Resumen Técnico: Inferencia Causal con Confundidor No Observado Categórico mediante Aprendizaje de Mezclas

Enunciado del Problema

La estimación de efectos causales a partir de datos observacionales se ve fundamentalmente desafiada por la confusión no observada —variables latentes que influyen tanto en la asignación del tratamiento como en los resultados—. Los métodos estándar, como la regresión o el emparejamiento por puntuación de propensión, fallan cuando estos confundidores no se miden, lo que conduce a estimaciones sesgadas (por ejemplo, la paradoja de Simpson).

La literatura existente intenta abordar esto mediante dos vías principales, ambas con limitaciones:

1. Inferencia Causal Proximal: Utiliza variables proxy (controles negativos) para identificar efectos causales. Sin embargo, los marcos actuales (por ejemplo, Miao et al., 2018; Tchetgen Tchetgen et al., 2020) requieren que los proxies se clasifiquen rígidamente en roles asimétricos: proxies que inducen tratamiento, proxies que inducen resultado y causas comunes. En la práctica, encontrar variables que satisfagan estas condiciones específicas y asimétricas suele ser difícil.
2. Múltiples Tratamientos (El "Deconfounder"): Aprovecha múltiples tratamientos condicionalmente independientes para inferir la estructura latente (Wang y Blei, 2019). Aunque conceptualmente prometedor, las condiciones de identificabilidad para este enfoque son debatidas (Ogburn et al., 2019), y los métodos de estimación existentes a menudo dependen de algoritmos heurísticos (por ejemplo, Esperanza-Maximización) que carecen de garantías de convergencia global o consistencia en muestras finitas.

Este artículo aborda la brecha estableciendo que los efectos causales son identificables tanto en configuraciones de múltiples proxies como de múltiples tratamientos cuando el confundidor no observado es categórico (toma un número finito de valores). Los autores proponen un marco basado en aprendizaje de mezclas y descomposición tensorial para recuperar la estructura de confusión latente sin requerir clasificación asimétrica de proxies ni estimación heurística.

Metodología

La idea central es que, cuando el confundidor latente $U$ es categórico y existen al menos tres vistas condicionalmente independientes (proxies o tratamientos), el problema de identificación se reduce a recuperar una distribución de mezcla finita. Los autores utilizan el método de momentos mediante descomposición tensorial para lograrlo.

1. Configuración de Múltiples Proxies

El marco asume un confundidor latente $U \in \{1, \dots, K\}$ y $p \ge 3$ variables proxy $Z_1, Z_2, Z_3$ que son condicionalmente independientes dado $U$. A diferencia de trabajos anteriores, estos proxies no necesitan clasificarse en roles causales específicos; se tratan simétricamente.

• Identificación: Bajo supuestos de independencia condicional e independencia lineal de las medidas condicionales, los parámetros de la distribución de mezcla (pesos de mezcla $\pi_u$ y densidades de componentes $P_{v,u}$) son estrictamente identificables hasta permutación (Allman et al., 2009).
• Procedimiento de Estimación:
  1. Aprendizaje Tensorial No Supervisado: Aplicar descomposición tensorial robusta (Anandkumar et al., 2014) a la distribución conjunta de los proxies para estimar los pesos de mezcla $\hat{\pi}$ y las densidades de componentes $\hat{f}_{v,u}$.
  2. Recuperación Posterior: Calcular la probabilidad posterior del estado latente para cada unidad: $\hat{w}_u(Z) = P(U=u|Z)$.
  3. Estimación del Modelo de Tratamiento: Regresar el tratamiento $A$ sobre características ponderadas por las posteriores recuperadas para estimar parámetros de tratamiento específicos por clúster.
  4. Estimación del Modelo de Resultado: Actualizar las posteriores para tener en cuenta la asignación del tratamiento ($P(U=u|A, Z)$) y regresar el resultado $Y$ sobre características ponderadas por estas posteriores actualizadas para estimar parámetros de resultado específicos por clúster.
  5. Cálculo del Efecto Causal: Calcular el Efecto Promedio del Tratamiento (ATE) y el Efecto Promedio Condicional del Tratamiento (CATE) integrando sobre la estructura latente recuperada.

2. Configuración de Múltiples Tratamientos

El marco se extiende a escenarios sin proxies pero con múltiples tratamientos condicionalmente independientes (al menos tres) $A_1, A_2, A_3$.

• Identificación: Similar a la configuración de proxies, la distribución conjunta de los tratamientos permite la identificación única de los parámetros de mezcla latentes.
• Estimación: Se aplica una descomposición tensorial directamente a las variables de tratamiento para recuperar la priori latente y las probabilidades de emisión. Estas se utilizan luego para construir características ponderadas para una regresión final sobre el resultado y estimar los parámetros causales.

