Controllable Generative Sandbox for Causal Inference

El artículo presenta CausalMix, un marco generativo variacional que cierra la brecha entre el realismo distribucional y el control causal en datos tabulares mixtos, permitiendo la manipulación independiente de mecanismos como el solapamiento, la confusión y la heterogeneidad del efecto del tratamiento para validar métodos y diseñar estudios en inferencia causal.

Lo esencial

Imagina que eres un arquitecto que quiere construir un puente más seguro. Antes de construirlo en la vida real, ¿qué harías? Probablemente construirías una maqueta a escala en tu taller. Podrías sacudir la mesa, simular un terremoto o probar diferentes materiales sin riesgo de que nadie se lastime. Si la maqueta falla, solo rompes madera y plástico; si funciona, sabes que el diseño es sólido.

En el mundo de la medicina y la estadística, los investigadores necesitan hacer lo mismo, pero con datos de pacientes reales. Quieren saber: "¿Funciona mejor el medicamento A o el B para personas con diabetes?". Pero no pueden probarlo en todos los pacientes del mundo (sería poco ético y costoso), y en los datos reales, a veces es difícil saber si el medicamento funcionó o si fue por casualidad (como si el paciente ya estuviera mejor).

Aquí es donde entra CAUSALMIX, la herramienta que presentan los autores de este paper.

¿Qué es CAUSALMIX? (El "Simulador de Realidad" con Perillas de Control)

Piensa en CAUSALMIX como un videojuego de simulación médica ultra-realista.

1. La Maqueta Perfecta (Realismo):
   La mayoría de los simuladores antiguos eran como dibujos animados: se veían bien, pero no se parecían a la vida real. Si en el mundo real los pacientes tienen edades, pesos y enfermedades muy variadas (algunos muy jóvenes, otros muy viejos, algunos con diabetes, otros no), los simuladores antiguos fallaban al copiar esa mezcla.
   CAUSALMIX es diferente. Es como un motor de videojuegos de última generación que aprende de los datos reales. Genera pacientes "falsos" que se ven, se sienten y se comportan estadísticamente igual que los pacientes reales. Tiene la misma variedad de tipos de datos (números, sí/no, categorías).

2. Las Perillas de Control (El Superpoder):
   Aquí está la magia. En un hospital real, no puedes controlar el destino. No puedes decir: "Oye, quiero que el 50% de los pacientes con diabetes reciban el medicamento A y el otro 50% el B, y que además haya un secreto que solo afecta a los mayores de 60". Eso es imposible en la vida real.

   CAUSALMIX tiene tres perillas mágicas que el investigador puede girar a su gusto antes de generar los datos:

   • Perilla de "Equilibrio" (Overlap): Puedes decidir qué tan similares son los dos grupos de pacientes. ¿Quieres que sean muy parecidos para comparar fácil? ¿O quieres que sean muy diferentes para ver cómo reacciona el modelo en situaciones difíciles?
   • Perilla de "Secretos Ocultos" (Confounding): Puedes decidir si existe un factor oculto que afecta a todos. Por ejemplo, puedes simular un "secreto" donde los pacientes más ricos tienen mejor salud, pero el medicamento no tiene nada que ver con eso. Esto permite probar si los métodos estadísticos detectan ese truco o si se dejan engañar.
   • Perilla de "Efectos Diferentes" (Heterogeneidad): Puedes programar que el medicamento funcione muy bien en jóvenes y mal en viejos, o al revés. Puedes crear cualquier escenario de "qué pasaría si".

¿Para qué sirve todo esto? (El Laboratorio de Pruebas)

Los autores usaron esta herramienta para resolver un problema real: comparar dos tratamientos para un tipo avanzado de cáncer de próstata (abiraterona vs. enzalutamida).

Usaron CAUSALMIX para hacer tres cosas importantes:

1. Probar los Detectives (Benchmarking):
   Imagina que tienes 10 detectives (métodos estadísticos) y quieres saber cuál es el mejor para encontrar la verdad. Usaron CAUSALMIX para crear 50 escenarios diferentes donde ya sabían la respuesta correcta (la verdad oculta).

   • Resultado: Descubrieron que algunos detectives eran rápidos pero cometían errores en grupos pequeños, mientras que otros eran más lentos pero muy precisos. Sin este simulador, nunca habrían sabido cuál confiar en la vida real.

2. Afinar los Instrumentos (Hyperparameter Tuning):
   Los métodos estadísticos tienen "ajustes" (como el tamaño de las hojas en un árbol de decisión). CAUSALMIX les permitió probar miles de combinaciones de ajustes rápidamente para encontrar el "punto dulce" que da los mejores resultados sin gastar años de computación.

