Resumen Técnico: Balanced Twins (B-Twin)

Formulación del Problema

El artículo aborda el desafío de estimar el Efecto Promedio del Tratamiento en los Tratados (ATT, por sus siglas en inglés) a partir de datos de series temporales observacionales en presencia de confusión oculta y dinámicas no estacionarias.

En muchas aplicaciones del mundo real, como los programas de Respuesta a la Demanda (DR) en redes eléctricas o las intervenciones clínicas en unidades de cuidados intensivos (UCI), la asignación del tratamiento suele estar sesgada por factores no observados (por ejemplo, estilo de vida, restricciones financieras, gravedad de la enfermedad). Además, las intervenciones se adoptan frecuentemente en momentos escalonados entre individuos, y el proceso generador de datos (DGP) subyacente puede ser no estacionario, lo que significa que la relación entre los resultados previos y posteriores al tratamiento cambia con el tiempo independientemente del tratamiento.

Los métodos estándar de inferencia causal enfrentan limitaciones significativas en este entorno:

• Los métodos econométricos (por ejemplo, Diferencia en Diferencias, Control Sintético) suelen depender de supuestos fuertes como tendencias paralelas o la ausencia de confundidores no medidos, los cuales son frecuentemente violados. También tienen dificultades con la escalabilidad y la estabilidad a nivel individual para datos de alta frecuencia.
• Los enfoques de caja negra neuronal (por ejemplo, TARNet, DragonNet) típicamente dependen de la regresión de resultados, extrapolando trayectorias post-tratamiento a partir de datos pre-tratamiento. Esto los hace sensibles a la no estacionariedad y propensos al sesgo cuando el DGP cambia.
• Los modelos de variables latentes existentes a menudo asumen que todos los confundidores son observados o dependen de arquitecturas específicas (como LSTMs) que pueden no escalar bien a series temporales de alta dimensión y ruidosas.

El objetivo central es estimar los efectos de tratamiento individuales (ITE) mediante la recuperación de contrafácticos a nivel individual sin depender de supuestos explícitos de modelado temporal o del supuesto de que todos los confundidores son observados.

Metodología: El Marco de Trabajo B-Twin

Los autores proponen Balanced Twins (B-Twin), un marco neuronal de dos fases que une los métodos clásicos de control sintético con el aprendizaje de representaciones. El método opera bajo el supuesto de que los confundidores ocultos relevantes para el tratamiento dejan firmas recuperables en las trayectorias de los resultados pre-tratamiento.

1. Fundamento Teórico

El marco se basa en el Método de Control Sintético (SCM), pero lo extiende para manejar la confusión oculta.

• Recuperabilidad Latente: Los autores asumen que los resultados pre-tratamiento ($Y^{pre}$) contienen información suficiente para recuperar aproximadamente los confundidores ocultos ($W$) a través de una función $h$.
• Condición de Balanceo: Para asegurar una estimación contrafáctica imparcial, el método busca pesos que equilibren la distribución del puntaje de propensión latente $g(W) = P(T=1|W)$ entre las unidades tratadas y de control.
• Proposición 1: El artículo demuestra que la estimación imparcial requiere una condición de balanceo en los puntajes de propensión. Dado que $W$ no es observado, el método relaja esto hacia el balanceo sobre un puntaje de propensión sustituto aprendido $\hat{g}(Z)$, donde $Z$ es una representación latente de $Y^{pre}$.

2. Arquitectura

El modelo consta de dos módulos principales entrenados secuencialmente:

Fase 1: Aprendizaje de Representación (Autoencoder Variacional)

• Codificador (Encoder): Mapea las series temporales de alta frecuencia pre-tratamiento ($Y^{pre}$) en un espacio latente de baja dimensión $Z$.
• Decodificador (Decoder): Reconstruye los resultados pre-tratamiento ($\hat{Y}^{pre}$) a partir de $Z$ para asegurar que el espacio latente capture la dinámica temporal relevante.
• Cabeza de Propensión: Una cabeza de clasificación estima el puntaje de propensión $\hat{g}(Z) = \sigma(g_\psi(Z))$ directamente desde la representación latente.
• Función de Pérdida: El bloque se entrena para minimizar una pérdida compuesta:
  $$\mathcal{L}_{rep} = \mathcal{L}_r + \beta \mathcal{L}_{KL} + \gamma \mathcal{L}_p$$
  donde $\mathcal{L}_r$ es el error de reconstrucción, $\mathcal{L}_{KL}$ es la divergencia de Kullback-Leibler y $\mathcal{L}_p$ es la entropía cruzada binaria para la predicción de la propensión.

