Resumen Técnico: UA-DCM: Toma de Decisiones Causales Consciente de la Incertidumbre mediante la Descomposición de Límites de Efecto

1. Planteamiento del Problema

La toma de decisiones causales busca identificar la acción óptima (por ejemplo, un tratamiento o política específica) basándose en datos observacionales. Sin embargo, determinar la mejor acción se ve obstaculizado por dos fuentes distintas de incertidumbre:

1. Incertidumbre Estructural (No Identificable): Incluso con datos infinitos, los factores de confusión no observados pueden impedir la identificación única de los efectos causales. En tales casos, diferentes Modelos Causales Estructurales (SCM) consistentes con los datos observacionales pueden producir diferentes distribuciones intervencionales.
2. Incertidumbre de Muestra: En escenarios realistas, los datos son finitos. Esto introduce incertidumbre estadística, lo que provoca que la distribución observacional estimada se desvíe de la distribución real.

Los métodos existentes para acotar efectos causales (por ejemplo, límites simbólicos o enfoques basados en redes neuronales) suelen proporcionar un único intervalo que representa la unión de estas incertidumbres. Existe una brecha crítica: los profesionales no pueden distinguir si un límite amplio se debe a la insuficiencia de datos (lo cual podría resolverse recolectando más muestras) o a una no identificabilidad estructural fundamental (lo cual no puede resolverse con más datos sin variables adicionales o intervenciones). En consecuencia, los expertos carecen de orientación sobre si deben recolectar más datos, observar nuevas variables o recurrir a ensayos aleatorios.

2. Metodología: UA-DCM

Los autores proponen UA-DCM (Toma de Decisiones Causales Consciente de la Incertidumbre), un marco que descompone la incertidumbre epistémica total de los límites de los efectos causales en incertidumbre de no identificabilidad (non-ID) y incertidumbre de muestra.

2.1 Descomposición Teórica

El método define el rango de posibles Efectos de Tratamiento Promedio (ATE) para un conjunto de SCM consistentes con un conjunto de confianza de distribuciones observacionales.

• Incertidumbre de No Identificabilidad (Región Interior): Definida como la intersección de los intervalos de efectos causales a través de todas las posibles distribuciones observacionales dentro de un conjunto de confianza $C$. Esta región representa valores que no pueden eliminarse incluso con muestras infinitas, ya que surgen de ambigüedades estructurales (confundidores no observados).
• Incertidumbre de Muestra (Banda Exterior): Definida como la diferencia de conjunto entre la unión de los intervalos de efectos causales y la intersección de no identificabilidad. Esta región representa valores que pueden reducirse aumentando el tamaño de la muestra, a medida que el conjunto de confianza $C$ se contrae.

Los autores formalizan esto utilizando cuatro cantidades de optimización derivadas de problemas de min-max y max-min:

• $L_x, \bar{L}_x, \bar{U}_x, U_x$
  • La región de no identificabilidad es $[\bar{L}_x, \bar{U}_x]$.
  • La región de incertidumbre de muestra es $[L_x, \bar{L}_x] \cup [\bar{U}_x, U_x]$.

2.2 Lógica de Decisión

Basándose en la descomposición, el marco proporciona un protocolo de decisión:

1. Retornar (Decisión Tomada): Si la región de no identificabilidad es enteramente positiva (o negativa), la mejor acción es inequívoca independientemente del tamaño de la muestra.
2. Observar (Necesidad de Nuevas Variables): Si la región de no identificabilidad contiene el cero (es decir, la decisión es ambigua incluso con datos infinitos), la recolección de más muestras es fútil. El profesional debe observar variables adicionales (por ejemplo, variables instrumentales) para reducir la incertidumbre estructural.
3. Recolectar (Necesidad de Más Datos): Si la región de no identificabilidad es clara pero la región de incertidumbre de muestra se solapa con el límite de decisión, la ambigüedad se debe a muestras finitas. El profesional debe recolectar más datos.

