Identifying Structural Biases from Causal Mechanism Shifts

Planteamiento del Problema
Los métodos tradicionales de descubrimiento causal dependen de dos supuestos fuertes: la suficiencia causal (todas las variables relevantes están medidas) y datos independientes e idénticamente distribuidos (i.i.d.). En la práctica, estos supuestos se violan frecuentemente debido a la confusión no medida y al sesgo de selección, lo que conduce a dependencias espurias e inferencias causales inexactas. Si bien los métodos existentes pueden, en ocasiones, detectar confusión latente o selección bajo condiciones específicas, distinguir entre ambos —particularmente cuando los datos no son i.i.d. y se recolectan en múltiples entornos— sigue siendo un desafío significativo. Este artículo aborda el problema de identificar sesgos estructurales (confusión oculta y sesgo de selección) a partir de los cambios en los mecanismos causales observados a través de diferentes contextos.

Metodología
Los autores proponen un marco teórico y un algoritmo práctico, STRUBI (Structural Bias Identification - Identificación de Sesgo Estructural), para detectar y clasificar sesgos estructurales analizando cómo cambian los mecanismos causales a través de los entornos.

1. Fundamento Teórico:

   • El artículo distingue entre cambios de mecanismo intrínseco (cambios en el verdadero proceso generador de datos de una variable) y cambios de mecanismo observado (cambios en la distribución condicional de las variables observadas).
   • Idea Clave: Los sesgos estructurales inducen cambios de mecanismo dependientes, mientras que los sistemas sin sesgo exhiben cambios independientes.
     • Confusión Oculta: Un cambio intrínseco en un confuso latente $Z$ causa cambios observados en sus hijos ($X, Y$), pero no afecta necesariamente a sus ancestros u otras variables no relacionadas.
     • Sesgo de Selección: Un cambio intrínseco en una variable de selección latente (colisionador) $S$ causa cambios observados en todos sus ancestros ($X, Y, W$).
   • Cobertura Ancestral: Los autores definen la "cobertura ancestral" ($cov(A)$) como la relación entre un conjunto de variables $A$ y su conjunto de ancestros. Demuestran que, bajo cambios de mecanismo dispersos, los conjuntos de variables afectados por el sesgo de selección tendrán una cobertura ancestral de 1 (cerrados ancestralmente), mientras que los conjuntos afectados por la confusión típicamente tendrán una cobertura significativamente menor a 1.

2. El Algoritmo STRUBI:

   • Entrada: Datos observados a través de múltiples contextos, un grafo causal observado $G$ y umbrales.
   • Paso 1 (Detección de Cambios): Para cada variable observada, el algoritmo realiza pruebas de independencia condicional (usando la prueba KCI) entre contextos para detectar si el mecanismo local $P(X_i | pa(X_i))$ ha cambiado. Esto particiona los contextos en bloques de invarianza de mecanismo.
   • Paso 2 (Identificación de Dependencia): El algoritmo calcula la Información Mutua Ajustada (AMI) entre los patrones de partición de diferentes variables. Las variables con una AMI alta se agrupan en componentes conectados, lo que indica que comparten una causa latente (ya sea un confuso o una variable de selección).
   • Paso 3 (Clasificación): Para cada subconjunto identificado, el algoritmo calcula la cobertura ancestral en el grafo causal proporcionado.
     • Si la cobertura $\ge$ umbral $\tau_2$, el subconjunto se clasifica como sujeto a Sesgo de Selección.
     • Si la cobertura $<$ umbral $\tau_2$, el subconjunto se clasifica como sujeto a Confusión Oculta.
     • Los subconjuntos con baja AMI se clasifican como Sin Sesgo.

Contribuciones Clave

• Identificación de Sesgos Estructurales: El artículo proporciona una prueba formal de que los sesgos estructurales pueden identificarse a partir de datos no i.i.d. observando cambios de mecanismo dependientes, específicamente aprovechando la diferencia topológica entre la confusión (que afecta a los hijos) y la selección (que afecta a los ancestros).
• Enfoque No Paramétrico: A diferencia de trabajos previos que a menudo requieren supuestos paramétricos (por ejemplo, modelos gaussianos lineales) o estructuras de datos específicas (por ejemplo, datos secuenciales), STRUBI es no paramétrico y aplicable a mecanismos causales generales.
• El Algoritmo STRUBI: Un método práctico y empíricamente testeable que integra la detección de cambios de mecanismo, el análisis de información mutua y la topología de grafos para clasificar sesgos y recuperar los conjuntos de variables afectadas.
• Robustez al Error de Grafo: El método demuestra robustez incluso cuando el grafo causal de entrada es inferido en lugar de conocido, desempeñándose de manera comparable al usar el grafo de verdad fundamental (ground truth).

Resultados Experimentales
Los autores evalúan STRUBI en conjuntos de datos sintéticos y del mundo real:

• Datos Sintéticos: Experimentos en grafos de Erdős-Rényi con diversos tamaños muestran que STRUBI supera significativamente a los modelos base del estado del arte (incluyendo variantes de FCI, CoCo y métodos de selección latente) en tres tareas: detectar la presencia de variables latentes, recuperar el conjunto de variables afectadas y clasificar el tipo de sesgo (confusión vs. selección). STRUBI logra altos puntajes F1 incluso cuando el grafo causal es aprendido (usando TOPIC) en lugar de ser proporcionado como verdad fundamental.
• Datos del Mundo Real (Señalización Celular): Un estudio de caso sobre el conjunto de datos de citometría de flujo de Sachs et al. demuestra la aplicabilidad de STRUBI a sistemas biológicos complejos. Cuando se inhibió PKC para simular confusión o sesgo de selección, STRUBI identificó correctamente el tipo de sesgo y recuperó la mayoría de los nodos afectados (ancestros en el caso de selección, hijos en el caso de confusión), superando a competidores como CoCo y JCI-FCI, que fallaron en recuperar con precisión los subconjuntos afectados en el escenario de sesgo de selección.

Significancia y Reivindicaciones
El artículo afirma que STRUBI ofrece un avance significativo en el descubrimiento causal al relajar los estrictos supuestos de i.i.d. y suficiencia causal. Al aprovechar las firmas topológicas distintivas de los cambios de mecanismo dependientes, el método puede distinguir entre confusión oculta y sesgo de selección sin requerir modelos paramétricos. Los autores enfatizan que su enfoque funciona bien en la práctica, recuperando con precisión los conjuntos de variables afectadas y los tipos de sesgo, y superando a los métodos existentes por un margen amplio. Reconocen limitaciones, señalando que el método asume la condición de Markov y la fidelidad (faithfulness), y requiere tamaños de muestra suficientes por contexto y un número suficiente de contextos para detectar cambios de manera confiable. Sin embargo, los resultados sugieren que STRUBI es una herramienta robusta para identificar sesgos estructurales en entornos del mundo real que no son i.i.d.