Predicting Heterogeneous Treatment Effects Of Building Energy Saving Retrofits Using Causal Machine Learning

Resumen Técnico: Predicción de Efectos de Tratamiento Heterogéneos de las Rehabilitaciones de Eficiencia Energética de Edificios mediante Aprendizaje Automático Causal

Planteamiento del Problema
La investigación en Sistemas de Información (IS) utiliza cada vez más el aprendizaje automático (ML) para el modelado predictivo en sistemas sociotécnicos complejos. Sin embargo, el ML predictivo estándar optimiza la precisión correlacional en lugar de la identificación causal, lo que lo hace inadecuado para estimar el impacto de las intervenciones donde la asignación del tratamiento no es aleatoria. Esta limitación es crítica en las rehabilitaciones energéticas de edificios, donde la decisión de renovar está fuertemente sesgada por las características del hogar (p. ej., ingresos, ubicación) y los atributos del edificio (p. ej., edad, tamaño) que influyen simultáneamente en el consumo de energía. En consecuencia, los modelos estándar suelen arrojar estimaciones sesgadas de los ahorros de energía, al no lograr distinguir entre el efecto de la rehabilitación y los factores de confusión subyacentes. Si bien existen simulaciones físicas, estas requieren muchos recursos y suelen divergir de los ahorros reales debido a comportos de los ocupantes no modelados. Los enfoques basados en datos ofrecen escalabilidad, pero suelen carecer de rigor causal. El desafío central es recuperar con precisión los Efectos de Tratamiento Heterogéneos (HTE, por sus siglas en inglés)—el impacto variable de las rehabilitaciones en edificios individuales—bajo condiciones de un fuerte sesgo de selección.

Metodología
Para abordar la imposibilidad de observar contrafácticos de verdad en datos observacionales del mundo real, los autores construyeron un entorno de simulación fundamentado físicamente. Este enfoque permite el modelado explícito de los verdaderos efectos de tratamiento y los sesgos de adopción motivados empíricamente, creando un conjunto de datos con una verdad de terreno conocida para una evaluación rigurosa.

• Generación de Datos: La simulación adapta fórmulas termodinámicas (Kirschbaum et al., 2025) para modelar la pérdida de calor y los requerimientos anuales de calefacción. Genera un conjunto de datos sintéticos de viviendas unifamiliares a través de diversos periodos de construcción (1850–1994). El conjunto de datos incluye cuatro intervenciones de rehabilitación distintas: solo ventanas; ventanas y tejado; solo paredes exteriores; y un paquete integral (ventanas, tejado y paredes exteriores).
• Mecanismo de Sesgo: La asignación del tratamiento está deliberadamente sesgada para reflejar los patrones de adopción del mundo real. La probabilidad de recibir una rehabilitación se modela como una función de determinantes socioeconómicos (ingresos), características del parque de edificios (edad, tamaño) y condiciones climáticas. Esto crea una confusión genuina, donde las variables que influyen en el tratamiento también afectan directamente al resultado (consumo de energía).
• Supuestos: El estudio asume que el supuesto de Valor de Unidad de Tratamiento Estable (SUTVA) se cumple por diseño, ya que los edificios no interfieren entre sí. El supuesto de ausencia de confusión se satisface mediante la construcción, ya que todos los confundidores relevantes están incluidos en la simulación. El supuesto de solapamiento (soporte común) se verifica a través de las distribuciones de los puntajes de propensión, mostrando un solapamiento adecuado entre los grupos de tratamiento.
• Modelos Evaluados: El estudio compara varios estimadores de ML causal frente a una línea de base de Mínimos Cuadrados Ordinarios (OLS) ingenua:
  • Metalearners: S-Learner, T-Learner y X-Learner, que utilizan algoritmos de ML flexibles (Random Forests) para estimar Efectos de Tratamiento Medio Condicional (CATE).
  • Aprendizaje Automático Doble (DoubleML): Un enfoque de de-sesgo que ortogonaliza los modelos de tratamiento y resultado para eliminar el sesgo de confusión, utilizando cross-fitting y regresión de residuos.
• Evaluación: Los modelos se entrenan con los datos sintéticos y se evalúan basándose en el Error Absol de la Media (MAE) y el MAE normalizado contra los verdaderos CATE conocidos.

