Resumen Técnico: Validación de la Pasarela de Mensajes Causal contra Métodos Conscientes de la Red en Experimentos Reales

1. Planteamiento del Problema

En experimentos aleatorios realizados en entornos de red, el clásico supuesto de la Unidad Estable de Valor de Tratamiento (SUTVA, por sus siglas en inglés) suele fallar debido a la interferencia de red (o efectos de desbordamiento/spillover), donde el resultado de una unidad depende de las asignaciones de tratamiento de las unidades conectadas. Estimar con precisión el Efecto Total del Tratamiento (TTE) en tales entornos requiere típicamente el conocimiento de la estructura de interacción subyacente (el grafo de la red).

Sin embargo, en muchos escenarios prácticos, los datos de la red no están disponibles, son propietarios, están incompletos o se miden con un error sustancial. Mientras que los métodos conscientes de la red (por ejemplo, metodologías de grafos bipartitos) pueden corregir eficazmente la interferencia cuando el grafo es observado, son inaplicables cuando los datos de la red faltan. Por el contrario, los métodos existentes para redes desconocidas suelen depender de aproximaciones de campo medio (mean-field) o estrategias basadas en diseños específicos que pueden no capturar plenamente las complejas dinámicas de interferencia. Este artículo aborda esta brecha investigando si la variación temporal en los datos de los resultados puede servir como un sustituto suficiente de la topología de la red para estimar los efectos totales del tratamiento.

2. Metodología

El artículo compara tres enfoques de estimación distintos aplicados a dos experimentos de campo a gran escala en un entorno bipartito (donde las unidades de tratamiento interactúan con unidades conectadas):

A. La Línea Base: Método Básico (Ingenuo)

• Supuesto: Asume que SUTVA se cumple (ignora la interferencia).
• Datos: Utiliza resultados agregados a nivel de unidad (promedios post-tratamiento menos pre-tratamiento).
• Mecanismo: Aplica un estimador de diferencia en diferencias mejorado por aprendizaje automático (machine learning).
• Limitación: Produce estimaciones sesgadas cuando hay interferencia porque descarta las dinámicas temporales y carece de ajustes de red o temporales.

B. El Punto de Referencia: Enfoque Consciente de la Red

• Referencia: Basado en la metodología de grafo bipartito de Tan et al. (2025).
• Datos: Requiere la estructura del grafo bipartito observada que vincula las unidades de tratamiento con las unidades conectadas, además de los resultados agregados a nivel de unidad.
• Mecanismo:
  • Define la exposición directa ($E^{Dir}$) y la exposición indirecta ($E^{Ind}$) basándose en el grafo.
  • Modela los resultados como una función de estas exposiciones utilizando regresión de núcleo de tipo Ridge (kernel ridge regression) o similar (ML).
  • Estima el Efecto Total Primario del Tratamiento (PTTE) comparando los resultados predichos bajo tratamiento completo frente a la ausencia de tratamiento.
• Requisito: Conocimiento explícito de la red de interacción.

C. El Método Propuesto: Pasarela de Mensajes Causal (CMP)

• Referencia: Basado en Shirani y Bayati (2024, 2025).
• Datos: Requiere únicamente datos temporales de resultados y asignaciones de tratamiento a lo largo del tiempo (matrices de $N \times T$). No se utilizan datos de red.
• Idea Central: Los mecanismos que gobiernan cómo se propagan los efectos del tratamiento a través de una red exhiben invarianza estructural en el tiempo.
• Mercanismo:
  • Modela la evolución de las distribuciones de resultados de la población mediante ecuaciones de evolución de estado: $Y_{t+1} \stackrel{d}{=} f_t(Y_t, W_{t+1})$.
  • Utiliza aprendizaje supervisado para estimar el mapeo $f_t$ (capturando tanto los efectos directos como los de desbordamiento) a partir de las variaciones temporales observadas.
  • Aplica recursivamente estos mapeos para predecir los resultados contrafácticos (por ejemplo, tratamiento completo frente a ningún tratamiento) y calcula el TTE.
  • Utiliza un bootstrap de red de preservación de distribución (Shirani et al., 2025) para aumentar el tamaño de muestra efectivo para la estimación.