3. Planear el Futuro (Power Analysis):
   Antes de iniciar un nuevo estudio médico, los doctores se preguntan: "¿Cuántos pacientes necesitamos reclutar para tener certeza?".
   Usando el simulador, calcularon que necesitarían unos 2,000 pacientes para detectar diferencias pequeñas en la seguridad del medicamento. Si reclutan menos, podrían estar perdiendo tiempo o sacar conclusiones erróneas. Es como saber cuánta gasolina necesitas antes de salir de viaje.

La Analogía Final: El "Sandbox" (Caja de Arena)

En resumen, CAUSALMIX es un Sandbox (Caja de Arena) Controlable.

• Antes: Los investigadores jugaban en una caja de arena donde la arena era real (datos reales), pero no podían cambiar la gravedad ni el clima. Si algo salía mal, no sabían por qué.
• Ahora: Con CAUSALMIX, tienen una caja de arena donde pueden recrear la gravedad exacta del mundo real, pero también tienen un botón para cambiar la gravedad, añadir viento o crear tormentas, todo mientras mantienen la arena idéntica a la real.

Esto permite a los científicos:

1. Entrenar sus algoritmos en un entorno seguro.
2. Ver qué métodos fallan bajo presión.
3. Diseñar estudios médicos que realmente funcionen cuando lleguen al mundo real.

Es una herramienta que une la creatividad de la simulación con la rigurosidad de la ciencia, permitiendo que la medicina sea más segura y efectiva antes de tocar a un solo paciente real.

Resumen técnico

Resumen Técnico: CAUSALMIX

1. Planteamiento del Problema

La validación de métodos y el diseño de estudios en inferencia causal dependen críticamente de datos sintéticos que posean contrafactuales conocidos. Sin embargo, los simuladores existentes presentan una disyuntiva fundamental:

• Simuladores paramétricos arbitrarios: Ofrecen control causal total pero carecen de realismo distribucional (no capturan bien datos tabulares mixtos, multimodales y dependencias complejas).
• Generadores basados en datos reales (Plasmode, GANs, VAEs): Logran un alto realismo distribucional, pero carecen de control causal explícito en el momento del diseño. A menudo, no permiten manipular independientemente propiedades clave como la superposición (overlap), el sesgo de confusión no medido o la heterogeneidad del efecto del tratamiento.

Esta brecha limita la capacidad de los investigadores para realizar pruebas de estrés controladas, comparar estimadores causalmente o diseñar estudios prospectivos con garantías de validez.

2. Metodología: CAUSALMIX

El artículo propone CAUSALMIX, un marco generativo variacional que cierra esta brecha unificando el realismo distribucional con un control causal fino y explícito.

Arquitectura del Modelo:

• Base VAE Condicional: Utiliza una arquitectura de Autoencoder Variacional Condicional (CVAE) modular.
  • Codificador: Mapea variables observadas a un espacio latente.
  • Decodificador Multi-cabeza: Utiliza cabezales de salida específicos para el tipo de dato (Gaussiano para continuos, Bernoulli para binarios, Softmax para categóricos), permitiendo modelar datos tabulares mixtos sin preprocesamiento artificial.
• Prior Latente Híbrido (BGMM): En lugar de una prior Gaussiana isotrópica estándar, CAUSALMIX ajusta un Modelo de Mezcla Gaussiana Bayesiana (BGMM) en el espacio latente tras el entrenamiento. Esto captura la estructura multimodal inherente a los datos observacionales complejos, mejorando la fidelidad de las muestras generadas.
• Proceso de Generación Modular:
  1. Muestreo del tratamiento $T'$.
  2. Generación de covariables $X' | T'$.
  3. Generación de resultados potenciales $(Y'(0), Y'(1)) | X', T'$.
  4. Construcción del resultado observado $Y' = T'Y'(1) + (1-T')Y'(0)$.

Mecanismos de Control Causal:
El modelo introduce funciones de control definidas por el usuario que se integran en la función de pérdida mediante regularizaciones explícitas:

1. Superposición (Overlap): Se controla mediante un regularizador de la razón de log-verosimilitud $\log \alpha(X)$, que moldea la distribución de las covariables condicionada al tratamiento para lograr niveles específicos de superposición (desde perfecta hasta violaciones de positividad).
2. Heterogeneidad del Efecto (CATE): Se parametriza la función de efecto del tratamiento $\tau(X) = E[Y(1) - Y(0) | X]$. El modelo penaliza la desviación entre el efecto inducido y la función objetivo.
3. Confusión No Medida: Se introduce una dependencia latente $\kappa(X, T)$ que simula sesgos ocultos, permitiendo evaluar la robustez de los estimadores ante violaciones de ignorabilidad.

