📊 statistics

Bounding Causal Effects for Ordinal Outcomes Under Positive Dependence

Este artículo aborda el desafío de estimar efectos causales para resultados ordinales al demostrar que los supuestos estándar de dependencia positiva son insuficientes para justificar límites basados en la independencia más estrechos, lo que lleva a los autores a proponer una nueva condición más fuerte llamada dominancia de cola diagonal (DTD) y a derivar límites locales mejorados que son validados mediante análisis teórico, simulaciones y una aplicación en un ensayo clínico.

Autores originales: Micha Mandel, Daniel Rodan

Publicado 2026-06-16

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Micha Mandel, Daniel Rodan

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 tratando de decidir si un nuevo medicamento funciona mejor que un placebo. En muchos estudios médicos, los resultados no son simples números de "sí" o "no". En su lugar, son resultados ordinales—categorías ordenadas como "Terrible", "Pobre", "Regular", "Bueno" y "Excelente".

El problema es que, aunque sabemos que "Excelente" es mejor que "Bueno", no sabemos cuánto mejor. ¿Es la brecha entre "Regular" y "Bueno" la misma que la de "Bueno" y "Excelente"? No lo sabemos. Debido a esto, las herramientas matemáticas estándar (como calcular un promedio de mejora) fallan. No puedes simplemente promediar "Terrible" y "Excelente" para obtener un número significativo.

Este artículo aborda un desafío específico: ¿Cómo podemos demostrar que un tratamiento ayuda, sin inventar números arbitrarios o asumir que sabemos exactamente cómo están vinculados los resultados de los pacientes?

Aquí está la historia del artículo, desglosada con analogías sencillas.

1. El problema de la "Caja Negra"

Imagina que tienes dos grupos de personas.

Grupo A recibe el nuevo tratamiento.
Grupo B recibe la atención estándar.

Puedes ver qué le pasó al Grupo A y qué le pasó al Grupo B. Pero no puedes ver al "gemelo secreto" de cada persona. No sabes qué le habría pasado a una persona específica del Grupo A si hubiera estado en el Grupo B en su lugar.

En estadística, llamamos a esto la Distribución Conjunta. Es una cuadrícula gigante (o matriz) que muestra todas las combinaciones posibles de resultados.

Superior Izquierda: Personas que habrían sido "Terribles" con el tratamiento Y "Terribles" con el control.
Inferior Derecha: Personas que habrían sido "Excelentes" con el tratamiento Y "Excelentes" con el control.
La Diagonal: Personas que habrían sido "Buenas" en ambos mundos.

El inconveniente: Solo podemos ver los márgenes de esta cuadrícula (los totales para el Grupo A y los totales para el Grupo B). El interior de la cuadrícula es una caja negra. No sabemos cómo se alinean las filas y las columnas.

2. La suposición del "Peor Escenario" (Límites Libres de Modelo)

Dado que no podemos ver el interior de la caja, los estadísticos suelen dibujar una "cerca de seguridad" alrededor de la verdad. Calculan el rango más amplio posible donde la verdad podría esconderse, asumiendo que cualquier cosa podría estar sucediendo dentro de la caja.

El artículo muestra que estas cercas de seguridad suelen ser enormes. Es como intentar adivinar la temperatura dentro de una casa mirando solo el exterior. Podrías decir: "Está entre -20 °F y 100 °F". Eso es técnicamente cierto, pero no te ayuda a decidir si usar un abrigo.

3. La "Suposición Mágica" (Independencia)

Para hacer la cerca más estrecha, los investigadores suelen intentar hacer una suposición sobre cómo está organizado el interior de la caja. Una suposición común es la Independencia.

La Analogía: Imagina barajar dos mazos de cartas (uno para el Tratamiento, uno para el Control) y repartirlos. Si los mazos son verdaderamente independientes, sacar un "Rey" en el mazo de Tratamiento no tiene nada que ver con sacar un "Rey" en el mazo de Control.

Si asumimos que los mazos están barajados de forma independiente, podemos calcular un número mucho más estrecho y útil. Por ejemplo, podríamos decir: "Al menos el 50% de las personas mejoró".

El Gran Descubrimiento del Artículo:
Los autores se preguntaron: "¿Es seguro usar esta matemática de 'barajar los mazos' (independencia) si creemos que el tratamiento es útil?"

Probaron esto contra las reglas estándar de "Dependencia Positiva" (la idea de que si te va bien en un escenario, es probable que también te vaya bien en el otro).

El Resultado: Descubrieron que incluso las reglas fuertes y estándar de "mejorar juntos" NO son suficientes para garantizar que la matemática del "mazo barajado" sea correcta.
La Metáfora: Imagina que tienes dos amigos, Alice y Bob. Sabes que ambos son personas generalmente felices (Dependencia Positiva). Pero eso no significa que su felicidad esté perfectamente sincronizada de una manera que te permita usar la matemática de la "independencia". A veces, la matemática dice "Alice es feliz el 60% del tiempo", pero la realidad es que ella es feliz el 40% del tiempo. La suposición "independiente" fue demasiado optimista.