2.3 Implementación Algorítmica

Para aproximar estos límites en la práctica, los autores aprovechan los Modelos Causales Profundos (DCM):

• Construcción de $\epsilon$-net (Algoritmo 3): La distribución empírica se factoriza y se construyen intervalos de confianza para las probabilidades condicionales utilizando la desigualdad de Hoeffding. Un conjunto de distribuciones conjuntas candidatas se muestrea de estos intervalos para aproximar el conjunto de confianza.
• Entrenamiento de DCM Relajado (Algoritmo 2): Para cada distribución candidata en la $\epsilon$-net, se entrena un modelo causal neuronal. Utilizando una optimización basada en la dualidad Lagrangiana, el modelo se restringe para permanecer dentro de una pequeña distancia $\epsilon$ de la distribución de entrada mientras simultáneamente maximiza o minimiza el efecto causal (ATE).
• Exploración (Algoritmo 1): El algoritmo agrega los límites de todas las distribuciones candidatas para calcular las cuatro cantidades ($L_x, \bar{L}_x, \bar{U}_x, U_x$) y determina el siguiente movimiento estratégico (Retornar, Observar o Recolectar).

3. Contribuciones Clave

1. Nueva Descomposición: El artículo introduce el primer método para distinguir entre la incertidumbre estructural (no-ID) y la incertidumbre de muestra en los límites de los efectos causales para consultas no identificables. Permite a los profesionales inferir con alta probabilidad si la recolección de más muestras observacionales ayudará a identificar la acción óptima.
2. Algoritmo UA-DCM: Un algoritmo práctico que aproxima esta descomposición utilizando modelos causales neuronales y $\epsilon$-nets, permitiendo el cálculo de los límites interiores (no-ID) y exteriores (muestra).
3. Marco de Decisión Estratégica: Un enfoque sistemático para guiar las estrategias de recolección de datos, aconsejando cuándo dejar de recolectar datos, cuándo observar nuevas variables (por ejemplo, instrumentos) o cuándo cambiar a estudios controlados aleatorios.

4. Resultados Experimentales

Los autores evaluaron UA-DCM en conjuntos de datos sintéticos y en un conjunto de datos del mundo real de "Oferta de Trabajo de los Padres" (Parents' Labor Supply).

• Datos Sintéticos (SCM 1): En escenarios con confundidores no observados, los métodos de base (límites de forma cerrada, NCM, autobound) produjeron intervalos amplios pero no ofrecieron información sobre la fuente de la incertidumbre. UA-DCM identificó correctamente que, para tamaños de muestra pequeños con confundidores no observados, la región de no identificabilidad no era vacía, aconsejando correctamente la recolección de variables adicionales (instrumentos) en lugar de simplemente más muestras. A medida que se añadieron instrumentos, la región de no identificabilidad se redujo, permitiendo eventualmente una decisión definitiva.
• Datos Sintéticos (SCM 2): En un entorno con solo confundidores observados (identificable), UA-DCM mostró que la región de no identificabilidad colapsó a un punto (o casi un punto), indicando correctamente que la incertidumbre restante era puramente debida al tamaño de la muestra y podía reducirse recolectando más datos.
• Escalabilidad: El algoritmo escaló con éxito a grafos de hasta 18 variables mediante la factorización de distribuciones e ignorando combinaciones conjuntas de baja probabilidad.
• Datos del Mundo Real (Oferta de Trabajo de los Padres): Aplicado al conjunto de datos de Angrist y Evans (1996), el algoritmo analizó el efecto del tamaño de la familia en la oferta de trabajo. Demostró que, con datos limitados, la región de no identificabilidad era significativa. Al incorporar la variable instrumental (el sexo de los dos primeros hijos), la región de no identificabilidad se estrechó y los límites se alinearon con el impacto negativo conocido de tener más hijos en la oferta de trabajo encontrado en el estudio original.

5. Significado y Reivindicaciones

El artículo afirma que UA-DCM aborda un punto ciego crítico en la toma de decisiones causales: la incapacidad de distinguir entre "no hay suficientes datos" e "insuficiente estructura de datos".

• Utilidad Práctica: El marco proporciona una guía accionable para los profesionales, evitando el desperdicio de recursos en la recolección de más muestras cuando el problema es la no identificabilidad estructural.
• Planificación Estratégica: Sirve como una herramienta para planificar estudios controlados aleatorios o identificar qué confundidores no medidos necesitan ser medidos.
• Modestia: Los autores reconocen las limitaciones, señalando que el método depende de $\epsilon$-nets para aproximar problemas de min-max y que la optimización de redes neuronales puede producir límites ligeramente más ajustados que los verdaderos límites teóricos. Presentan su trabajo como una aproximación que mejora la toma de decisiones descendente en lugar de un resolvedor exacto perfecto para todos los grafos causales.

El trabajo posiciona a UA-DCM como un puente entre la teoría de la inferencia causal y la toma de decisiones práctica, ofreciendo una forma fundamentada de gestionar la incertidumbre epistémica en escenarios de datos finitos.