Resumen Técnico: CaSPECT – Descubrimiento de Subgrupos Causalmente Homogéneos mediante Clustering Espectral Dirigido

1. Planteamiento del Problema

La inferencia causal tradicional suele centrarse en estimar el Efecto Causal Promedio (ACE, por sus siglas en inglés) o el Efecto Causal Promedio Condicional (CACE) en toda la población o basándose en la similitud de los covariables observados. Sin embargo, estos enfoques pueden ocultar la heterogeneidad del efecto del tratamiento, donde las intervenciones producen resultados beneficiosos para algunos subgrupos mientras que otros resultan perjudiciales. Los métodos existentes de clustering no supervisado (por ejemplo, k-means causal, clustering jerárquico) suelen agrupar individuos basándose en funciones estimadas de efectos de tratamiento, pero a menudo dependen de técnicas de clustering clásicas que ignoran la topología causal subyacente. Además, muchos métodos requieren modelos de puntuación de propensión preespecificados o presentan dificultades cuando las subpoblaciones se solapan en sus distribuciones marginales de covariables pero difieren en sus mecanismos causales.

El artículo aborda el desafío de descubrir subgrupos causalmente homogéneos a partir de datos observacionales sin depender de la similitud de los covariables o de modelos paramétricos preespecificados. El objetivo es descubrir estructuras latentes donde los individuos comparten vías de propagación causal similares, en lugar de solo poseer características observadas similares.

2. Metodología: El Marco de Trabajo CaSPECT

CaSPECT (Clustering Espectral Causal) es un flujo de trabajo de cuatro etapas que desplaza el objetivo del clustering desde el espacio de características hacia la topología causal. Construye un grafo de similitud basado en la estructura de un Grafo Acíclico Dirigido (DAG) aprendido y realiza un clustering espectral sobre esta estructura causal.

Etapa 1: Formación y Orientación del DAG

El marco comienza recuperando un DAG totalmente orientado ($G^*$) a partir de datos observacionales:

1. Recuperación del Esqueleto: Se utiliza un algoritmo PC estabilizado por bootstrap para identificar un esqueleto causal estable. Los bordes se mantienen solo si su frecuencia de inclusión ($f_{uv}$) a través de $B$ remuestreos de bootstrap supera un umbral $\theta$, limitando así los falsos positivos.
2. Puntuación de Validación de Orientación (OVS): Dado que el algoritmo PC no puede orientar todos los bordes (debido a la equivalencia de Markov), CaSPECT introduce una novedosa OVS para resolver ambigüedades. La OVS combina:
   • Evidencia de Bootstrap ($\delta_{PC}$): Evidencia de orientación neta del algoritmo PC ($f_{uv} \cdot (\rho_{uv} - \rho_{vu})$).
   • Evidencia de LiNGAM ($\delta_{L}$): Preferencia direccional de DirectLiNGAM basada en la no gaussianidad de los términos de error.
   • La puntuación se pondera mediante $w_{PC}$ y $w_L$ (donde $w_L$ escala con el número de variables no gaussianas).
3. Jerarquía de Resolución: Los bordes con $|OVS| \le \gamma$ permanecen ambiguos. Estos se resuelven mediante un filtro de aciclicidad, reglas de Meek, ordenamiento temporal/dominio, o contracción de bordes (fusionar nodos para preservar la aciclicidad del DAG en lugar de simetrizar los bordes, lo cual violaría el criterio de backdoor).

Etapa 2: Estimación del Peso de los Bordes Causales

Una vez orientado el DAG, los bordes se ponderan por la magnitud del Efecto Causal Promedio (ACE) identificado mediante el conjunto de ajuste de backdoor:

• Bordes Lineales: Si una prueba RESET confirma la linealidad, el Mínimos Cuadrados Ordinarios (OLS) estima el coeficiente estructural $\beta_{uv}$.
• Bordes No Lineales: Si se detecta no linealidad, se utiliza Aprendizaje Automático Doble (DML) con cross-fitting para estimar el ACE, proporcionando robustez contra errores de estimación de funciones estorbosas (nuisance functions).
• Ponderación de Estabilidad: El peso final del borde ($A^{stab}_{uv}$) es el producto de la magnitud del ACE estimado y la frecuencia de inclusión por bootstrap ($f_{uv}$). Esto atenúa la contribución de los bordes inestables mientras preserva las señales causales fuertes.

Etapa 3: Construcción del Laplaciano de Chung y Embedding Espectral

La matriz de adyacencia ponderada se normaliza para formar una matriz de transición $P$. CaSPECT utiliza el Laplaciano Dirigido de Chung ($L = I - \frac{1}{2}(P + P^*)$), donde $P^*$ es la matriz de tiempo inverso. Este operador es simétrico y semidefinido positivo, lo que permite la descomposición espectral.

• La dimensión de embedding $K^*$ se selecciona basándose en la mayor brecha espectral (desigualdad de Cheeger), correspondiente a comunidades causales bien separadas.
• Los datos se proyectan sobre los autovectores de $L$ para obtener un embedding espectral de baja dimensión ($\tilde{X}$) donde la proximidad refleja la similitud en las vías de propagación causal.

Etapa 4: Clustering

Se aplica el clustering k-means estándar al embedding espectral $\tilde{X}$. El número óptimo de clusters $k$ se selecciona utilizando el coeficiente de Silueta y la estadística de Gap.