3. Garantías Teóricas

El artículo proporciona límites de error no asintóticos para toda la cadena de estimación.

• Consistencia en Muestras Finitas: Los autores derivan límites de error para el paso de descomposición tensorial (estimación de posteriores) y propagan estos errores a través de las etapas de regresión posteriores.
• Convergencia: El algoritmo propuesto logra consistencia en muestras finitas para el parámetro causal (ATE), con un límite de error de $O(\log(\delta) \cdot n^{-\frac{b}{2b+7d}})$, donde $b$ es un parámetro de suavidad y $d$ es la dimensión de los proxies.
• Convergencia Global: A diferencia de los algoritmos EM, el método de potencia tensorial utilizado garantiza convergencia global bajo condiciones de no degeneración leves.

Contribuciones Clave

1. Supuestos de Proxy Relajados: El artículo introduce un marco causal de múltiples proxies que no requiere la clasificación rígida de los proxies en exposiciones o resultados de control negativo. Solo requiere una colección de tres o más proxies condicionalmente independientes.
2. Identificabilidad y Estimación: Los autores establecen la identificabilidad de los parámetros del modelo y los estimandos causales (ATE, CATE) tanto para configuraciones de múltiples proxies como de múltiples tratamientos bajo el supuesto de un confundidor latente categórico.
3. Estabilidad Algorítmica: Proponen un procedimiento de estimación eficiente basado en descomposición tensorial que ofrece garantías de convergencia global, evitando los problemas de óptimos locales comunes en la inferencia variacional o EM.
4. Teoría de Muestras Finitas: El artículo proporciona límites de error rigurosos en muestras finitas para la estimación no paramétrica de distribuciones posteriores latentes y los parámetros causales posteriores, culminando en una garantía de consistencia para el ATE.
5. Generalización No Paramétrica: Los resultados de identificabilidad se extienden a un contexto no paramétrico más amplio (Teorema 5.2), aunque la implementación algorítmica específica para el caso completamente no paramétrico se señala como trabajo futuro.

Resultados Experimentales

Los autores validan su método mediante simulaciones y análisis de datos del mundo real:

• Simulaciones: Tanto en configuraciones de múltiples proxies como de múltiples tratamientos, el estimador propuesto demuestra convergencia hacia los coeficientes causales verdaderos a medida que aumenta el tamaño de la muestra, funcionando bien incluso con datos limitados.
• Datos Reales (Conjunto de Datos BWGHT): El método se aplicó para estimar el efecto del tabaquismo materno en el peso al nacer de los bebés. El confundidor no observado se identificó como el estatus socioeconómico familiar latente.
  • Utilizando tres proxies (ingresos familiares, educación del padre, educación de la madre), la descomposición tensorial recuperó una estructura latente trivalente ($K=3$).
  • Los clústeres resultantes se alinearon con el consenso epidemiológico (clases desfavorecidas de alto riesgo, clase media discordante y clases protectoras altamente favorecidas).
  • El efecto causal estimado del tabaquismo fue negativo en todos los estratos latentes, reforzando hallazgos previos sobre la restricción del crecimiento fetal inducida por el tabaquismo.

Significado y Afirmaciones

El artículo afirma establecer un "puente concreto entre el aprendizaje de mezclas y la inferencia causal". Al replantear el problema de la confusión categórica no observada como un problema de identificación de mezcla latente, los autores evitan los problemas inversos mal planteados típicos de los enfoques de ecuaciones integrales utilizados en la inferencia causal proximal.

El significado de este trabajo radica en:

• Practicidad: Elimina el difícil requisito de encontrar controles negativos asimétricos, haciendo que la inferencia causal proximal sea más aplicable a dominios donde tales variables son difíciles de identificar.
• Rigor Teórico: Proporciona el primer método de estimación consistente para la configuración de múltiples tratamientos con garantías de convergencia global y límites de error en muestras finitas, abordando las brechas teóricas en la literatura del "Deconfounder".
• Innovación Metodológica: Demuestra que la descomposición tensorial puede aprovecharse eficazmente para "desmezclar" distribuciones de confundidores latentes, permitiendo la recuperación causal consistente en configuraciones previamente consideradas intratables sin fuertes supuestos paramétricos o condiciones de identificación no verificables.

Los autores mantienen modestia respecto a las direcciones futuras, señalando que, aunque sus resultados actuales tratan las distribuciones de proxies de manera no paramétrica, el algoritmo de estimación asume formas paramétricas para los modelos de tratamiento y resultado. Generalizar el marco a un entorno completamente no paramétrico para la estimación se identifica como una extensión natural para la investigación futura.