4. La Nueva Regla de la "Cola de la Diagonal"

Dado que las reglas antiguas no funcionaron, los autores inventaron una nueva regla más estricta llamada Dominancia de la Cola de la Diagonal (DTD, por sus siglas en inglés).

La Analogía:
Imagina la cuadrícula de resultados de nuevo. La "Diagonal" es donde una persona obtiene exactamente el mismo rango en ambos mundos (por ejemplo, "Regular" en ambos).

La DTD dice: Si una persona está en un rango específico (digamos, "Regular") en el mundo de Control, debe estar estrictamente mejor (o al menos tan bien como) en el mundo de Tratamiento con más frecuencia de lo que sucedería si los mazos se hubieran barajado al azar.

Es una condición muy específica y fuerte. Es como decir: "Si estás en el escalón 3 de la escalera sin la medicina, la medicina garantiza que es más probable que estés en el escalón 4 o superior que si solo estuvieras adivinando".

El Veredicto:

Si esta nueva regla se cumple, la matemática del "mazo barajado" es segura y proporciona un límite inferior estrecho y útil.
Sin embargo, los autores admiten que esta regla es muy fuerte. Podría no ser cierta en muchas situaciones del mundo real. Es como requerir una alineación perfecta de las estrellas para que una predicción funcione.

5. El Compromiso "Local"

Dado que la regla "Global" (DTD) es demasiado estricta, los autores propusieron una versión Local.

La Analogía:
En lugar de exigir que la regla funcione para cada uno de los escalones de la escalera, solo exigimos que funcione para los escalones superiores (los mejores resultados).

Tal vez no podamos estar seguros de si la medicina ayuda a las personas que están "Terribles" (Escalón 1).
Pero sí podemos estar razonablemente seguros de que si alguien es "Bueno" (Escalón 4), la medicina lo hace "Excelente" (Escalón 5) con más frecuencia de lo que el azar lo haría.

Al aplicar la matemática solo a estas "zonas seguras" (la cola local), pueden obtener una respuesta más estrecha y útil que la enorme "cerca del peor escenario", sin necesidad de la imposible regla global.

6. La Prueba del Mundo Real (Ensayo de Ictus)

Los autores probaron esto con datos reales de un ensayo de ictus (accidente cerebrovascular).

La Forma Antigua (Sin suposiciones): La respuesta fue "Entre el 15% y el 79% de las personas mejoraron". (Inútil).
La Forma del "Mazo Barajado" (Asumiendo Independencia): La respuesta fue "Al menos el 48% mejoró". (Mejor, pero arriesgado si la suposición es errónea).
La Nueva Forma "Local": Al aplicar su nueva regla solo a los mejores resultados, encontraron un límite inferior seguro del 22%.

Esto es una victoria. No es tan alto como la suposición arriesgada del "48%", pero es mucho mejor que el escenario del peor caso del "15%" que resulta inútil. Les da a los médicos un número concreto y defendible para decir: "Estamos seguros de que al menos el 22% de los pacientes se benefició".

Resumen

Este artículo es una advertencia para los estadísticos y una guía para los investigadores:

No confíe en las reglas estándar de "correlación positiva" para justificar el uso de una matemática de independencia simple para datos ordenados; a menudo fallan.
Necesitamos una nueva regla más estricta (Dominancia de la Cola de la Diagonal) para que esa matemática sea segura.
Si la regla estricta es demasiado difícil de creer, utilice una versión "Local" que solo se aplique a los mejores resultados para obtener una respuesta mejor que la del peor escenario.

El artículo proporciona las herramientas matemáticas para dibujar una cerca más estrecha y segura alrededor de la verdad, siempre que se esté dispuesto a aceptar condiciones específicas y bien definidas sobre cómo el tratamiento afecta a las "colas" (los extremos) de la distribución de los resultados.

Resumen Técnico: Acotación de Efectos Causales para Resultados Ordinales bajo Dependencia Positiva

Planteamiento del Problema
La inferencia causal para resultados ordinales presenta un desafío único debido a que los efectos promedio del tratamiento (ATE) estándar, definidos como $E\{Y(1) - Y(0)\}$ , carecen de definición clara cuando la escala del resultado no posee distancias métricas significativas. Si bien existen estimandos alternativos basados en la distribución conjunta de los resultados potenciales, tales como $\tau = P\{Y(1) \ge Y(0)\}$ (la probabilidad de no empeorar) y $\eta = P\{Y(1) > Y(0)\}$ (la probabilidad de beneficiarse), estos son generalmente no identificables a partir de datos observacionales o ensayos aleatorizados sin supuestos sobre la distribución conjunta. Los límites libres de modelo existentes, derivados únicamente de las distribuciones marginales, suelen ser demasiado amplios para ser prácticamente informativos. Trabajos previos sugirieron que asumir una dependencia positiva entre los resultados potenciales podría generar límites inferiores más estrechos basados en la independencia; sin embargo, las condiciones de dependencia específicas requeridas para garantizar la validez de estos límites no se establecieron con rigor.