Fase 2: Aprendizaje de Pesos (Estimación Contrafáctica)

• Regresor de Pesos: Toma las representaciones latentes ($Z_i, Z_j$) y los puntajes de propensión estimados ($\hat{g}(Z_i), \hat{g}(Z_j)$) de una unidad objetivo y un grupo de donantes (unidades de control) como entrada.
• Objetivo: Produce pesos de balanceo $B = \{b_{ij}\}$ para construir un control sintético para la unidad tratada.
• Función de Pérdida: Los pesos se optimizan para minimizar una combinación de dos pérdidas:
  1. Emparejamiento Latente ($\mathcal{L}_z$): Minimiza la distancia entre la representación latente del objetivo y el promedio ponderado de las representaciones de control.
  2. Balanceo de Propensión ($\mathcal{L}_b$): Minimiza la discrepancia entre la propensión del objetivo y el promedio ponderado de las propensiones de control, normalizado para manejar diferencias de escala.
     $$\mathcal{L}_{match} = \lambda \mathcal{L}_z + (1-\lambda) \mathcal{L}_b$$

3. Estimación

El ATT final se estima utilizando un estimador ponderado por importancia que aprovecha muestras de toda la población (tanto tratados como controles), en lugar de solo del grupo tratado. Este estimador simetrizado mejora la robustez cuando la estimación de la propensión es ruidosa.

Contribuciones Clave

1. Marco Inspirado en Control Sintético e Interpretable: A diferencia de los enfoques de caja negra neuronal que regresan directamente los resultados, B-Twin produce pesos de balanceo explícitos. Esto preserva la interpretabilidad de los métodos de control sintético (los expertos en el dominio pueden inspeccionar qué unidades de control contribuyen al contrafáctico) mientras relaja las restrictivas restricciones de convexidad del SCM clásico.
2. Robustez ante la Confusión Oculta y la No Estacionariedad: Al aprender representaciones latentes de las trayectorias pre-tratamiento y balancear sobre los puntajes de propensión, el método evita la extrapolación directa de las dinámicas post-tratamiento. Esto lo hace más estable que los modelos de regresión de resultados cuando el DGP es no estacionario.
3. Escalabilidad: El marco utiliza la estimación de pesos basada en lotes (batches), lo que permite manejar eficientemente grandes conjuntos de datos de nivel individual de alta frecuencia, superando la inviabilidad computacional de aplicar el SC clásico a unidades individuales.

Resultados Experimentales

Los autores evaluaron B-Twin en conjuntos de datos sintéticos, semi-sintéticos y del mundo real (consumo de electricidad y datos de pacientes de UCI).

• Datos Sintéticos (Datasets de juguete):

  • En entornos con alto ruido y fuerte confusión oculta, los métodos clásicos (SC, DiD) y el modelo basado en LSTM, SyncTwin, tuvieron dificultades significativas.
  • Las líneas base de regresión de resultados neuronales (TARNet, DragonNet) funcionaron bien en entornos estacionarios, pero exhibieron un sesgo y varianza marcados cuando el DGP se volvió no estacionario (las dinámicas pre y post-tratamiento diferían).
  • B-Twin rastreó consistentemente a su contraparte oracle (que utiliza las propensiones reales), demostrando bajo sesgo y varianza en todos los escenarios, incluyendo efectos de tratamiento heterogéneos y no estacionariedad.

• MIMIC-III Semi-Sintético (Datos de UCI):

  • En un escenario de placebo donde el efecto real del tratamiento era cero, B-Twin produjo un intervalo de confianza que se solapaba con cero con una anchura relativamente estrecha.
  • Otros métodos mostraron sesgo (por ejemplo, SyncTwin mostró un sesgo negativo sustancial; TARNet mostró un sesgo positivo) o alta variabilidad.
  • B-Twin fue computacionalmente eficiente, significativamente más rápido que Synthetic Control y SyncTwin, aunque ligeramente más lento que los modelos puros de regresión de resultados debido al paso de emparejamiento.

• Datos de Electricidad del Mundo Real (Sowee/EDF):

  • En un conjunto de datos de placebo semi-sintético, B-Twin estimó correctamente un efecto cercano a cero, mientras que SyncTwin detectó un fuerte efecto positivo espurio.
  • En el conjunto de datos real completo (verdad fundamental desconocida), todos los métodos coincidieron en una magnitud de efecto pequeña. B-Twin proporcionó estimaciones consistentes con otros métodos, ofreciendo al mismo tiempo la interpretabilidad de los pesos explícitos y una mejor escalabilidad que el Control Sintético a nivel individual.

Significado y Reivindicaciones

El artículo afirma que B-Twin ofrece una alternativa fundamentada a los enfoques de regresión de resultados para la inferencia causal en series temporales. Su principal importancia radica en su capacidad para:

• Desacoplar el aprendizaje de representación del emparejamiento, permitiendo que el modelo capture estructuras latentes complejas sin depender del supuesto de que las tendencias pre-tratamiento predicen perfectamente los resultados post-tratamiento.
• Proporcionar interpretabilidad a través del pesaje explícito, abordando una crítica importante de los métodos de causalidad de aprendizaje profundo.
• Manejar la confusión oculta aprovechando el supuesto de "recuperabilidad latente", donde los historiales pre-tratamiento sirven como proxies para factores no observados.

Los autores señalan modestamente que la validez del método depende de la calidad de los datos pre-tratamiento para capturar los confundidores ocultos. Si los confundidores ocultos no dejan una firma informativa en la historia observada, la representación aprendida puede fallar al balancear los grupos efectivamente. Además, el método introduce una carga computacional adicional en comparación con la regresión simple, lo que puede ser un compromiso en entornos donde el DGP es conocido por ser estacionario y la interpretabilidad no es requerida.