponen dos formas de medir esto:

Puntuación de Efecto Medio: Es como un termómetro. Mide cuánto se mueve la probabilidad.
- Analogía: Si comprar un seguro baja la probabilidad de pagar 1000 francos de un 1% a un 0.1%, el termómetro marca una caída pequeña pero importante. Si baja de un 50% a un 10%, marca una caída gigante.
- Tienen un truco: pueden decidir si quieren dar más importancia a cambios raros (ir de 0% a 1%) o a cambios comunes (ir de 50% a 51%).
Puntuación de Efecto Máximo: Es como buscar el caso extremo.
- Analogía: "¿Cuál es el peor escenario posible si hago esto?" o "¿Cuál es el cambio más drástico que puedo lograr?". Sirve para entender los límites de la causalidad.

5. ¿Por qué es importante esto? (El ejemplo del Viajero)

El paper usa un ejemplo de un viajero:

Variable antigua: "¿Cuánto dinero paga?".
Enfoque nuevo (Eventos):
- Evento A: "El viajero paga 1000 francos".
- Evento B: "El viaje es peligroso".
- Evento C: "El viajero tiene seguro".

El paper demuestra matemáticamente que:

Si el viaje es seguro, comprar un seguro no cambia nada (no hay efecto causal en ese evento específico).
Si el viaje es peligroso, comprar un seguro cambia drásticamente la probabilidad de tener que pagar 1000 francos (¡hay un efecto causal enorme!).
Además, pueden medir que el seguro aumenta el "pago promedio" (porque cuesta 30 francos) pero elimina la "varianza" (ya no hay riesgo de pagar 1000).

En Resumen

Este paper es como un microscopio para la causalidad.
Antes, mirábamos el bosque completo (variables) para ver si un árbol causaba otro. Ahora, nos permiten mirar las hojas individuales (eventos) para ver si "que haya un pájaro en la rama" causa que "el nido esté lleno".

Esto es crucial para la Inteligencia Artificial moderna, donde las "palabras" o "píxeles" son solo los ladrillos, pero lo que realmente nos importa son las historias, los temas y los significados (los eventos) que construyen esos ladrillos. El paper nos da las reglas matemáticas para entender cómo una pequeña intervención en una historia puede cambiar todo el final.

Aquí presento un resumen técnico detallado del artículo "A fine-grained look at causal effects in causal spaces" (Una mirada de grano fino a los efectos causales en espacios causales), publicado en las actas de la 5ª Conferencia sobre Aprendizaje y Razonamiento Causal (2026) por Junhyung Park y Yuqing Zhou.

1. Planteamiento del Problema

El concepto de efecto causal es fundamental en la ciencia, pero las aproximaciones tradicionales (como los Modelos Causales Estructurales - SCM, o el marco de resultados potenciales) definen efectos a nivel de variables aleatorias. Esto asume implícitamente que las variables tienen una estructura semántica clara (ej. "dosis de fármaco", "presión arterial").

Sin embargo, en dominios de datos modernos como el procesamiento de imágenes (píxeles) o modelos de lenguaje (tokens), las variables "crudas" carecen de la semántica necesaria para formular preguntas causales significativas. Por ejemplo, preguntar si un "píxel específico" causa un resultado es trivial o sin sentido; la pregunta causal real suele ser sobre eventos semánticos como "¿hay un gato en esta imagen?" o "¿el texto trata sobre política?".

El problema central es la falta de un marco formal para definir y cuantificar efectos causales a nivel de eventos (subconjuntos del espacio muestral) y $\sigma$ -álgebras, en lugar de solo a nivel de variables, utilizando una base axiomática rigurosa.

2. Metodología

Los autores adoptan el marco de Espacios Causales (introducido previamente por Park et al., 2023), que es una axiomatización de la causalidad basada en la teoría de la medida. Este marco generaliza y unifica modelos como los SCM y los resultados potenciales.

Definiciones Fundamentales:

Espacio Causal: Se define como una cuádrupla $(\Omega, \mathcal{H}, P, \mathcal{K})$ , donde $(\Omega, \mathcal{H})$ es un espacio medible con estructura de producto, $P$ es la medida observacional y $\mathcal{K} = \{K_S\}$ es un mecanismo causal (conjunto de núcleos de transición) que describe la distribución resultante tras forzar ciertas coordenadas.
Intervención: Se define formalmente mediante una medida de intervención $Q$ sobre un conjunto de variables $U$ , generando una nueva medida $P^{do(U,Q)}$ .

Enfoque de la Metodología:
En lugar de comenzar con variables, los autores definen los efectos causales primero sobre eventos ( $A \in \mathcal{H}$ ) y luego extienden la definición a $\sigma$ -álgebras (colecciones de eventos). Esto permite analizar causalidad en granularidad fina (ej. un conjunto específico de prompts en un LLM) sin necesidad de definir variables abstractas preexistentes.

El trabajo se divide en dos partes metodológicas:

Definiciones Binarias: Determinar la existencia (sí/no) de un efecto causal.
Medidas de Cuantificación: Determinar la fuerza y naturaleza del efecto.

