Instrumental and Proximal Causal Inference with Gaussian Processes

Este artículo presenta un marco de Procesos Gaussianos Descondicionales (DGP) que unifica la inferencia causal instrumental y proximal bajo confusión no observada, ofreciendo estimaciones precisas junto con una cuantificación de incertidumbre epistémica fiable y bien calibrada.

Lo esencial

Imagina que eres un detective intentando resolver un crimen: ¿Qué pasa si cambiamos la política de precios de un producto, cómo afectará eso a las ventas?

En el mundo de los datos, esto se llama "inferencia causal". Pero hay un gran problema: a menudo hay un "testigo oculto" (un confundidor) que nadie ve. Por ejemplo, quizás las ventas suben no porque bajaste el precio, sino porque en ese momento hubo un festival de verano que nadie registró. Si no tienes en cuenta ese festival, tu conclusión será falsa.

Los científicos de datos han creado dos herramientas para lidiar con estos testigos ocultos:

1. Variables Instrumentales (IV): Como un "testigo indirecto" que solo afecta al precio, pero no directamente a las ventas.
2. Aprendizaje Proximal (Proxy): Usando "testigos sustitutos" que dan pistas sobre el testigo oculto.

El problema con los métodos actuales es que son como un detective que te da una respuesta segura: "Las ventas subirán un 10%". Pero no te dice: "Oye, estoy muy inseguro de esto porque hay mucha oscuridad en la escena del crimen". Si te equivocas, podrías tomar una decisión desastrosa.

La Solución: El "Detective con Lupa Mágica" (Gaussian Processes)

Este paper presenta una nueva herramienta llamada GPIV y GPProxy. Imagina que en lugar de un detective que solo da una respuesta fija, tienes un detective con una lupa mágica (un Proceso Gaussiano) que no solo te da la respuesta, sino que también te dice: "Mira, aquí estoy muy seguro (la lupa es nítida), pero aquí estoy muy inseguro (la lupa está borrosa)".

Aquí te explico cómo funciona con una analogía sencilla:

1. El Problema de la "Ecuación Difícil"

Para encontrar la verdad, los detectives actuales tienen que resolver una ecuación matemática muy complicada (llamada ecuación integral de Fredholm). Es como intentar reconstruir un jarrón roto solo viendo la sombra que proyecta en la pared.

• Métodos antiguos: Resuelven la sombra y te dan la forma del jarrón, pero si la sombra es un poco borrosa, ellos te dicen que el jarrón es perfecto, aunque en realidad podría ser un tazón.
• Nuestro método: Resuelve la sombra, pero también calcula cuánto se tambalea la sombra. Si la sombra es inestable, el método te avisa: "¡Ojo! La reconstrucción es arriesgada".

2. La "Lupa" que ve lo que otros no ven (Incertidumbre Epistémica)

La gran innovación es la Cuantificación de la Incertidumbre.

• Imagina que estás adivinando el clima.
  • Un método antiguo dice: "Mañana lloverá".
  • Nuestro método dice: "Mañana lloverá, pero tengo un 80% de confianza. Si llueve, es probable; si no, no te preocupes, mi duda era alta".
• En el mundo de las decisiones (como invertir dinero o tratar a pacientes), saber cuánto no sabes es tan importante como saber la respuesta. Esto permite tomar decisiones "conscientes del riesgo": si la duda es muy alta, el sistema puede decir: "No tomes una decisión ahora, necesitamos más datos".

3. ¿Cómo lo hacen? (El truco del "Descondicionamiento")

Los autores usan un truco matemático inteligente llamado "Descondicionamiento".

• Imagina que tienes una foto borrosa de un objeto (la relación entre causa y efecto).
• Los métodos antiguos intentan limpiar la foto con filtros fijos.
• Nuestro método usa una lupa de aprendizaje automático que aprende a limpiar la foto mientras la mira. Lo mejor es que esta lupa aprende automáticamente qué tan bien está funcionando sin necesidad de que un humano le diga cómo ajustarla (esto se llama "optimización de la verosimilitud marginal").

¿Por qué es esto un gran avance?

1. Es más preciso: En pruebas de laboratorio (simulaciones), sus métodos aciertan más que los anteriores.
2. Es más honesto: Cuando la información es mala, no miente diciendo que es buena. Te muestra sus dudas.
3. Ahorra dinero y tiempo: Al saber cuándo no confiar en una predicción, puedes evitar gastar recursos en decisiones que probablemente saldrán mal.

En resumen

Este paper nos da un nuevo "detective de datos" que no solo resuelve el misterio de la causa y el efecto cuando hay testigos ocultos, sino que también tiene la humildad de decirte: "Aquí estoy seguro, pero aquí necesito más ayuda". Es una herramienta más segura, inteligente y lista para el mundo real, donde equivocarse puede costar caro.

Resumen técnico

Resumen Técnico: Inferencia Causal Instrumental y Proximal con Procesos Gaussianos

1. El Problema

La estimación de efectos causales a partir de datos observacionales es fundamental en múltiples disciplinas, pero se ve obstaculizada por la presencia de confusores no observados (variables latentes que afectan tanto al tratamiento como al resultado).

• Limitaciones actuales: Los métodos existentes para abordar este problema, como las Variables Instrumentales (IV) y el Aprendizaje Causal Proximal (Proxy), se centran principalmente en la estimación puntual de los efectos causales.
• Brecha crítica: Existe una carencia significativa en la cuantificación de la incertidumbre epistémica (EU). Los enfoques actuales para medir la incertidumbre (como el bootstrap) suelen ser heurísticos, carecen de una interpretación probabilística coherente, o son computacionalmente costosos y requieren suposiciones paramétricas fuertes. Además, las evaluaciones de incertidumbre a menudo se limitan a métricas de cobertura básicas, ignorando su utilidad en la toma de decisiones downstream (como la selección de casos para inferencia).