3. Contribuciones Clave

• Clustering Espectral Causal: Propone un marco para agrupar individuos basándose en la topología de un DAG aprendido en lugar del espacio de covariables observadas, abordando la limitación de los métodos que fallan cuando las subpoblaciones se solapan en sus distribuciones marginales.
• Puntuación de Validación de Orientación (OVS): Introduce un mecanismo híbrido que combina la estabilidad de bootstrap de PC y la no gaussianidad de LiNGAM para orientar los bordes de manera robusta, con garantías teóricas de consistencia bajo supuestos estándar.
• Contracción de Bordes vs. Simetrización: Aboga por fusionar nodos ambiguos (contracción) en lugar de simetrizar los bordes, lo que preserva la aciclicidad necesaria para un ajuste de backdoor válido e interpretación causal.
• Consistencia Teórica: Establece la consistencia casi segura de todo el flujo de trabajo, demostrando que a medida que el tamaño de la muestra $n \to \infty$, el esqueleto estable recupera el conjunto de bordes real, los pesos de los bordes convergen a las magnitudes reales del ACE, y el error del embedding espectral decae a una tasa paramétrica ($O(n^{-1/2})$).
• Robustez ante la Confusión: Demuestra la capacidad de corregir la confusión severa sin modelos de puntuación de propensión preespecificados, identificando subpoblaciones causalmente comparables.

4. Resultados y Validación

Estudios de Simulación

El método fue evaluado con datos sintéticos de verdad fundamental (ground truth) conocida en tres escenarios:

1. DAG Lineal con Errores No Gaussianos: CaSPECT mostró una mejora en la estimación del efecto causal (disminución del RMSE) con el aumento del tamaño de la muestra. Sin embargo, el desempeño del clustering (Índice de Rand Ajustado) no mejoró estrictamente con $n$, lo que sugiere que el embedding espectral captura la estructura causal global pero puede ser menos sensible a los cambios específicos en el intercepto del tratamiento que definen las subpoblaciones.
2. Linealidad Mixta: El marco se adaptó con éxito a los bordes no lineales utilizando DML. Aunque el RMSE aumentó ligeramente debido a la varianza de DML en muestras finitas, el método identificó correctamente la heterogeneidad estructural.
3. Confusión Latente: Bajo violaciones leves de suficiencia causal, la ponderación de estabilidad por bootstrap logró suprimir eficazmente los bordes espurios, permitiendo una mejora en la recuperación estructural y una reducción del sesgo de estimación a medida que aumentaba el tamaño de la muestra.

• Estudios de Ablación: Confirmaron que eliminar la OVS (dependiendo solo de PC) reducía significativamente la precisión de la orientación y el desempeño del clustering. Eliminar la ponderación de estabilidad por bootstrap tuvo un efecto menor en muestras grandes, pero destacó su rol de regularización en muestras finitas. La simetrización de bordes (en lugar de la contracción) destruyó la información direccional, provocando un pobre desempeño en el clustering.

Aplicaciones en el Mundo Real

• Dataset LaLonde CPS1: CaSPECT separó con éxito la muestra en dos clusters sin un modelo de puntuación de propensión.
  • Cluster 1: Individuos económicamente estables, no afroamericanos, casados (solo unidades de control).
  • Cluster 2: Individuos económicamente desfavorecidos, diversos (contiene todas las unidades tratadas).
  • Resultado: El ACE global fue negativo ($-1.70$), reflejando una confusión severa. Restringir el análisis al Cluster 2 reveló un ACE positivo y estadísticamente significativo ($+1.40$), consistente con el benchmark experimental, demostando la capacidad del método para aislar subgrupos causalmente comparables.
• Dataset IHDP: El flujo de trabajo separó a los infantes tratados y de control en clusters distintos basados en la estructura causal, a pesar del desequilibrio de covariables de alta dimensión. Identificó correctamente que el cluster de solo control (Cluster 1) tenía un potencial efecto de tratamiento más alto según la verdad fundamental, resaltando los límites de identificación (violación de positividad) para ese grupo.
• Dataset 401(k): El método identificó dos subgrupos de hogares económicamente distintos.
  • Cluster 1: Hogares de altos ingresos y de doble ingreso.
  • Cluster 2: Hogares de bajos ingresos y de un solo ingreso.
  • Resultado: Contrario a la intuición, el Cluster 2 exhibió un mayor efecto de tratamiento ($9,873 vs $7,884). Los autores interpretan esto como que los hogares del Cluster 1 ya poseen canales de ahorro existentes (efecto de sustitución), mientras que la elegibilidad para el 401(k) para el Cluster 2 representó una expansión genuina de la infraestructura de ahorro.

5. Significado y Reivindicaciones

El artículo afirma que CaSPECT proporciona un marco principiado para mapear respuestas de tratamiento específicas a intervenciones estructurales localizadas. Su importancia principal radica en:

• Desacoplamiento de la Similitud de Covariables: Logra distinguir subpoblaciones que se solapan, donde los métodos tradicionales de CACE o modelos mixtos SEM fallan debido al solapamiento de distribuciones marginales, al centrarse en "cómo fluye la influencia" en lugar de "qué valores toman las variables".
• Imposición Implícita de Soporte Común: Al embeber a los individuos basándose en las vías de propagación causal, el método separa naturalmente las observaciones causalmente incomparables, aplicando efectivamente el soporte común sin necesidad de recorte (trimming) o emparejamiento (matching) explícito.
• Integración de Descubrimiento y Estimación: Unifica el descubrimiento causal (aprendizaje de DAG), la estimación de efectos (DML/OLS) y el clustering (métodos espectrales) en un único flujo de trabajo consistente.

Los autores reconocen ciertas compensaciones: el desempeño del método depende de la precisión de la formación inicial del DAG y del supuesto de suficiencia causal. Aunque la ponderación por bootstrap mitiga la incertidumbre menor, un DAG fundamentalmente mal especificado puede propagar errores. El artículo posiciona a CaSPECT no como un reemplazo para todos los métodos causales, sino como un enfoque complementario y basado en datos para descubrir regímenes causales latentes que los métodos tradicionales pasan por alto.