📊 statistics

Missing data and cluster graphs: cluster-level missingness vs variable-level missingness

Este artículo introduce dos clases de gráficos de ausencia basados en conglomerados para analizar la recuperabilidad a partir de información estructural gruesa, estableciendo condiciones gráficas para recuperar distribuciones conjuntas y efectos causales a fin de clarificar cuándo los datos de ausencia a nivel de conglomerado son suficientes para una inferencia válida frente a cuándo se requiere un modelado más detallado.

Autores originales: Willow Scott, Eugenio Valdano, Charles Assaad

Publicado 2026-05-21

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Willow Scott, Eugenio Valdano, Charles Assaad

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

Imagina que estás intentando resolver un rompecabezas gigante para entender cómo funcionan juntas diferentes partes de un sistema, como podrían estar conectados la salud mental, los hábitos sexuales y el estado de VIH. Pero hay un problema: faltan algunas piezas del rompecabezas. En el mundo de la ciencia de datos, esto se llama "datos faltantes".

Por lo general, los científicos intentan resolver esto examinando cada pieza faltante individualmente. Se preguntan: "¿Por qué falta esta pieza específica? ¿Es por la pieza de al lado? ¿O por la que está al otro lado de la habitación?" Esto es como tener un mapa detallado de cada calle individual de una ciudad.

Sin embargo, en la vida real, a menudo no tenemos ese nivel de detalle. Podríamos saber solo que barrios enteros (clústeres) de información están faltando, sin saber exactamente qué casa del barrio está vacía. Este artículo, de Willow Scott y colegas, pregunta: ¿Podemos aún resolver el rompecabezas si solo tenemos un mapa de los barrios, en lugar de las calles individuales?

Los Dos Tipos de Mapas

Los autores introducen dos formas de dibujar estos "mapas de barrios" para manejar los datos faltantes:

El mapa de "Barrio Detallado" (m-C-DMG):
Imagina que sabes que el barrio de "Comportamiento Sexual" tiene datos faltantes. En este mapa, aún mantienes un registro de qué casa específica de ese barrio está vacía. Sabes que falta la casa de "Uso de Preservativos", pero la casa de "Número de Parejas" está presente. Mantienes los indicadores de falta individuales separados, aunque los agrupas en un barrio.
- Analogía: Sabes que el distrito de "Centro" tiene un apagón, pero aún tienes una lista de exactamente qué farolas específicas están apagadas.
El mapa de "Barrio Difuminado" (cm-C-DMG):
Este es un mapa más grueso. Aquí, solo sabes que todo el barrio de "Comportamiento Sexual" está teniendo problemas. No sabes si falta la casa de "Uso de Preservativos" o la de "Número de Parejas"; solo ves un gran letrero de "Faltante" sobre todo el distrito.
- Analogía: Ves un letrero de "Apagón en el Distrito del Centro", pero no tienes idea de qué farolas específicas están afectadas.

El Gran Descubrimiento: ¿Qué Aún Podemos Aprender?

El artículo explora si aún podemos deducir la imagen completa (la "distribución conjunta") o las relaciones de causa y efecto (como "¿El comportamiento A causa el resultado B?") usando estos mapas difuminados.

1. El mapa "Difuminado" es Menos Poderoso
Los autores encontraron que el mapa de "Barrio Difuminado" (cm-C-DMG) es un poco un retroceso. Como fusiona todos los detalles faltantes en un solo gran bloque, a veces oculta pistas necesarias para resolver el rompecabezas.

La Metáfora: Si solo sabes que el distrito de "Centro" tiene datos faltantes, podrías asumir que todo el distrito es poco fiable. Pero en el mapa "Detallado", podrías darte cuenta de que solo falta una casa específica, y el resto del distrito está en realidad bien. El mapa difuminado podría hacerte descartar buenos datos pensando que todo es malo, mientras que el mapa detallado te permite salvarlos.
La Regla: Si puedes resolver el rompecabezas usando el mapa "Difuminado", definitivamente puedes resolverlo con el mapa "Detallado". Pero lo inverso no es cierto. A veces, el mapa "Detallado" te permite resolver un rompecabezas que el mapa "Difuminado" hace imposible.

2. Resolver el Rompecabezas (Recuperar la Distribución Conjunta)
El artículo proporciona un conjunto específico de reglas (una lista de verificación) para ver si puedes reconstruir la imagen completa a partir de los datos faltantes.