3. Contribuciones Clave

A. Definiciones Binarias de Efectos Causales

Los autores proponen una familia de definiciones que especifican cuándo un evento o un resultado individual tiene un efecto causal sobre otro evento o $\sigma$ -álgebra:

Efecto Causal Activo (Definición 3): Un resultado $\omega$ $ω$ (o un evento $B$ $B$ ) tiene un efecto causal activo sobre un evento $A$ $A$ si la medida causal $K_U(\omega, A)$ $K_{U} (ω, A)$ difiere de la medida observacional $P(A)$ $P (A)$ .
- Propiedad clave: Se demuestra que la ausencia de efecto causal activo implica independencia bajo la medida de intervención (Lema 4).
Efecto Causal Condicional (Definiciones 5 y 6): Extiende el concepto anterior condicionando sobre un evento $G$ $G$ o una $\sigma$ $σ$ -álgebra $\mathcal{G}$ $G$ . Esto captura la heterogeneidad del tratamiento (ej. un prompt solo tiene efecto si el contexto previo es político).
- Se establecen condiciones de continuidad absoluta mutua para garantizar que las probabilidades condicionales estén bien definidas.
- Se prueba la independencia condicional bajo intervención cuando no hay efecto causal condicional (Proposición 7).
Efecto Causal Post-Intervención (Definición 8): Caracteriza situaciones donde, tras una intervención inicial en $V$ , una segunda intervención en $U$ no tiene efecto adicional sobre $A$ . Esto modela mediación o cambios de entorno donde el efecto se vuelve nulo.

B. Medidas de Cuantificación

Para pasar de la existencia a la magnitud, proponen puntuaciones de efecto:

Puntuación de Efecto Medio (Mean Effect Score):
- Compara $P(A)$ con $P^{do(U,Q)}(A)$ mediante una función de escala $f: [0,1] \to [-1/2, 1/2]$ .
- La función $f$ permite ponderar cambios cerca de los límites (eventos raros o casi ciertos) versus cambios alrededor de 0.5.
- Ejemplos: $f_1(x) = x - 1/2$ (diferencia cruda) o $f_2(x)$ basada en funciones hiperbólicas para enfatizar cambios en probabilidades extremas.
Puntuación de Efecto Máximo (Maximum Effect Score):
- Identifica el resultado $\omega$ dentro de un conjunto que induce la máxima desviación en la probabilidad del evento objetivo.
Cuantificación en $\sigma$ -álgebras:
- En lugar de comparar números, comparan distribuciones completas utilizando un funcional de diferencia $D_F$ (que puede tomar valores en un espacio vectorial normado).
- Esto permite capturar cambios en la media, varianza o formas completas de la distribución.

4. Resultados y Ejemplos

El papel valida sus definiciones mediante ejemplos teóricos y un caso de estudio continuo:

Ejemplo de Viaje (Seguro de Viaje):
- Se modela la relación entre el nivel de peligro del viaje, la compra de un seguro y el pago por accidentes.
- Resultado: Se demuestra que la compra de un seguro tiene un efecto causal activo sobre la probabilidad de pagar 1000 CHF (reduce la probabilidad de 0.00625 a 0).
- Condicionalidad: Si el viaje no tiene peligro, el seguro no tiene efecto causal sobre el pago de 1000 CHF (ambas probabilidades son 0). Si el viaje es muy peligroso, el efecto es significativo.
- Cuantificación: Al comprar el seguro, el pago esperado aumenta ligeramente (8.45 CHF) debido a la prima, pero la varianza del pago cae drásticamente (de 6244.59 a casi 0), eliminando el riesgo de catástrofe. Esto ilustra cómo las medidas en $\sigma$ -álgebras capturan cambios en la distribución que las medias simples no ven.
Recuperación de Métricas Clásicas:
- Se demuestra que el Efecto Promedio del Tratamiento (ATE) y el Efecto Promedio Condicional (CATE) son casos especiales de las nuevas definiciones cuando se aplican a $\sigma$ -álgebras generadas por variables de resultado y tratamiento, utilizando la diferencia de medias como funcional $D_F$ .
Ejemplo de Modelo de Lenguaje (Apéndice D):
- Se aplica el marco a un LLM donde los "eventos" son propiedades semánticas del texto generado (ej. "el texto es sobre política").
- Se muestra cómo un prompt específico puede tener un gran efecto causal sobre un evento semántico (tono progresista) sin necesidad de definir variables intermedias, operando directamente sobre el espacio de secuencias de tokens.

5. Significado e Impacto

Granularidad Semántica: El trabajo permite realizar preguntas causales en dominios de alta dimensionalidad (imágenes, texto) donde las variables tradicionales fallan, al permitir definir causalidad sobre eventos semánticos arbitrarios.
Fundamentación Teórica: Proporciona un análogo riguroso en teoría de la medida para la causalidad, siguiendo la misma evolución lógica que la teoría de la independencia (de eventos a $\sigma$ -álgebras).
Generalidad: Al basarse en espacios causales, el marco es agnóstico a la representación subyacente (no requiere ecuaciones estructurales explícitas ni mapas de abstracción predefinidos), superando limitaciones de la abstracción causal tradicional.
Limitaciones y Futuro: El artículo se centra estrictamente en cantidades a nivel de población (definiciones teóricas). No aborda la identificación, estimación a partir de muestras finitas ni pruebas de hipótesis, que se identifican como los siguientes pasos naturales de la investigación.

En resumen, este artículo establece un nuevo estándar formal para analizar la causalidad en sistemas complejos y modernos, moviendo el foco de "variables" a "eventos" y proporcionando herramientas tanto cualitativas (binarias) como cuantitativas para medir la fuerza y naturaleza de dichos efectos.