2. Metodología Propuesta

Los autores proponen un marco unificado basado en Procesos Gaussianos (GP) que integra la teoría de incrustaciones de kernel descondicionales (Deconditional Kernel Embeddings) para manejar la confusión no observada.

• Enfoque Unificado (GPIV y GPProxy):
  • GPIV (Instrumental Variable): Adapta el marco de GP para el escenario de IV. Se asume un modelo de ruido aditivo donde la media condicional del tratamiento dado el instrumento sigue un proceso gaussiano.
  • GPProxy (Proxy): Extiende el enfoque al aprendizaje causal proximal, donde se utilizan variables proxy para el tratamiento ($Z$) y el resultado ($W$) para identificar el efecto causal.
• Mecanismo Central: Descondicionamiento:
  • El problema de inferencia causal bajo confusión no observada se formula como la resolución de una ecuación integral de Fredholm (de primer tipo).
  • Los autores utilizan operadores de descondicionamiento (Deconditional Mean Operators - DMO), que actúan como pseudo-inversas de los operadores de esperanza condicional. Esto permite recuperar la función estructural causal ($f$) a partir de las expectativas condicionales observadas.
• Formulación Bayesiana:
  • Se coloca un prior de GP sobre la función estructural $f$.
  • La distribución posterior de $f$ dado los datos se deriva analíticamente.
  • Resultado clave: La media posterior del GP recupera los estimadores frecuentistas de kernel (como Kernel IV - KIV y Kernel Negative Control - KNC), garantizando precisión predictiva y garantías asintóticas conocidas.
  • Cuantificación de Incertidumbre: La varianza posterior proporciona una cuantificación de incertidumbre epistémica principial y bien calibrada, derivada directamente de la estructura probabilística del modelo.

3. Contribuciones Clave

1. Marco Unificado Bayesiano: Se presenta la primera formulación unificada de GP para ambos escenarios (IV y Proxy) que ofrece estimación puntual y cuantificación de incertidumbre simultáneamente.
2. Recuperación de Estimadores Frecuentistas: Se demuestra teóricamente que la media posterior de los nuevos métodos (GPIV y GPProxy) es equivalente a los estimadores de kernel de estado del arte (KIV y KNC), heredando sus propiedades de consistencia.
3. Selección de Modelos Principial: A diferencia de los métodos frecuentistas que dependen de validación cruzada (CV) o división de datos (lo cual reduce el tamaño efectivo de la muestra), el marco bayesiano permite la optimización de hiperparámetros mediante la maximización de la verosimilitud marginal. Esto evita la división de datos y mejora el rendimiento en conjuntos de datos pequeños.
4. Evaluación de Incertidumbre Avanzada: Más allá de las tasas de cobertura, los autores evalúan la utilidad de la incertidumbre mediante curvas de Precisión-Rechazo (Accuracy-Rejection Curves - ARC) y tareas de aprendizaje activo, demostrando que sus estimaciones de incertidumbre guían mejor la toma de decisiones.

4. Resultados Experimentales

Los autores evaluaron sus métodos en datos sintéticos y en un diseño de demanda de boletos de avión (datos reales simulados).

• Rendimiento Predictivo (MSE):
  • GPIV y GPProxy lograron consistentemente el menor o segundo menor Error Cuadrático Medio (MSE) en comparación con baselines como KIV, MMRIV, QBIV (para IV) y KPV, KNC (para Proxy).
  • Se observó que la optimización de hiperparámetros mediante verosimilitud marginal (sin división de datos) superó a los métodos que requieren dividir los datos para la estimación en dos etapas.
• Cuantificación de Incertidumbre:
  • Cobertura: Los intervalos de confianza del 95% generados por GPIV/GPProxy mostraron tasas de cobertura empírica cercanas al nominal (0.95), superando a métodos basados en bootstrap y a QBIV, cuyos intervalos tendían a ser demasiado estrechos (subestimación de la incertidumbre).
  • Curvas ARC: En tareas de inferencia selectiva (rechazar predicciones con alta incertidumbre), los métodos propuestos mostraron curvas de precisión que aumentaban monótonamente con la tasa de rechazo, indicando que la incertidumbre estimada es altamente informativa. Los métodos basados en bootstrap mostraron curvas planas, indicando incertidumbre no informativa.
  • Aprendizaje Activo: En experimentos de aprendizaje activo, la varianza posterior de GPIV permitió seleccionar datos que mejoraban el modelo más rápido que estrategias aleatorias o basadas en otros métodos.

5. Significado e Impacto

Este trabajo representa un avance significativo en la inferencia causal al cerrar la brecha entre la estimación precisa de efectos causales y la evaluación rigurosa de la confianza en dichas estimaciones.

• Confiabilidad Operativa: Proporciona una herramienta esencial para la implementación responsable de modelos causales en entornos críticos (salud, políticas públicas), donde es vital saber cuándo no confiar en una predicción.
• Eficiencia de Datos: Al eliminar la necesidad de dividir datos para la selección de hiperparámetros, el método es particularmente valioso para conjuntos de datos pequeños o costosos de obtener.
• Fundamento Teórico: Establece una conexión formal entre los métodos de kernel frecuentistas y los procesos gaussianos bayesianos en el contexto de confusión no observada, ofreciendo una base sólida para futuras extensiones en aprendizaje activo y fusión de datos causales.

En resumen, la propuesta ofrece una solución práctica y unificada para la inferencia causal bajo confusión no observada, garantizando no solo la precisión del efecto causal estimado, sino también una medida fiable de la incertidumbre asociada.