La Regla: Puedes recuperar la imagen completa si los letreros de "Faltante" no tienen una conexión directa y sigilosa con los datos que supuestamente deberían estar ocultando.
Analogía: Imagina a un detective tratando de encontrar un reloj robado. Si el ladrón (el mecanismo de datos faltantes) está parado justo al lado del reloj y susurrando secretos a este, el detective no puede averiguar qué sucedió. Pero si el ladrón está en una habitación diferente y el único camino entre ellos está bloqueado por un "colisionador" (una tercera persona que bloquea el camino), el detective aún puede resolver el caso. El artículo dice: siempre que los letreros de "Faltante" no estén susurrando directamente a los datos ni conectados por un tipo específico de camino secreto, puedes reconstruir la historia completa.

3. Averiguar Causa y Efecto (Efectos Causales Macro)
Los autores también examinaron si podemos deducir causa y efecto (por ejemplo, "¿Cambiar el comportamiento X causa un cambio en el resultado Y?") incluso cuando faltan datos.

La Sorpresa: No siempre necesitas reconstruir todo el rompecabezas para saber cómo una pieza afecta a otra.
Analogía: Podrías no poder reconstruir la imagen completa del rompecabezas de la ciudad, pero aún podrías poder probar que "Los atascos de tráfico causan llegadas tardías" observando solo las piezas de tráfico y reloj.
El artículo muestra que incluso si el mapa "Difuminado" hace imposible conocer el estado completo del sistema, aún podría ser posible deducir relaciones específicas de causa y efecto usando un conjunto de reglas lógicas (llamadas "cálculo do").

¿Por Qué Esto Importa?

En el mundo real, los científicos a menudo no tienen datos perfectos. Podrían saber que la "Salud Mental" y el "Comportamiento Sexual" están relacionados, pero no conocen la relación exacta entre cada pregunta individual de la encuesta.

Este artículo nos dice:

Está bien agrupar datos en clústeres si es necesario, pero debemos tener cuidado.
Si agrupamos demasiado (usando el mapa "Difuminado"), podríamos perder la capacidad de responder ciertas preguntas.
Sin embargo, incluso con un mapa difuminado, a menudo aún podemos responder importantes preguntas de "¿Qué pasaría si?" sobre causa y efecto, siempre que sigamos los pasos lógicos correctos.

En resumen, el artículo proporciona un conjunto de herramientas para que los científicos sepan exactamente cuánto detalle necesitan recopilar. Si tienen un mapa "Difuminado", ahora saben qué preguntas aún pueden responder y cuáles requieren que vuelvan y obtengan un mapa "Detallado".

Resumen Técnico: Datos Faltantes y Gráficos de Clústeres

Enunciado del Problema
Los datos faltantes representan un desafío omnipresente en dominios científicos como la salud pública, la ciencia ambiental y las ciencias sociales. Si bien la teoría clásica de datos faltantes (por ejemplo, Rubin [1976], Mohan et al. [2013]) proporciona marcos rigurosos para la recuperabilidad utilizando modelos de falta especificados a nivel de variable completamente definidos (específicamente m-ADMG), muchas aplicaciones modernas carecen del conocimiento granular necesario para especificar estos modelos. En la práctica, las variables a menudo se agrupan en clústeres debido a conocimientos limitados, requisitos de interpretabilidad o la disponibilidad únicamente de información estructural agregada. Por ejemplo, en estudios de riesgo de VIH, el "comportamiento sexual" puede tratarse como un clúster de medidas (por ejemplo, uso de preservativos, número de parejas) donde las relaciones internas no están especificadas. Los métodos existentes luchan por abordar la recuperabilidad cuando solo están disponibles estas representaciones abstractas a nivel de clúster de los mecanismos de falta.

Metodología
Los autores introducen dos clases de gráficos de falta abstractos diseñados para operar a nivel de clúster manteniendo la compatibilidad con los modelos causales estructurales subyacentes a nivel de variable:

m-C-DMG (m-C-DMG de falta): Esta abstracción retiene los indicadores de falta específicos de variable ( $R_X$ ) para cada variable dentro de un clúster, pero representa las relaciones causales entre variables a nivel de clúster. Preserva la distinción entre los mecanismos de falta de las variables individuales dentro del mismo clúster.
cm-C-DMG (m-C-DMG de falta agrupada): Esta es una abstracción más gruesa donde todos los indicadores de falta a nivel de variable dentro de un clúster específico se fusionan en un único vértice de falta a nivel de clúster ( $R_C$ ). Esta representación agrega los mecanismos de falta, perdiendo la distinción entre las causas de falta de variables específicas.

