📊 statistics

Generative Synthetic Data for Causal Inference: Pitfalls, Remedies, and Opportunities

Este artículo demuestra que los modelos generativos tradicionales distorsionan los efectos causales y propone un nuevo marco híbrido que separa la generación de covariables de los mecanismos de tratamiento y resultado para preservar la precisión de estimadores como el ATE.

Autores originales: Yichen Xu

Publicado 2026-04-28

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Yichen Xu

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El Problema: El "Doble" que no sabe actuar

Imagina que eres un director de cine y quieres entrenar a tus actores para una película de drama. Como no quieres gastar tanto dinero con los actores reales, decides contratar a "actores de sustitución" (esto es la Data Sintética). Estos actores son clones digitales: se ven igual, caminan igual y tienen la misma ropa que los originales.

Si les pides que simplemente "parezcan" humanos, lo harán de maravilla. Si les pides que "actúen" una escena donde un personaje se enamora y luego sufre una pérdida (esto es la Inferencia Causal), ahí es donde todo falla. Los clones pueden verse idénticos, pero quizás no entienden la conexión entre el amor y el dolor. Puedes verlos llorar, pero no entiendes por qué lloran.

El problema que detectó el investigador Yichen Xu es este: Las herramientas actuales de Inteligencia Artificial (como los modelos que generan tablas de datos) son excelentes creando "clones" que se ven reales, pero son pésimos capturando la causa y el efecto. Puedes tener una base de datos sintética que parece perfecta, pero si intentas usarla para entender si una medicina funciona, la respuesta será errónea porque la IA "olvidó" la conexión lógica entre la medicina y la curación.

La Solución: El Método "Híbrido" (El Director y el Guionista)

En lugar de pedirle a una sola IA que haga todo (que sea el actor, el vestuario y el guion), el autor propone un enfoque híbrido.

Imagina que para tu película decides separar las tareas:

El Diseñador de Vestuario (Generador de Covariables): Se encarga solo de que los clones se vean reales (su edad, su peso, su color de ojos).
El Guionista (Modelos de Tratamiento y Resultado): Se encarga exclusivamente de la lógica de la historia: "Si este personaje toma esta medicina, entonces su salud mejora".

Al separar estas tareas, el "guion" (la relación causa-efecto) no se pierde entre tanto detalle de "vestuario" (los datos de las personas). El resultado es que los datos sintéticos no solo se ven reales, sino que se comportan de forma lógica.

Dos Superpoderes de este nuevo método

1. El "Entrenador de Emergencia" (Para casos de falta de datos)

A veces, en la vida real, tenemos muy pocos ejemplos de algo. Por ejemplo, queremos saber qué le pasa a un atleta de 90 años que corre un maratón. Es un caso muy raro, casi no hay datos.

El método del autor permite crear "clones" específicos para esos casos raros. Es como si el director de cine dijera: "No tenemos actores de 90 años que corran, así que vamos a crear unos digitalmente que se comporten exactamente como esperaríamos que lo hicieran". Esto ayuda a que los científicos no tengan que "adivinar" en los casos donde hay poca información.

2. El "Simulador de Pruebas" (El simulador de vuelo)

Antes de que un piloto real vuele un avión de verdad, entrena en un simulador. El autor propone que este método funcione como un simulador de vuelo para científicos.

En lugar de lanzarse a analizar los datos reales de un hospital (lo cual es arriesgado y costoso), el científico puede usar este motor de datos sintéticos para probar diferentes métodos matemáticos. Puede decir: "Voy a probar este método en este mundo sintético que se parece mucho al real; si funciona aquí, entonces lo usaré con los pacientes de verdad".

En resumen

El artículo nos dice que no basta con que los datos sintéticos "se parezcan" a la realidad; tienen que "funcionar" como la realidad.

Si solo nos fijamos en la apariencia (la estadística descriptiva), nos engañamos. Pero si construimos los datos por partes —separando la apariencia de la lógica de causa y efecto—, podemos usar la IA para entender mejor el mundo, predecir medicinas y tomar decisiones más seguras sin poner en riesgo a las personas reales.

1. El Problema: La Brecha entre Fidelidad Predictiva y Causal

El problema central que aborda el autor es que los métodos actuales de generación de datos sintéticos (como las GAN o los LLM) están optimizados para la fidelidad predictiva (qué tan bien se pueden predecir las variables) o la fidelidad distributiva (qué tan parecida es la distribución marginal), pero no para la fidelidad causal.

