Interpretable Causal Graphical Models for Equilibrium Systems with Confounding

Aquí presento un resumen técnico detallado del artículo "Interpretable Causal Graphical Models for Equilibrium Systems with Confounding" en español.

1. Planteamiento del Problema

La inferencia causal tradicional, basada en Modelos Causales Estructurales (SCM) y Grafos Acíclicos Dirigidos (DAG), enfrenta desafíos significativos en dos escenarios específicos que a menudo coexisten en aplicaciones del mundo real:

1. Sistemas en Equilibrio: Muchas cantidades de interés (como en física, economía o biología) se modelan en estado de equilibrio, donde las relaciones entre variables pueden ser simétricas y no estrictamente causales en una dirección temporal única. Los DAGs no capturan adecuadamente estas relaciones simétricas.
2. Confusión (Confounders): La presencia de variables de confusión no observadas complica la estimación de efectos causales.

Los grafos existentes, como los grafos ancestrales (para confusión) o los grafos de cadena (para equilibrio), son insuficientes cuando se requiere modelar simultáneamente ambos fenómenos y realizar inferencias contrafactuales. Además, las interpretaciones basadas en la marginalización o condicionamiento de grafos existentes a menudo fallan en mantener la equivalencia de Markov o carecen de una interpretación causal clara de las operaciones de intervención.

2. Metodología

Los autores proponen un marco unificado basado en Grafos Anteriales (Anterial Graphs), una generalización que incluye DAGs, grafos ancestrales y grafos de cadena.

A. Modelos de Equilibrio Estructural

Definen un Modelo de Equilibrio Estructural que generaliza los SCM tradicionales:

• Las variables se agrupan en componentes de cadena ($\tau$).
• Cada componente $\tau$ tiene una distribución de equilibrio condicional $J_\tau(\cdot | x_{pa(\tau)})$ dada por sus padres en otros componentes.
• Dentro de un componente, las variables pueden tener relaciones simétricas (representadas por aristas no dirigidas) y errores correlacionados (aristas bidireccionales).
• Se asocia un proceso dinámico (como un muestreador de Gibbs) a cada componente para definir la distribución de equilibrio.

B. Construcción del Grafo (Algoritmo 1)

Presentan un algoritmo para construir el grafo anterial correspondiente a un modelo de equilibrio estructural:

1. Aristas no dirigidas: Se añaden entre nodos dentro de un componente si son dependientes condicionalmente dados los demás.
2. Aristas dirigidas: Se añaden desde los padres del componente hacia los nodos del componente si la distribución marginal depende de ellos.
3. Aristas bidireccionales: Se añaden entre componentes si sus errores son dependientes.

C. Intervenciones y Grafos Contrafactuales

• Intervenciones (Algoritmo 2): Definen la intervención $do(C)$ sobre un conjunto de tratamiento $C$ mediante una operación gráfica local que elimina aristas entrantes y bidireccionales en los nodos intervenidos, y convierte aristas no dirigidas en dirigidas hacia los nodos no intervenidos. Esto genera un nuevo grafo anterial $do_C(G)$.
• Grafos Contrafactuales (Algoritmo 3): Construyen un grafo $\phi(G; C)$ que representa conjuntamente las variables observacionales ($X_V$) y las intervenidas ($X^{do(C)}_V$) en un solo gráfico. Esto se logra replicando el grafo, renombrando nodos intervenidos y fusionando nodos que son equivalentes (donde la intervención no afecta el valor).
• Grafos de Intervención de un Solo Mundo (SWAIG): Derivan un grafo $\phi'(G; C)$ marginalizando las variables que no son necesarias en el mundo contrafactual, evitando violaciones de la condición de fidelidad (faithfulness) causadas por relaciones deterministas o errores compartidos.

D. Selección de Conjuntos de Ajuste (Algoritmo 4)

Desarrollan un algoritmo para seleccionar un conjunto de ajuste mínimo $S$ para controlar la confusión, sujeto a restricciones de inclusión ($L \subseteq S$) y exclusión ($S \subseteq U$).

