Econometric vs. Causal Structure-Learning for Time-Series Policy Decisions: Evidence from the UK COVID-19 Policies

Este estudio compara el rendimiento de métodos econométricos y algoritmos de aprendizaje causal en la recuperación de estructuras causales a partir de series temporales, utilizando los datos de las políticas del COVID-19 en el Reino Unido para demostrar que, aunque los métodos econométricos ofrecen reglas temporales claras, los algoritmos de aprendizaje causal exploran un espacio de grafos más amplio que resulta en estructuras más densas y con mayor capacidad para identificar relaciones causales.

Lo esencial

¡Claro que sí! Imagina que este artículo es como una carrera de detectives para entender por qué sucedió lo que sucedió durante la pandemia en el Reino Unido.

Aquí tienes la explicación, traducida a un lenguaje sencillo y con algunas analogías divertidas:

🕵️‍♂️ El Gran Misterio: ¿Qué causó qué?

Durante la pandemia, el gobierno tomó muchas decisiones: cerraron escuelas, obligaron a usar mascarillas, restringieron el movimiento y lanzaron vacunas. Pero, ¿qué funcionó realmente? ¿Cerrando las escuelas bajaron los contagios? ¿O fue porque la gente dejó de ir a bares?

El problema es que los datos nos muestran asociaciones (dos cosas que ocurren juntas), pero no nos dicen causalidad (una cosa provocó a la otra). Es como ver que cuando llueve, la gente lleva paraguas. ¿Llevan paraguas porque llueve? Sí. ¿Llueve porque la gente lleva paraguas? ¡No! Pero un algoritmo simple podría confundirse y pensar que los paraguas traen la lluvia.

Para tomar buenas decisiones de política, necesitamos saber la verdad: qué acción provoca qué resultado.

🥊 La Batalla: Dos Equipos de Detectives

Los autores del estudio pusieron a competir a dos equipos de "detectives" (algoritmos) para ver quién podía reconstruir mejor la historia de la pandemia usando datos diarios del Reino Unido.

Equipo 1: Los "Economistas Clásicos" (Métodos Econométricos)

• Su estilo: Son como arquitectos muy estrictos. Siguen reglas muy claras sobre el tiempo. Saben que el pasado afecta al presente, pero el presente nunca puede afectar al pasado.
• Su herramienta: Usan reglas matemáticas estrictas (como LASSO o SIMONE) para descartar conexiones que no tienen sentido temporal.
• Su ventaja: Son muy buenos respetando el orden de los eventos. No se confunden pensando que el futuro puede cambiar el pasado.
• Su desventaja: A veces son tan estrictos que se pierden detalles o conexiones más complejas. Sus mapas de relaciones son más simples, pero a veces les falta "color".

Equipo 2: Los "Exploradores de IA" (Aprendizaje Causal de Máquina)

• Su estilo: Son como exploradores aventureros que no tienen miedo de probar todo. Buscan patrones en todas direcciones, sin preocuparse tanto por el orden estricto del tiempo al principio.
• Su herramienta: Usan algoritmos que buscan la estructura más probable (como Hill-Climbing o Tabu Search).
• Su ventaja: Encuentran muchísimas más conexiones. Sus mapas son muy detallados y densos, llenos de flechas que indican posibles causas.
• Su desventaja: A veces se pierden en su propia complejidad. Crean mapas tan llenos de flechas que es difícil saber cuáles son reales y cuáles son "alucinaciones" (ruido). Además, a veces sugieren que el futuro afecta al pasado, lo cual es imposible en la vida real.

🧪 El Campo de Pruebas: Los Datos de la Pandemia

Usaron un montón de datos reales del Reino Unido: desde cuánta gente iba al trabajo, cuántos viajes hacían en autobús, hasta cuántas personas iban al hospital. Tenían que limpiar estos datos (como quitar manchas de una foto vieja) para que los algoritmos pudieran leerlos.

🏆 Los Resultados: ¿Quién ganó?

La carrera no tuvo un ganador absoluto, sino que cada equipo brilló en cosas diferentes:

1. Los "Exploradores de IA" (Equipo 2) encontraron más relaciones posibles. Sus mapas eran tan densos que podían identificar muchos efectos causales. Sin embargo, sus mapas eran tan complicados que a veces era difícil confiar en ellos.
2. Los "Economistas" (Equipo 1) crearon mapas más limpios y ordenados. Aunque encontraron menos relaciones, las que encontraban respetaban mejor la lógica del tiempo.

El hallazgo más importante:
Ambos equipos, aunque de formas diferentes, coincidieron en una cosa crucial: Reducir los viajes y las interacciones sociales (como ir a restaurantes o usar transporte público) sí ayudaba a reducir las reinfecciones.