Metodología
Los autores emplean un marco de resultados potenciales donde $(Y(0), Y(1))$ denota el par de resultados potenciales con una distribución conjunta $P$ y marginales conocidas $P_0$ y $P_1$ . La metodología procede a través de tres etapas principales:

Visualización Geométrica: El artículo utiliza representaciones matriciales coloreadas de la tabla de probabilidad conjunta para visualizar la relación entre los estimandos reales ( $\tau, \eta$ ) y sus límites libres de modelo. Este enfoque gráfico clarifica qué entradas de la distribución conjunta son capturadas por los límites y resalta la "brecha" causada por las probabilidades fuera de la diagonal no identificables.
Evaluación de la Dependencia Estándar: Los autores evalúan si las nociones estándar de dependencia positiva —específicamente la Dependencia de Cuadrante Positivo (PQD) y la Dependencia de Regresión Positiva (PRD)— son suficientes para justificar el uso de límites inferiores basados en la independencia ( $\tau_I, \eta_I$ ). A través de contraejemplos numéricos, demuestran que incluso formas fuertes de PRD no garantizan que $\tau_I \le \tau$ o $\eta_I \le \eta$ .
Introducción de Nuevas Condiciones de Dependencia: Para resolver la insuficiencia de las medidas de dependencia estándar, los autores proponen una nueva condición denominada Dominancia de Cola Diagonal (DTD). Definen:
- DTD de cola abierta (Open-tail DTD): $P(Y(1) > j \mid Y(0) = j) \ge P(Y(1) > j)$ para todo $j$ .
- DTD de cola cerrada (Closed-tail DTD): $P(Y(1) \ge j \mid Y(0) = j) \ge P(Y(1) \ge j)$ para todo $j$ .
  Ellos prueban que la DTD de cola abierta es suficiente para que $\eta_I$ sea un límite inferior válido para $\eta$ , y la DTD de cola cerrada es suficiente para que $\tau_I$ sea un límite inferior válido para $\tau$ .
DTD Local y Límites Mejorados: Reconociendo que la DTD global es una condición fuerte y potencialmente poco realista, los autores derivan versiones "locales" de estas condiciones. Muestran que si la DTD se cumple solo para un subconjunto del soporte (DTD local), se pueden construir límites inferiores mejorados que son más estrechos que los límites libres de modelo pero que no requieren la fuerte suposición global.

Contribuciones Clave y Resultados

Refutación de Supuestos Estándar: El artículo proporciona contraejemplos que demuestran que la PQD y la PRD son insuficientes para justificar el uso de límites basados en la independencia para efectos causales ordinales. Esto corrige una posible concepción errónea en la literatura respecto a la validez de estos límites bajo una dependencia positiva general.
Nuevas Condiciones Suficientes: Los autores introducen la Dominancia de Cola Diagonal (DTD) como una condición necesaria y suficiente (en el sentido de suficiencia para los límites) para garantizar que los límites basados en la independencia sean válidos. Aclaran que la DTD es distinta de y no está implicada por las medidas de correlación estándar como el tau de Kendall o la correlación de Spearman.
Límites Prácticos vía DTD Local: El artículo deriva límites inferiores mejorados (Ecuaciones 8 y 9) que aprovechan la DTD local. Estos límites permiten a los investigadores utilizar supuestos de independencia en partes específicas de la tabla de probabilidad donde la condición es plausible, obteniendo intervalos más estrechos que los límites libres de modelo sin requerir la fuerte suposición de DTD global.
Aplicación Empírica: La metodología se aplica a datos de un ensayo clínico sobre accidente cerebrovascular isquémico agudo. El análisis muestra que, mientras los límites libres de modelo para la proporción de pacientes que se benefician del tratamiento ( $\eta$ ) son amplios (0.155 a 0.790), asumir independencia produce un límite inferior mucho más agudo (0.486). Los autores argumentan que, aunque la DTD global es cuestionable para estos datos, la DTD local para los niveles de resultado más altos es plausible, lo que conduce a límites mejorados ( $\tilde{\eta} = 0.224$ ) que siguen siendo significativamente más estrechos que el límite inferior libre de modelo.

Significancia y Reivindicaciones
El artículo afirma proporcionar tanto una visión teórica como herramientas prácticas para la inferencia causal con resultados ordinales. Su principal significancia radica en clarificar la estructura de dependencia precisa requerida para estrechar los límites causales. Los autores enfatizan que, si bien las nociones de dependencia "débil" estándar son insuficientes, las condiciones de DTD propuestas ofrecen una justificación rigurosa para el uso de límites basados en la independencia. Sin embargo, mantienen una postura modesta, reconociendo que la DTD es una suposición fuerte que puede no cumplirse en muchos entornos y que no es contrastable únicamente con los datos. En consecuencia, el artículo aboga por el uso de la DTD local como un compromiso más plausible, ofreciendo límites mejorados que son menos restrictivos que los supuestos de independencia global pero aun así más fuertes que los límites libres de modelo. El trabajo también señala que estas técnicas se extienden naturalmente a resultados continuos y pueden adaptarse a entornos con confundidores mediante el cálculo de límites específicos por covariable.