• A diferencia de métodos anteriores que enumeran todos los conjuntos posibles y luego filtran, este algoritmo opera de manera elemental, eliminando iterativamente nodos del conjunto superior $U$ mientras verifica la separación gráfica entre el tratamiento y el resultado en el grafo intervenido.
• Utiliza operaciones de marginalización ($\alpha_m$) y condicionamiento ($\alpha_c$) sobre grafos anteriales.

3. Contribuciones Clave

1. Unificación de Modelos: Introducen los grafos anteriales como la clase de grafos adecuada para modelar sistemas con equilibrio y confusión simultáneamente, generalizando DAGs, grafos ancestrales y grafos de cadena.
2. Interpretabilidad Causal: Demuestran que las intervenciones en estos sistemas pueden representarse puramente mediante manipulaciones gráficas locales (Algoritmo 2), sin necesidad de conocer el acoplamiento exacto de los errores, siempre que se asuma la propiedad de Markov.
3. Representación Contrafactual: Proporcionan la primera representación gráfica válida para variables contrafactuales y observacionales en sistemas de equilibrio con confusión, extendiendo los conceptos de grafos contrafactuales (Shpitser & Pearl) y SWIGs (Richardson & Robins) a grafos anteriales.
4. Algoritmo de Selección de Confusores con Restricciones: Presentan un algoritmo (Algoritmo 4) que selecciona conjuntos de ajuste óptimos bajo restricciones de inclusión/exclusión, crucial para aplicaciones prácticas como ensayos clínicos (costos éticos/económicos) o equidad algorítmica.
5. Propiedades de Cierre: Establecen que los grafos anteriales son cerrados bajo marginalización y condicionamiento, a diferencia de los DAGs, lo que permite manejar variables latentes y de selección de manera consistente.

4. Resultados

• Teoremas de Propiedad de Markov: Demuestran que la distribución inducida por el modelo de equilibrio estructural es Markoviana respecto al grafo anterial construido (Teorema 1), y que la distribución intervenida es Markoviana respecto al grafo intervenido $do_C(G)$ (Teorema 2).
• Validez de Grafos Contrafactuales: Proban que la distribución conjunta de variables observacionales e intervenidas es Markoviana respecto al grafo $\phi(G; C)$ (Teorema 3) y su versión de un solo mundo $\phi'(G; C)$ (Proposición 4).
• Corrección del Algoritmo de Selección: El Teorema 5 garantiza que el Algoritmo 4 devuelve un conjunto de ajuste válido y minimalista si la distribución es fiel al grafo, y determina correctamente la inexistencia de tal conjunto si la verificación de factibilidad falla.
• Validación Empírica: Mediante simulaciones (Figuras 4-6 y 17-19), los autores verifican que las pruebas de independencia condicional (Fisher-Z) en datos generados por modelos de equilibrio estructural (tanto mediante muestreo directo de distribuciones de equilibrio como mediante muestreadores de Gibbs) son consistentes con las separaciones gráficas predichas por los teoremas.

5. Significado e Impacto

Este trabajo es fundamental porque:

• Cierra una brecha teórica: Permite realizar inferencia causal rigurosa en sistemas donde el equilibrio y la confusión son inherentes, un escenario común en ciencias sociales, epidemiología y economía que los DAGs no podían manejar adecuadamente.
• Facilita la práctica: El algoritmo de selección de ajuste con restricciones es una herramienta práctica para investigadores que deben ajustar por covariables específicas debido a regulaciones o limitaciones de datos, evitando la construcción de conjuntos inviables.
• Interpretabilidad: Al mantener la interpretabilidad causal puramente gráfica, permite a los investigadores visualizar y entender las consecuencias de las intervenciones y la estructura de confusión sin depender de supuestos paramétricos complejos sobre los errores.
• Generalización: Al unificar clases de grafos existentes, proporciona un marco más robusto para el descubrimiento causal y la estimación de efectos en escenarios complejos.

En resumen, el artículo establece una base sólida para la inferencia causal en sistemas complejos y equilibrados, ofreciendo tanto herramientas teóricas (grafos anteriales, teoremas de Markov) como prácticas (algoritmos de intervención y selección de covariables) para abordar problemas de confusión y equilibrio simultáneos.