Es como si ambos equipos, uno con un mapa detallado y el otro con un mapa esquemático, señalaran el mismo camino para salvar vidas: menos movimiento, menos virus.

💡 La Lección para el Futuro

El estudio nos dice que no debemos elegir solo un tipo de detective.

• Si quieres descubrir nuevas ideas y explorar todo el terreno, usa a los Exploradores de IA.
• Si necesitas confianza y reglas claras sobre cómo el tiempo afecta las decisiones, usa a los Economistas.

La mejor estrategia para los políticos del futuro es mezclar ambos: usar la creatividad de la IA para encontrar posibilidades y la disciplina de la economía para asegurarse de que esas posibilidades tengan sentido en el tiempo real.

En resumen

Este paper es un recordatorio de que, para tomar decisiones difíciles (como cerrar un país), no basta con mirar los datos y adivinar. Necesitamos herramientas inteligentes que entiendan la diferencia entre "ocurrir al mismo tiempo" y "causar". Y aunque ninguna herramienta es perfecta, combinarlas nos da la mejor oportunidad de entender la realidad y proteger a la gente.

Resumen técnico

Resumen Técnico: Econometría vs. Aprendizaje de Estructura Causal para Decisiones de Política en Series Temporales

1. Planteamiento del Problema

El diseño y la evaluación de políticas públicas requieren comprender las relaciones de causa-efecto, no solo asociaciones. Los modelos de aprendizaje automático (ML) tradicionales se centran en la asociación y no pueden simular el impacto de acciones hipotéticas (intervenciones).

• El desafío: El aprendizaje de estructura causal (Causal ML) ha avanzado mucho en datos transversales, pero su aplicación a datos de series temporales sigue siendo un área de investigación activa y limitada.
• La oportunidad: La econometría ha dedicado décadas a modelar causalidad en series temporales (usando métodos como VAR, LASSO, etc.). Sin embargo, no se ha comparado sistemáticamente el rendimiento de estos métodos econométricos tradicionales contra los algoritmos modernos de Causal ML (basados en restricciones, puntuación o híbridos) para la toma de decisiones políticas en tiempo real.
• Caso de estudio: El artículo utiliza los datos de la pandemia de COVID-19 en el Reino Unido (del 30 de enero de 2020 al 13 de junio de 2022) para evaluar qué métodos pueden recuperar mejor las relaciones causales entre políticas (ej. confinamientos, uso de mascarillas, movilidad) y resultados de salud (infecciones, hospitalizaciones).

2. Metodología

Los autores compararon dos familias de métodos para aprender la estructura de Redes Bayesianas Dinámicas (DBN):

A. Métodos Econométricos (4 métodos evaluados):
Estos métodos modelan las dependencias mediante procesos de Vector Auto-regresivo (VAR) y asumen restricciones temporales estrictas (las causas deben preceder a los efectos en el tiempo).

1. LASSO (Least Absolute Shrinkage and Selection Operator): Selección de variables mediante penalización L1 para obtener grafos dispersos.
2. LAR (Least Angle Regression): Similar a LASSO, identifica subconjuntos de predictores.
3. JS (James-Stein Shrinkage): Transforma redes de correlación en DAGs (Grafos Acíclicos Dirigidos) utilizando correlaciones parciales y orden temporal.
4. SIMONE (Statistical Inference for Modular Networks): Identifica módulos o clústeres de nodos interconectados, ideal para datos con estructura modular temporal.

• Promedio de Modelos: Se creó una estructura promediada combinando los resultados de los cuatro métodos anteriores.

B. Algoritmos de Causal ML (11 algoritmos evaluados):
Se clasificaron en tres categorías tradicionales, utilizando la librería R bnlearn:

• Basados en Restricciones: PC-Stable, Grow-Shrink (GS), IAMB y sus variantes (Fast-IAMB, Inter-IAMB, IAMB-FDR).
• Basados en Puntuación: Hill-Climbing (HC), Tabu Search.
• Híbridos: H2PC, RSMAX2, MMHC.
• Nota: Estos algoritmos no imponen restricciones temporales estrictas por defecto, explorando un espacio más amplio de estructuras.

C. Preprocesamiento de Datos:

• Datos: 46 variables (movilidad, pruebas, hospitalizaciones, vacunas, políticas) con 866 observaciones diarias.
• Imputación: Se utilizó un modelo de espacio de estados con Filtro de Kalman para manejar el 14.23% de valores faltantes, respetando la dinámica temporal.
• Discretización: Las variables continuas se discretizaron en tres niveles (bajo, medio, alto) mediante k-means para cumplir con los requisitos de parametrización de las DBN en bnlearn.
• Especificación VAR: Se determinó un orden de retardo (lag) de 1 ($VAR(1)$) para mantener la parsimonia, a pesar de que algunos criterios de información sugerían retardos mayores (debido a rupturas estructurales y variables omitidas).

