Resumen Técnico: Identificabilidad Computacional

Planteamiento del Problema

La identificabilidad causal tradicional, denominada "identificabilidad teórica", se basa en derivaciones matemáticas para demostrar la existencia de un parámetro causal único dado un conjunto de supuestos (p. ej., grafos causales, axiomas de probabilidad). Este enfoque generalmente asume propiedades asintóticas, datos infinitos u otras condiciones idealizadas. Aunque existen algoritmos completos y sólidos para clases de modelos específicos (p. ej., do-calculus para SCMs semi-markovianos recursivos), estos suelen fallar en escenarios prácticos que involucran:

• Tamaños de muestra finitos.
• Criterios gráficos ambiguos donde existen múltiples conjuntos de ajuste pero su optimalidad depende de parámetros estructurales desconocidos.
• Mezclas complejas de datos observacionales e intervencionistas.
• Entornos que requieren supuestos paramétricos (p. ej., linealidad, no gaussianidad) que son difíciles de verificar analíticamente.

En consecuencia, las garantías teóricas a menudo ofrecen poca orientación sobre si un parámetro objetivo puede ser realmente estimado en un entorno específico de datos finitos.

Metodología: Identificabilidad Computacional

Los autores proponen la identificabilidad computacional, un marco que redefine la identificabilidad como el éxito de un procedimiento de búsqueda computacional finito para un estimador empírico, en lugar de la existencia de una solución analítica única.

Definiciones Centrales

1. Distribución de Mezcla Causal: El marco define una suma ponderada de distribuciones empíricas (de datos observacionales, intervencionistas o contrafácticos) y distribuciones teóricas derivadas de un Modelo Causal Estructural (SCM). Esto permite la integración de diversas fuentes de datos.
2. Identificabilidad Computacional (Definición 4): Una consulta causal $\Theta[C, x]$ se considera $\epsilon$-$\delta$-identificable condicional a un prior $\pi$ sobre los SCMs y un espacio de hipótesis $\mathcal{H}$ si existe una función $\phi \in \mathcal{H}$ tal que la probabilidad de que el error del estimador esté dentro de la tolerancia $\epsilon$ es al menos de $1-\delta$.
   • A diferencia de la identificabilidad teórica, esto es condicional al prior (distribución sobre los SCMs), el espacio de hipótesis (la clase de estimadores), el tamaño de la muestra y la tolerancia de error.
3. Enfoque de Meta-Aprendizaje: Para operacionalizar esto, los autores tratan la identificabilidad como un problema de meta-aprendizaje. Definen una distribución conjunta sobre muestras de mezclas causales y valores de consultas causales. Un meta-aprendiz (específicamente Procesos Neuronales Condicionales o Set Transformers) es entrenado para mapear observaciones y puntos de consulta a valores de consulta causal.
4. Estimación de la Identificabilidad: La probabilidad de identificabilidad se estima empíricamente entrenando el meta-modelo en una distribución de SCMs y evaluando su rendimiento (p. ej., RMSE o precisión de regresión de cuantiles) en un conjunto de prueba. Los autores utilizan regresión de cuantiles (arquitecturas Q-CNP y Q-TNP) para manejar distribuciones de efectos de tratamiento sesgadas o multimodales y para estimar la probabilidad de que el error caiga dentro de una tolerancia específica.

Componentes Clave

• Condicionamiento por Prior: La distribución del parámetro objetivo debe estar suficientemente concentrada alrededor de un valor único dada la información disponible.
• Condicionamiento por Hipótesis: Debe existir un estimador dentro del espacio de hipótesis elegido que pueda predecir el parámetro objetivo.
• Aproximación: El objetivo es la predicción dentro de una tolerancia de error aceptable, no necesariamente la identificación de un punto perfecto.

Principales Contribuciones

1. Introducción de la Identificabilidad Computacional: Un concepto de identificabilidad práctico y limitado por la computación que complementa las definiciones teóricas existentes. Enmarca la identificabilidad como una búsqueda de un estimador exitoso dentro de un presupuesto computacional finito.
2. Formalización del Meta-Aprendizaje para la Inferencia Causal: El artículo generaliza la conexión entre la estimación de efectos causales y el meta-aprendizaje, definiendo los componentes necesarios (espacio de hipótesis, tolerancia de error, límites de confianza y distribuciones de mezcla) para computar y evaluar la identificabilidad computacional.
3. Demostración Empírica: El marco se aplica a escenarios complejos de muestras finitas pequeñas donde las garantías teóricas son insuficientes o ambiguas.

