Modifying causal models to distinguish between transient and lasting causal effects

Resumen Técnico: Modificación de Modelos Causales para Distinguir entre Efectos Causales Transitorios y Duraderos

Enunciado del Problema
Los marcos actuales de inferencia causal, basados principalmente en resultados potenciales y Grafos Acíclicos Dirigidos (DAG) causales, enfrentan limitaciones significativas al aplicarse a sistemas con dinámicas temporales complejas. Si bien estos métodos analizan con éxito datos transversales y longitudinales, tienen dificultades para distinguir entre intervenciones que causan cambios transitorios (donde el sistema finalmente retorna a su equilibrio de línea base) y aquellas que inducen cambios duraderos en la dinámica del sistema.

En los modelos causales estándar, las variables representan mediciones en puntos de tiempo específicos. En consecuencia, los efectos causales se definen en relación con el momento de estas mediciones. Si una intervención altera temporalmente una variable de estado (por ejemplo, el volumen tumoral) pero las ecuaciones diferenciales subyacentes del sistema permanecen sin cambios, el sistema eventualmente retornará a su trayectoria de equilibrio original, simplemente desplazada en el tiempo. Las definiciones estándar del efecto nulo ($E[Y(1) - Y(0)] \neq 0$) no logran diferenciar entre una perturbación temporal de un estado y una modificación fundamental de los parámetros causales del sistema. Esta limitación es crítica en campos como la investigación en salud, donde distinguir entre un tratamiento que reduce temporalmente el tamaño del tumor y uno que altera los mecanismos biológicos del crecimiento tumoral es esencial.

Metodología
Los autores proponen un cambio de un enfoque basado en "mediciones" a un enfoque basado en "sistema y estado". La metodología implica:

1. Modelado Causal Dinámico: Utilizar sistemas de ecuaciones diferenciales ordinarias (EDO) para representar la dinámica del sistema, en lugar de solo variables de puntos de tiempo discretos. El artículo utiliza un modelo de competencia de Lotka-Volterra para el crecimiento tumoral como ejemplo motivador, donde los volúmenes celulares ($V_{target}$ y $V_{proxy}$) evolucionan según tasas de crecimiento ($r$), capacidades de carga ($K$) y parámetros de interacción ($\gamma$).
2. Diferenciación de Intervenciones: El marco distingue entre dos tipos de intervenciones:
   • Intervenciones sobre Estados: Intervenciones que alteran el valor de una variable endógena (un nodo en el DAG causal) en un momento específico. Estas desplazan la trayectoria del sistema pero no cambian las ecuaciones diferenciales subyacentes. El sistema puede alcanzar el mismo equilibrio en un momento diferente o un equilibrio diferente alcanzable bajo la dinámica original.
   • Intervenciones sobre Dinámicas: Intervenciones que alteran los parámetros exógenos del sistema (por ejemplo, $K$, $\gamma$ o $r$). Estos cambios modifican las relaciones causales y las ecuaciones que rigen el sistema, dando lugar a trayectorias que eran imposibles bajo la dinámica original.
3. Redefinición del Efecto Nulo: El artículo propone una definición novedosa del efecto causal nulo para sistemas dinámicos. Un efecto causal se considera "nulo en la dinámica" si la trayectoria post-intervención puede mapearse a una trayectoria pre-intervención desplazando el tiempo inicial o el estado inicial, sin alterar las ecuaciones gobernantes del sistema. Por el contrario, un "efecto dinámico no nulo" existe solo si la intervención cambia los parámetros del sistema, creando trayectorias que no podrían haber sido generadas por la dinámica original independientemente de las condiciones iniciales.
4. Representación en Gráficos Causales: Los autores utilizan gráficos causales dinámicos (incorporando derivadas y parámetros) para visualizar estas distinciones. Las intervenciones en nodos de estado (nodos rojos) afectan la trayectoria pero no la estructura del gráfico, mientras que las intervenciones en nodos de parámetros (nodos azules) alteran la dinámica del sistema.

Contribuciones y Resultados Clave

• Limitación de los DAG Estándar: El artículo demuestra que los DAG causales estándar, cuando se aplican a sistemas que varían en el tiempo, pueden violar la condición de Fidelidad Causal. Si una intervención causa un efecto transitorio que eventualmente cesa (retornando el sistema al equilibrio), la variable se vuelve probabilísticamente independiente de la intervención después de cierto tiempo, lo que lleva a los algoritmos de descubrimiento estándar a inferir incorrectamente que no existe relación causal.
• Distinción Formal de Efectos: Los autores proporcionan un mecanismo formal para distinguir entre:
  1. Efectos Transitorios: Intervenciones sobre valores de estado que resultan en que el sistema alcance el mismo equilibrio más tarde o más temprano, o un equilibrio diferente alcanzable bajo la dinámica original.
  2. Efectos Duraderos (Dinámicos): Intervenciones sobre parámetros del sistema que alteran fundamentalmente el comportamiento del sistema y las posibilidades de equilibrio.
• Identificación de Parámetros Causales: El artículo argumenta que identificar los verdaderos efectos causales sobre la dinámica del sistema requiere apuntar a variables exógenas (parámetros) en lugar de estados endógenos. Sintetiza ideas de los DAG causales principales (Pearl, 2009), modelos causales dinámicos (Blom y Mooij, 2023; Weinberger, 2023) y el ordenamiento causal en el equilibrio (Iwasaki y Simon, 1994).
• Implicaciones para el Diseño de Estudios: Se demuestra que la selección de puntos de tiempo para la medición es crítica. Si las mediciones se toman solo después de que el sistema ha retornado al equilibrio tras una intervención basada en estados, el efecto causal puede identificarse erróneamente como nulo. El marco propuesto aclara que, para detectar efectos dinámicos, se debe medir la trayectoria del sistema o apuntar a los parámetros del sistema.

Significado y Afirmaciones
El artículo afirma ofrecer una nueva estructura para mejorar la especificidad de las intervenciones, el diseño de estudios y la recolección de datos en sistemas dinámicos. Al redefinir el efecto nulo para tener en cuenta la dinámica del sistema, los autores buscan permitir que los investigadores diferencien formalmente entre intervenciones que simplemente desplazan el estado de un sistema y aquellas que cambian los mecanismos causales subyacentes del sistema.

Los autores declaran explícitamente que el artículo se centra en el problema de identificación causal en lugar de la estimación de estos efectos a partir de datos observados. Reconocen que, aunque su enfoque aclara qué constituye un efecto causal sobre la dinámica, estimar estos efectos (por ejemplo, mediante registro funcional o G-computación) presenta desafíos significativos, particularmente con datos irregulares o infrecuentes. El trabajo se presenta como un marco teórico para guiar la investigación futura en la distinción entre efectos causales transitorios y duraderos en estudios observacionales y experimentales que involucran sistemas que varían en el tiempo.