D. Evaluación:
Se compararon los grafos aprendidos contra un Grafo de Conocimiento (basado en literatura previa) y se evaluaron mediante:

1. Distancia Hamming Estructural (SHD): Disimilitud entre el grafo aprendido y el grafo de referencia.
2. Complejidad: Número de parámetros libres y aristas (densidad).
3. Ajuste al modelo: Puntuación BIC (Bayesian Information Criterion) y Verosimilitud Logarítmica (LL).
4. Evaluación de Políticas: Simulación de intervenciones (operador do de Pearl) para estimar el Efecto Causal Promedio (ACE). Se verificó si la dirección del efecto (ej. reducir movilidad $\rightarrow$ reducir infecciones) coincidía con el conocimiento común.

3. Resultados Clave

Rendimiento Estructural:

• Econométricos vs. ML: Los métodos econométricos tendieron a producir grafos más simples pero con SHD más alto (menos superposición con el grafo de conocimiento) en comparación con los algoritmos de ML basados en restricciones.
• Densidad: Los algoritmos de ML basados en puntuación (HC, Tabu) generaron grafos extremadamente densos (miles de aristas), lo que les permitió identificar más efectos causales, pero a costa de una complejidad excesiva y falta de restricciones temporales.
• Mejor ajuste: Dentro de los métodos econométricos, SIMONE obtuvo las mejores puntuaciones BIC y LL, superando al modelo promedio. El grafo de conocimiento (sin aprendizaje) tuvo el peor ajuste a los datos.

Evaluación de Políticas (Identificación de Causalidad):

• Identificabilidad: Los algoritmos HC y Tabu identificaron el mayor número de efectos causales (27), pero solo una parte coincidió con la dirección esperada (14 y 12 respectivamente).
• Precisión Direccional: El método JS (James-Stein) identificó solo 2 efectos causales, pero ambos coincidieron perfectamente con el conocimiento común y fueron consistentes con la estructura temporal.
• Hallazgos Específicos: Los métodos (especialmente JS, Tabu y HC) identificaron consistentemente que reducir el índice de viajes de Citymapper y la actividad de restaurantes OpenTable reduce la probabilidad de reinfecciones.
• Limitación de los ML: Aunque los métodos de ML encontraron más efectos, muchos grafos violaban la ordenación temporal lógica (ej. efectos que preceden a sus causas en el tiempo), lo que limita su utilidad para la simulación de políticas futuras.

4. Contribuciones Principales

1. Comparación Sistemática: Es uno de los primeros estudios que compara directamente métodos econométricos de series temporales con algoritmos modernos de Causal ML para la recuperación de estructuras causales.
2. Traducción de Métodos: Los autores proporcionan código para traducir los resultados de métodos econométricos (como LASSO y JS) a la librería estándar de Redes Bayesianas en R (bnlearn), facilitando su uso en la comunidad de IA.
3. Evidencia Empírica en Políticas Públicas: Demuestra que, aunque los métodos de ML pueden encontrar más conexiones, los métodos econométricos (especialmente los basados en shrinkage como JS) ofrecen estructuras más robustas y temporalmente coherentes para la toma de decisiones.
4. Análisis de COVID-19: Identifica intervenciones específicas (movilidad y restaurantes) como críticas para controlar la transmisión, validando modelos causales en un escenario de crisis real.

5. Significado y Conclusiones

El estudio concluye que no existe un método universalmente superior, sino que las fortalezas son complementarias:

• Causal ML: Ofrece una exploración más amplia del espacio de grafos, capturando más relaciones potenciales, pero tiende a producir grafos densos y a veces temporalmente incoherentes.
• Métodos Econométricos: Proporcionan reglas claras para la estructura temporal y son más parsimoniosos, aunque pueden perder algunas relaciones complejas no lineales.

Implicación para la toma de decisiones:
Para la evaluación de políticas, los modelos que incorporan estructura temporal explícita y penalizan la complejidad (como los métodos econométricos) parecen más fiables para "estrés-testear" intervenciones. La combinación de ideas de modularidad y regularización de la econometría dentro del Causal ML podría ser el camino futuro para mejorar la identificación de relaciones causa-efecto en series temporales.

Limitaciones:
El estudio reconoce problemas con la no normalidad de los residuos, autocorrelación en algunos casos y la posible omisión de variables latentes (confundidores no observados), lo que podría llevar a una especificación incorrecta del modelo. Además, la discretización de datos continuos pudo atenuar la señal causal.