En la inferencia causal, el objetivo es estimar el Efecto Promedio del Tratamiento (ATE), el cual depende de la relación condicional entre el tratamiento ( $A$ ), las covariables ( $W$ ) y el resultado ( $Y$ ). El autor demuestra formalmente que un modelo generativo puede tener un excelente rendimiento en pruebas de "entrenar en sintético y probar en real" (TSTR), pero fallar estrepitosamente al preservar el contraste del efecto del tratamiento ( $\Delta Q(w)$ ). Esto ocurre porque, en modelos de lenguaje o GANs, la pérdida de reconstrucción de las múltiples covariables suele "diluir" la importancia de la variable de resultado, resultando en un ATE distorsionado.

2. Metodología Propuesta: El Marco Híbrido

Para remediar esto, el autor propone abandonar la generación "totalmente conjunta" (donde un solo modelo genera el triplete $W, A, Y$ ) en favor de un enfoque de generación híbrido.

El proceso híbrido (Algoritmo 1) consiste en:

Generación de Covariables: Se utiliza un modelo generativo (LLM o GAN) exclusivamente para sintetizar las covariables $\tilde{W}$ , monitoreando su calidad mediante la métrica de "distancia al registro más cercano" (DCR) para asegurar privacidad y realismo.
Modelado de Mecanismos de Nuisance: En lugar de dejar que el generador "adivine" el tratamiento y el resultado, se entrenan modelos separados sobre los datos reales:
- Un modelo de propensión $\hat{g}(A|W)$ para el tratamiento.
- Un modelo de resultado $\hat{Q}(A, W)$ para la variable dependiente.
Construcción del Triplete: Para cada covariable sintética $\tilde{W}_i$ , se muestrea un tratamiento $\tilde{A}_i$ del modelo de propensión y un resultado $\tilde{Y}_i$ del modelo de resultado.

Además, el autor introduce una estrategia de aumentación sintética dirigida para problemas de positividad práctica (regímenes donde ciertos tratamientos son raros en ciertas zonas del espacio de covariables), emparejando observaciones de baja propensión con covariables sintéticas cercanas para estabilizar la estimación.

3. Contribuciones Clave

Formalización Teórica: Demuestra mediante límites de sensibilidad y teoremas de compromiso (tradeoff) que el error en el ATE es altamente sensible al error en el contraste del efecto, y que los modelos conjuntos sacrifican este contraste en favor de la reconstrucción de las covariables.
Marco de Generación Híbrida: Un método que separa la síntesis de la estructura de datos de la síntesis de los mecanismos causales.
Motor de Simulación Sintética: Un sistema para realizar análisis pre-hoc. Permite al investigador generar múltiples conjuntos de datos sintéticos para comparar qué estimador (OR, IPW, AIPW o TMLE) es más robusto ante el tamaño de muestra y la estructura de los datos antes de tocar los datos reales.

4. Resultados Principales

Mejora de la Fidelidad Causal: Los experimentos muestran que el enfoque híbrido reduce el Error Cuadrático Medio (MSE) del ATE en órdenes de magnitud en comparación con los modelos totalmente generativos (tanto en LLM como en GAN).
Eficacia en la Aumentación: La técnica de "emparejamiento" (pairing) reduce significativamente el error en escenarios de baja positividad, siempre que el beneficio de mejorar la estimación del efecto condicional supere el sesgo introducido por el cambio en la distribución de las covariables.
Validación del Simulador: El motor de simulación basado en LLM híbrido demostró ser capaz de replicar con gran precisión el comportamiento de sesgo y varianza de los estimadores en datos reales (como el dataset ACTG de ensayos clínicos de VIH), superando a los simuladores basados en CTGAN.

5. Significado e Impacto

Este trabajo cambia el paradigma del uso de datos sintéticos en ciencia de datos. Sugiere que los datos sintéticos no deben verse solo como una herramienta de privacidad o aumento de datos, sino como un componento estructurado del flujo de trabajo de inferencia causal.

La importancia radica en que permite a los científicos realizar "pruebas de estrés" a sus estimadores causales en entornos controlados pero realistas, proporcionando una guía diagnóstica para seleccionar el método de estimación más robusto antes de proceder con el análisis de datos reales de alto riesgo.