3. Configuración Experimental

Los autores validaron estos métodos en dos experimentos de campo del mundo real realizados en un entorno de servicios (por ejemplo, plataformas de transporte compartido o similares) con una estructura bipartita:

• Experimento A: $\approx 7,000$ unidades de tratamiento elegibles, diseño de múltiples etapas ($T < 100$ periodos).
• Experimento B: $\approx 4,000$ unidades de tratamiento elegibles, diseño de múltiples etapas similar.
• Restricciones: Solo un subconjunto de unidades era elegible para el tratamiento; los grafos de interacción eran dispersos.
• Métricas:
  • M1: Una métrica donde la teoría económica predice que ignorar los desbordamientos conduce a un sesgo ascendente.
  • M2: Una métrica secundaria sin una predicción clara de sesgo direccional.
  • M3: La métrica de decisión primaria que determina si una intervención debe lanzarse a escala.

4. Resultados Clave

El estudio encontró que el CMP produce estimaciones comparables al punto de referencia consciente de la red a pesar de tener acceso cero a los datos de la red:

• Alineación Direccional: A través de ambos experimentos y las tres métricas, el CMP produjo estimaciones de efecto con el mismo signo direccional que el enfoque consciente de la red.
• Corrección de Sesgo: Para la Métrica M1 (donde la teoría predice un sesgo ascendente al ignorar la interferencia), el Método Básico arrojó estimaciones positivas/significativas, mientras que tanto el CMP como el método Consciente de la Red identificaron correctamente efectos negativos (Experimento A) o ajustaron la magnitud (Experimento B). El CMP revirtió con éxito las conclusiones erróneas del método ingenuo.
• Métrica de Decisión Primaria (M3):
  • Experimento A: El Método Básico sugirió un efecto negativo no significativo. Tanto el método Consciente de la Red como el CMP encontraron efectos positivos y estadísticamente significativos. Esta reversión es crítica para la toma de decisiones.
  • Experimento B: Ambos métodos, el Consciente de la Red y el CMP, encontraron efectos negativos (no significativos), mientras que el Método Básico encontró efectos positivos (no significativos). Todos los métodos coincidieron en la conclusión práctica (no se detectó un efecto significativo).
• Significancia Estadística: El CMP logró significancia estadística en la Métrica M1 en ambos experimentos donde el método Consciente de la Red no lo hizo. Los autores señalan que esto puede deberse a que el CMP utiliza la totalidad de los datos de series temporales en lugar de diferencias pre-post colapsadas, aunque una comparación de eficiencia rigurosa está más allá del alcance del artículo.

5. Significado y Reivindicaciones

La contribución principal del artículo es la validación empírica de que la dinámica temporal puede servir como un sustituto efectivo de la observación de la red para estimar los efectos de desbordamiento.

• Implicación Práctica: Los profesionales que enfrentan entornos donde los datos de red son costosos, propietarios o poco fiables pueden emplear la Pasarela de Mensajes Causal como una alternativa viable. Las dinámicas temporales de los resultados de los experimentos contienen información suficiente para ajustar los efectos de interferencia y recuperar la dirección del sesgo.
• Validación Teórica: Los resultados respaldan la premisa de que los mecanismos de interferencia exhiben invariancia temporal, lo que permite aprender la dinámica agregada de la interferencia sin observar las conexiones de red individuales.
• Modestia: Los autores reconocen limitaciones, incluyendo la dependencia de solo dos experimentos y el supuesto de mecanismos de interferencia relativamente estables. No afirman que el CMP sea universalmente superior en eficiencia estadística, sino que demuestran que alcanza conclusiones de decisión idénticas al punto de referencia consciente de la red en la métrica M3 en ambos casos del mundo real.

En resumen, el artículo demuestra que, cuando los datos de la red no están disponibles, aprovechar la evolución temporal de los resultados mediante la Pasarela de Mensajes Causal puede recuperar los efectos totales del tratamiento que se alinean con los métodos conscientes de la red, permitiendo así una inferencia causal robusta en entornos propensos a la interferencia sin conocimiento explícito de la red.