Resultados Experimentales

Los autores validan el marco a través de tres escenarios distintos:

1. Selección del Conjunto de Ajuste Óptimo

En entornos donde existen múltiples conjuntos de ajuste válidos (p. ej., $Z_0 = \emptyset$, $Z_1 = \{Z_1\}$, $Z_{12} = \{Z_1, Z_2\}$), los criterios teóricos a menudo no pueden determinar cuál es óptimo sin conocer los parámetros estructurales.

• Resultado: El meta-modelo identificó con éxito el "conjunto óptimo condicional" (O-set) basado en el prior sobre las ecuaciones estructurales. Para modelos lineales con priors uniformes, $Z_{12}$ fue óptimo; para ecuaciones estructurales basadas en MLP aleatorios, $Z_0$ fue óptimo. Esto demuestra la capacidad de distinguir entre configuraciones teóricamente equivalentes basándose en el rendimiento empírico.

2. Transportabilidad con Datos Mixtos

El estudio examinó la identificación de efectos causales bajo confusión oculta utilizando una mezcla de datos observacionales e intervencionistas donde las distribuciones de tratamiento diferían.

• Resultado: La identificabilidad computacional reveló una relación no monótona entre la composición de los datos y el rendimiento. Si bien los datos intervencionistas ayudaron en general, un conjunto de datos compuesto enteramente por datos intervencionistas (con una distribución de tratamiento desajustada) funcionó peor que no tener ningún dato intervacional. El marco cuantificó la mezcla óptima de tipos de datos para maximizar la probabilidad de identificabilidad.

3. Identificación Contrafactual (CATE vs. ITE)

Los autores compararon la identificabilidad de los Efectos de Tratamiento Promedio Condicional (CATE) y los Efectos de Tratamiento Individual (ITE) en presencia de moderadores no observados y ruido.

• Resultado:
  • CATE: Es identificable en todos los entornos, requiriendo ni datos intervencionistas ni contrafácticos.
  • ITE: Requirió datos contrafácticos para la identificación. Los datos intervencionistas por sí solos no ayudaron e incluso pudieron degradar el rendimiento en entornos sin ruido.
  • Dependencia de la Arquitectura: Se demostró que la identificabilidad es condicional al espacio de hipótesis. La arquitectura Q-TNP (Set Transformer) aprendió con éxito a emparejar puntos de datos individuales para la recuperación de ITE, mientras que el Q-CNP (promedio de medias) falló, resaltando que la "identificabilidad" es relativa a la clase de estimador elegida.
  • No Monotonicidad: Aumentar el tamaño del conjunto de datos mejoró la estimación de CATE pero en ocasiones degradó la estimación de ITE, contradiciendo las expectativas teóricas estándar y subrayando la naturaleza condicional del marco propuesto.

Significado y Reivindicaciones

El artículo sostiene que la identificabilidad computacional proporciona una alternativa accionable y empírica a la identificabilidad teórica. Su principal significancia radica en:

• Practicidad: Responde a preguntas detalladas sobre la identificabilidad en entornos con muestras pequeñas, grafos ambiguos y datos mixtos donde las soluciones analíticas son intratables.
• Naturaleza Condicional: Reconoce explícitamente que la identificabilidad no es una propiedad absoluta de un modelo, sino que es condicional al prior, el espacio de hipótesis, el tamaño de la muestra y la tolerancia de error.
• Búsqueda Sistemática: Ofrece una vía para buscar sistemáticamente algoritmos de identificación y límites parciales en entornos novedosos donde los resultados teóricos aún no existen.

Los autores mantienen una postura modesta, señalando que este marco es un complemento, no un reemplazo, de la identificabilidad teórica. Sugieren que el trabajo futuro podría extender estas definiciones al análisis de supervivencia, datos faltantes y entornos de alta dimensión, y automatizar aún más el proceso de búsqueda.