Resultados Clave
El análisis comparativo revela jerarquías de rendimiento distintas entre los estimadores, particularmente a medida que aumenta la complejidad de la rehabilitación:

• Rendimiento General: El OLS exhibió el error más alto (nMAE: 62.0%), confirmando que ignorar la confusión conduce a un sesgo severo. Entre los estimadores causales, DoubleML logró el error promedio más bajo (nMAE: 11.6%), seguido por el T-Learner (11.4%) y el X-Learner (11.5%). El S-Learner tuvo el peor desempeño entre los métodos causales (13.7%).
• Complejidad del Tratamiento: Para la intervención más simple (solo ventanas), el X-Learner fue el más preciso. Sin embargo, a medida que la complejidad y la magnitud de los verdaderos efectos de tratamiento aumentaron (p. ej., rehabilitaciones de paredes exteriores y paquetes integrales), DoubleML superó significativamente a todos los metalearners. Para la rehabilitación integral, el error de DoubleML fue 170.13 inferior al del T-Learner y 479.82 inferior al del X-Learner.
• Extrapolación y Generalización: El análisis de diagramas de dispersión indicó que los metalearners (S, T, X) tendieron a atenuar los grandes efectos de tratamiento, fallando en la predicción de ahorros de energía extremos más allá del rango de los datos de entrenamiento. Esto se atribuye a la incapacidad de los aprendices base basados en árboles para extrapolar más allá de los promedios de las hojas observadas. En contraste, DoubleML rastreó la verdad de terreno de cerca en todos los tamaños de efecto, incluyendo la cola de altos ahorros, debido a su regresión lineal de la etapa final sobre los residuos, la cual no está limitada por los rangos de los datos de entrenamiento.
• Sensibilidad al Tamaño de la Muestra: El rendimiento mejoró con el tamaño de la muestra para todos los modelos. DoubleML requirió una muestra más grande (aprox. 10,000 observaciones totales) para superar a los metalearners, pero alcanzó consistentemente el error más bajo a partir de ese punto.
• Control de la Confusión: El análisis SHAP demostró que los metalearners retuvieron una influencia residual de las variables de confusión (p. ej., año de construcción) en sus estimaciones de CATE, mientras que DoubleML eliminó eficazmente esta influencia mediante la ortogonalización.

Significancia y Contribuciones
El artículo realiza tres contribuciones primarias a la literatura de IS e informática energética:

1. Evaluación Cuantitativa: Proporciona la primera evaluación cuantitativa de la precisión de los estimadores de ML causal para escenarios de rehabilitación de viviendas individuales con sesgo conocido. A diferencia de los estudios empíricos previos limitados a Efectos de Tratamiento Promedio (ATE) o comprobaciones de plausibilidad, este estudio valida el rendimiento frente a HTE conocidos.
2. Benchmarking Sistemático: Ofrece una comparación sistemática de OLS, metalearners y DoubleML, identificando que, si bien los metalearners son competitivos para intervenciones simples, DoubleML es superior para escenarios de alta confusión y complejidad, típicos de las rehabilitaciones energéticas profundas.
3. Fundamento Metodológico: El estudio demuestra que la ortogonalización de la asignación del tratamiento (como en DoubleML) mejora significativamente la estimación del efecto causal en entornos observacionales sesgados. Esto proporciona una base metodológica para el uso de ML causal en la evaluación de políticas de rehabilitación energética a gran escala, ofreciendo una alternativa escalable a las simulaciones físicas manteniendo la precisión.

Limitaciones y Trabajo Futuro
Los autores reconocen que la simulación, aunque fundamentada en leyes físicas y patrones de sesgo empíricos, no captura todo el espectro de las complejidades del mundo real, tales como los efectos de rebote conductuales, las restricciones de capital o las interacciones detalladas de los ocupantes. El estudio también depende exclusivamente de Random Forests como aprendices base y no incluye otros modelos causales como R-Learners o Causal Forests. Se sugiere que investigaciones futuras incorporen estas dinámicas conductuales, prueben aprendices base alternativos y validen los hallazgos contra conjuntos de datos observacionales del mundo real para fortalecer la validez externa.