Resumen Técnico: Identificación Parcial bajo Resultados Potenciales y Confusores de Alta Dimensión mediante Transporte Óptimo

1. Planteamiento del Problema

El artículo aborda el desafío de la identificación parcial (PI) en la inferencia causal cuando tanto los resultados potenciales como los confusores son de alta dimensión. En muchos entornos causales, la identificación puntual es imposible porque la distribución conjunta de los resultados potenciales no está determinada por los datos observados. Aunque los covariables pre-tratamiento pueden estrechar el conjunto de efectos causales factibles (el conjunto de PI), los métodos existentes basados en Transporte Óptimo (OT) luchan contra la maldición de la dimensionalidad, lo que conduce a estimaciones estadísticamente inestables y tasas de convergencia desfavorables.

Específicamente, los límites clásicos basados en OT sufren de la maldición de la dimensionalidad, lo que genera estimaciones estadísticamente inestables y tasas de convergencia desfavorables. Los marcos de PI asistidos por covariables existentes suelen enfrentar un compromiso (trade-off):

1. La estratificación gruesa conduce a límites excesivamente conservadores.
2. La estimación directa de plug-in de las distancias de Wasserstein condicionales es computacionalmente prohibitiva y estadísticamente frágil.
3. Los métodos de solo proyección (por ejemplo, Búsqueda de Proyección de Wasserstein) descartan la información residual, produciendo límites inferiores sistemáticamente laxos cuando existe una discrepancia de transporte no despreciable en el complemento ortogonal del subespacio proyectado.

El problema central es la construcción de una cantidad de transporte adaptativa a la dimensión y estadísticamente estable que sirva como un límite inferior válido para la distancia de Wasserstein cuadrática en altas dimensiones sin sacrificar la validez teórica.

2. Metodología: Segmentación de Subespacios Condicionados (CSS)

Los autores proponen un nuevo estimador llamado certificado de Segmentación de Subespacios Condicionados (CSS). Este enfoque descompone el problema de transporte en dos componentes: un subespacio de señal de baja dimensión y un subespacio residual de alta dimensión.

2.1 El Objetivo CSS

Para un subespacio candidato de dimensión $r$, $V$, y su complemento ortogonal $V^\perp$, el objetivo CSS $L(V)$ se define como:
$$L(V) = W_2^2(\mu_V, \nu_V) + k \cdot SW_2^2(\mu_{V^\perp}, \nu_{V^\perp})$$
donde:

• $W_2^2(\mu_V, \nu_V)$ es la distancia de Wasserstein cuadrática al cuadrado sobre el subespacio de señal proyectado $V$.
• $SW_2^2(\mu_{V^\perp}, \nu_{V^\perp})$ es la distancia de Wasserstein segmentada (Sliced Wasserstein) sobre el subespacio residual $V^\perp$.
• $k = d - r$ es un factor de escala (dimensión del espacio residual).

2.2 Justificación Teórica

• Validez: El Teorema 3.1 demuestra que $L(V)$ es un límite inferior válido para la verdadera distancia de Wasserstein al cuadrado $W_2^2(\mu, \nu)$. La escala por $k$ es crucial; sin ella, el término segmentado decae como $d^{-1}$ y se vuelve vacuo. Con la escala, proporciona una recuperación certificada de la energía de transporte residual.
• Estrechez (Tightness): Bajo un Modelo de Transporte con Picos Extendidos (ESTM), donde la energía de transporte se concentra en un subespacio de señal de baja dimensión y el residual es aproximadamente isotrópico, el límite CSS es casi exacto (near-tight). La brecha entre la distancia real y el límite está gobernada por un único déficit de anisotropía residual.
• Estabilidad del Subespacio: El Teorema 3.6 demuestra que, bajo el ESTM, el subespacio que maximiza el objetivo CSS permanece cerca del verdadero subespacio de señal (identificado por los autovalores de la señal), siempre que exista un brecha (eigengap) suficiente entre los componentes de la señal y el residual.