El artículo formaliza el concepto de compatibilidad entre estos gráficos abstractos y el conjunto de m-ADMG a nivel de variable subyacentes. Una consulta se define como recuperable en un gráfico abstracto si puede estimarse consistentemente para cada m-ADMG a nivel de variable compatible con ese gráfico abstracto. Los autores utilizan herramientas de inferencia causal, incluyendo d-separación, gráficos mutilados y el cálculo do, adaptadas para estos gráficos basados en clústeres (que pueden contener ciclos, a diferencia de los ADMG estándar).

Contribuciones y Resultados Clave

Jerarquía de Abstracción y Recuperabilidad: Los autores establecen una relación de inclusión estricta entre las clases de compatibilidad de los dos gráficos. La clase de compatibilidad de un m-C-DMG es un subconjunto de la de su cm-C-DMG correspondiente. En consecuencia, si una consulta es recuperable a partir de un cm-C-DMG, es necesariamente recuperable a partir del m-C-DMG correspondiente. Sin embargo, lo contrario no se cumple; el cm-C-DMG puede suprimir distinciones específicas de variables esenciales para la recuperación, haciendo que algunas consultas no sean recuperables a nivel de clúster incluso si son recuperables a nivel de variable.
Recuperabilidad de Distribuciones Conjuntas: El artículo proporciona condiciones gráficas necesarias y suficientes para recuperar la distribución conjunta de clústeres ($Pr(C)$) tanto de m-C-DMG como de cm-C-DMG. La condición requiere que, para cualquier clúster parcialmente observado $C_X$ , $C_X$ y su indicador de falta asociado $R_X$ no sean vecinos, y que no exista un camino entre ellos donde todos los vértices intermedios sean colisionadores que pertenezcan al conjunto de clústeres observados parcial o totalmente. Este resultado extiende los criterios de recuperabilidad de Mohan y Pearl [2014] a gráficos de clústeres, demostrando que la aciclicidad no es esencial para este tipo específico de recuperabilidad.
Recuperabilidad de Efectos Causales Macro: Los autores derivan condiciones para recuperar efectos causales macro (por ejemplo, el efecto de un clúster $C_X$ sobre un clúster $C_Y$ ) utilizando el cálculo do adaptado para gráficos de clústeres. Demuestran mediante ejemplos que la recuperabilidad de un efecto causal macro no depende estrictamente de la recuperabilidad de la distribución conjunta completa. Un efecto causal puede ser identificable incluso cuando la distribución conjunta no lo es, siempre que condiciones específicas de d-separación en gráficos mutilados permitan la eliminación de operadores do e indicadores de falta.

Significado y Afirmaciones
El artículo afirma contribuir a la comprensión teórica de los problemas de datos faltantes bajo abstracción estructural. Su significado principal radica en aclarar cuándo la información de falta a nivel de clúster es suficiente para una inferencia válida y cuándo es necesario un modelado más granular. Al formalizar la compensación entre la simplicidad de las representaciones abstractas y la pérdida de información sobre los mecanismos de falta específicos, el trabajo proporciona una forma principista de analizar escenarios donde solo se dispone de conocimiento estructural grueso.

Los autores señalan que sus resultados son conservadores: una consulta considerada no recuperable a partir de un gráfico abstracto podría seguir siendo recuperable en gráficos específicos a nivel de variable compatibles. Además, la utilidad del cm-C-DMG depende de si la agrupación elegida preserva la información de falta relevante para la consulta objetivo. El artículo concluye identificando preguntas abiertas, incluida la completitud de las condiciones derivadas para efectos causales macro y el desarrollo de algoritmos directos para la recuperabilidad en estos gráficos abstractos.

Los Dos Tipos de Mapas

El Gran Descubrimiento: ¿Qué Aún Podemos Aprender?

¿Por Qué Esto Importa?

Resumen Técnico: Datos Faltantes y Gráficos de Clústeres

Más como este