Función Objetivo Unificada:
El modelo optimiza una pérdida combinada que incluye:

• La cota inferior de la evidencia (ELBO) para la fidelidad distribucional.
• Penalizaciones de rigidez (MSE y Smooth L1) para alinear los efectos inducidos con las funciones de control objetivo.
• Regularizadores de varianza para evitar el colapso de la heterogeneidad o la dispersión espuria.

3. Contribuciones Clave

1. Fidelidad en Datos Mixtos: Capacidad de modelar conjuntamente variables continuas, binarias y categóricas con dependencias multimodales, superando limitaciones de métodos anteriores como CREDENCE o REALCAUSE.
2. Palancas Causales Explícitas: Permite variar independientemente la superposición, la fuerza de la confusión no medida y la heterogeneidad del efecto durante el diseño del experimento, manteniendo la estructura de los datos reales.
3. Prior BGMM: Mejora significativamente la calidad de la generación en escenarios complejos en comparación con priores Gaussianos estándar, capturando mejor la geometría del espacio latente.
4. Pipeline de Evaluación Integral: Propone una suite de métricas que evalúa simultáneamente:
   • Fidelidad distribucional (marginal, condicional y conjunta).
   • Fidelidad causal (precisión en la recuperación de $\tau, \kappa, \alpha$).
   • Privacidad (riesgo de divulgación a nivel de registro).

4. Resultados y Validación

Los autores validaron CAUSALMIX mediante un estudio de caso clínico sobre el cáncer de próstata resistente a la castración metastásico (mCRPC), comparando dos tratamientos (abiraterona vs. enzalutamida).

• Fidelidad Distribucional y Causal:
  • En escenarios de alta complejidad (heterogeneidad no lineal, confusión dependiente de covariables), el prior BGMM superó consistentemente al prior Gaussiano en métricas de distancia de Wasserstein, similitud de correlación y pruebas de dos muestras (C2ST).
  • El modelo recuperó con alta precisión las funciones de efecto y confusión especificadas, incluso en regímenes de baja superposición.
• Benchmarking de Estimadores (CATE):
  • Se compararon 10 estimadores (Meta-learners, DML, DR, Bosques Causales, BCF).
  • Hallazgo clave: Un buen rendimiento en la estimación del Efecto Promedio del Tratamiento (ATE) no garantiza una inferencia confiable del Efecto Condicional (CATE). Los estimadores basados en Bosques Causales Bayesianos (BCF) mostraron la mejor calibración de incertidumbre, mientras que los métodos basados en Lasso subestimaron drásticamente la cobertura de los intervalos de confianza.
• Optimización de Hiperparámetros:
  • Se demostró que el tamaño mínimo de la hoja (min.node.size) en los Bosques Causales es más crítico para la precisión del CATE que el número de árboles. Un tamaño de hoja más grande reduce el error (PEHE) pero puede reducir la cobertura de los intervalos.
• Análisis de Potencia:
  • El estudio reveló que se requieren muestras mucho más grandes para identificar y priorizar modificadores de efecto específicos (ej. historia de enfermedad cardiovascular) que simplemente para detectar la existencia de heterogeneidad. Se estimó que se necesitan ~2,000 pacientes para una potencia del 90% en la detección de modificación de efectos.

5. Significado e Impacto

El trabajo de CAUSALMIX representa un avance significativo en la metodología de inferencia causal al proporcionar un "sandbox" (caja de arena) calibrado que es tanto realista como controlable.

• Para la Investigación: Permite realizar pruebas de estrés sistemáticas de algoritmos de aprendizaje automático causal bajo condiciones de identificación realistas (confusión, superposición limitada) que son imposibles de aislar en datos observacionales reales.
• Para la Práctica Clínica y Epidemiológica: Facilita el diseño de estudios prospectivos (cálculo de potencia y tamaño muestral) y la selección de estimadores adecuados antes de la recolección de datos, reduciendo el riesgo de conclusiones erróneas sobre la seguridad o eficacia de tratamientos.
• Equilibrio Realismo-Privacidad: Demuestra que es posible generar datos sintéticos de alta fidelidad causal sin comprometer excesivamente la privacidad de los registros individuales, ofreciendo una herramienta segura para la colaboración en datos sensibles.

En resumen, CAUSALMIX transforma la generación de datos sintéticos de una herramienta de validación pasiva a un entorno activo de diseño y descubrimiento causal, permitiendo a los investigadores explorar escenarios "qué pasaría si" con garantías matemáticas sobre la estructura causal subyacente.