2.3 Algoritmo de Estimación

El estimador de plug-in propuesto (Algoritmo 1) sigue una estrategia de dos etapas:

1. Recuperación de la Señal: Utilizar la Búsqueda de Proyección de Wasserstein (WPP) para encontrar el subespacio óptimo de dimensión $r$, $\hat{U}$, que maximice la distancia de Wasserstein proyectada.
2. Recuperación del Residual: Calcular la distancia de Wasserstein segmentada en el complemento ortogonal $\hat{U}^\perp$ mediante el muestreo de Monte Carlo de proyecciones aleatorias unidimensionales.
3. Agregación: Combinar el término de la señal y el término residual escalado para formar el límite inferior final.

3. Principales Contribuciones

El artículo realiza tres contribuciones primarias:

1. Un Límite Inferior Certificado: Introduce el límite inferior CSS para distancias de Wasserstein cuadráticas, que sirve como una región de identificación parcial adaptativa a la dimensión. Proporciona límites inferiores de transporte condicionales y no condicionales certificados en altas dimensiones.
2. Teoría Estructural: Formaliza el Modelo de Transporte con Picos Extendidos (ESTM), bajo el cual el límite CSS es casi exacto y el subespacio óptimo es identificado por WPP. Establece que la brecha de aproximación está controlada por la anisotropía del transporte residual.
3. Garantías de Muestra Finita: Proporciona límites de error no asintóticos para el estimador CSS. Estos límites escalan con la dimensión intrínseca (rango de la señal) en lugar de la dimensión ambiental, asegurando la tractabilidad estadística. El análisis de error separa la tasa de dimensión intrínseca del término de la señal de la tasa paramétrica del término segmentado residual.

4. Resultados Experimentales

Los autores evalúan el estimador CSS frente a las líneas base de WPP (solo proyección) y Full Sliced Wasserstein (promedio sobre todo el espacio ambiental).

• Datos Sintéticos:

  • En un entorno de pushforward Gaussiano ($d=30$, rango de señal $r=5$), el estimador CSS se mantiene consistentemente más cerca de la verdad de campo $W_2^2$ que WPP.
  • WPP subestima la distancia al descartar la energía residual, mientras que la línea base Full Sliced la subestima debido al promedio sobre direcciones aleatorias en todo el espacio.
  • CSS recupera con éxito la energía de transporte "perdida" mediante el término segmentado escalado, incluso a medida que aumenta el parámetro de anisotropía residual.
  • El análisis de muestra finita muestra que el error de recuperación del subespacio disminuye consistentemente con el tamaño de la muestra $n$, demostando estabilidad.

• Datos Reales (Conjunto de Datos RHC):

  • Aplicado a un conjunto de datos de cateterismo cardíico derecho con un vector de resultados de 27 dimensiones.
  • CSS produce certificados inferiores mantenidos (held-out) más altos (más informativos) que WPP a través de varias dimensiones de subespacio.
  • La brecha entre CSS y WPP es más pronunciada en dimensiones menores, donde más variación de los resultados permanece en el complemento ortogonal.
  • Ambos métodos superan a la línea base de la distancia de Wasserstein segmentada escalada completa, resaltando la importancia de aprender un subespacio de señal adaptativo a la tarea.

5. Significado y Reivindicaciones

El artículo afirma proporcionar una primitiva geométrica modular y adaptativa a la dimensión que puede integrarse en los marcos existentes de identificación parcial asistida por covariables.

• Complementariedad: El trabajo es complementario a la investigación previa sobre PI basada en OT (por ejemplo, Ji et al., 2024; Lin et al., 2025). Mientras que los trabajos anteriores se centran en la robustez inferencial, la firmeza de la relajación y la consistencia topológica, este artículo aborda el cuello de botella estadístico de la estimación de transporte en alta dimensión.
• "Almuerzo Gratis" (Free Lunch): Los autores caracterizan el método como un "almuerzo gratis" principista: reemplaza un problema de transporte de alta dimensión por una combinación de OT de baja dimensión y cálculos segmentados económicos. Bajo condiciones leves (isotropía residual), esto recupera la energía de transporte completa sin relajar el límite.
• Robustez: El método ofrece una alternativa robusta a las estrategias de solo proyección, que descartan sistemáticamente la información residual, y a la estimación directa de alta dimensión, que es estadísticamente inestable.

El artículo concluye que el estimador CSS cierra efectivamente la brecha poblacional a la escala de la señal con un gasto mínimo de muestra finita, ofreciendo una primitiva robusta para la inferencia causal de alta dimensión donde la identificación puntual es inalcanzable.