Resumen Técnico: Identificación y Acotación de los Momentos Centrales de los Efectos Causales mediante Información de Momentos Marginales

Planteamiento del Problema

En la inferencia causal, evaluar la heterogeneidad de los efectos de tratamiento es un objetivo crítico que va más allá de la estimación del Efecto Causal Promedio (ACE). Si bien la distribución de los Efectos Causales Individuales (ICE), definidos como $Y_1 - Y_0$, caracteriza esta heterogeneidad, los métodos existentes para identificar o acotar la distribución del ICE (por ejemplo, Fan y Park [2010], Post y Van Den Heuvel [2025]) y sus momentos centrales (Kawakami y Tian [2025]) requieren típicamente el acceso a las distribuciones marginales completas de los resultados potenciales (POs), $P(Y_1 < y)$ y $P(Y_0 < y)$.

Sin embargo, en muchos entornos empíricos, no se dispone de datos completos a nivel individual o de funciones de distribución completas debido a restricciones de privacidad, confidencialidad o la naturaleza de estudios acumulados históricamente que solo reportan estadísticas de resumen agregadas. En tales casos, solo son accesibles los momentos centrales marginales (por ejemplo, media, varianza, asimetría, curtosis) de los grupos de tratamiento y control. Este artículo aborda el problema de identificar y acotar los momentos centrales del ICE, denotado como $\mu^{(m)}$, utilizando únicamente los momentos centrales marginales de los resultados potenciales, $\sigma^{(k)}_1$ y $\sigma^{(k)}_0$, sin asumir el conocimiento de las distribuciones marginales completas.

Metodología

Los autores emplean el marco de los Modelos Causales Estructurales (SCM) y los resultados potenciales. Los momentos centrales del ICE se definen como $\mu^{(m)} = E[(Y_1 - Y_0 - E[Y_1 - Y_0])^m]$. Los momentos centrales marginales de los POs se definen como $\sigma^{(k)}_x = E[(Y_x - E[Y_x])^k]$ para $x \in \{0, 1\}$.

La metodología se divide en dos enfoques principales:

1. Identificación bajo el supuesto de Desviación de Efecto Independiente (IED):
   El artículo investiga la identificación bajo la condición IED, donde el ICE es independiente del resultado basal: $(Y_1 - Y_0) \perp\!\!\!\perp Y_0$. Bajo este supuesto, los autores derivan fórmulas de identificación recursivas. Específicamente, el Teorema 1 muestra que si los momentos marginales hasta el orden $m$ (excluyendo órdenes intermedios específicos) están disponibles, el $m$-ésimo momento central del ICE puede identificarse recursivamente. Notablemente, bajo IED, la varianza ($\mu^{(2)}$) se identifica simplemente como la diferencia en las varianzas de los POs ($\sigma^{(2)}_1 - \sigma^{(2)}_0$), y los momentos de orden superior como la asimetría y la curtosis también pueden identificarse si los correspondientes momentos marginales están disponibles.

2. Acotación sin IED:
   Reconociendo que el supuesto IED es fuerte y a menudo no testeable, el artículo deriva cotas ajustadas para $\mu^{(m)}$ utilizando solo los momentos marginales disponibles $(\sigma^{(k)}_1, \sigma^{(k)}_0)$ sin asumir independencia.

   • Varianza ($\mu^{(2)}$): Los autores analizan la correlación $\lambda$ entre el ICE y el resultado basal $Y_0$. Derivan cotas ajustadas para $\mu^{(2)}$ basadas en $\sigma^{(2)}_1$ y $\sigma^{(2)}_0$, mostrando que la varianza está acotada por $(\sqrt{\sigma^{(2)}_1} \pm \sqrt{\sigma^{(2)}_0})^2$. Además, demuestran que conocer momentos de orden superior (como la asimetría o la curtosis) no necesariamente estrecha la cota para la varianza a menos que se cumplan condiciones específicas.
   • Momentos de Orden Superior: El artículo proporciona cotas para los terceros ($\mu^{(3)}$) y cuartos ($\mu^{(4)}$) momentos centrales. Para los momentos impares, si solo se conocen los momentos pares de orden inferior, las cotas suelen ser triviales (es decir, $(-\infty, \infty)$). Sin embargo, si se conoce el $m$-ésimo momento de los POs, se pueden derivar cotas no triviales para $m$ par.
   • Nitidez (Sharpness): Los autores definen rigurosamente "nitidez" como la propiedad de que no existe un intervalo cerrado estrictamente más estrecho dado la información de los momentos. Proporcionan contraejemplos (en el Material Suplementario) para demostrar que, si bien algunas cotas son nítidas, combinar múltiples restricciones de momentos (por ejemplo, conocer tanto la varianza como la curtosis) no siempre produce cotas nítidas para los momentos del ICE, particularmente para los momentos de orden superior.

Principales Contribuciones y Resultados

1. Resultados de Identificación bajo IED:

   • El artículo establece que, bajo la condición IED, los momentos centrales del ICE son identificables a partir de los momentos centrales marginales de los POs.
   • Corolario 1 y 2: Específicamente, la asimetría y la curtosis del ICE son identificables si los momentos marginales correspondientes (3º y 4º) están disponibles, junto con la varianza.

2. Cotas Nítidas para Momentos Centrales:

   • Varianza: El Teorema 3 proporciona cotas nítidas para $\mu^{(2)}$ usando solo $\sigma^{(2)}_1$ y $\sigma^{(2)}_0$: $(\sqrt{\sigma^{(2)}_1} - \sqrt{\sigma^{(2)}_0})^2 \leq \mu^{(2)} \leq (\sqrt{\sigma^{(2)}_1} + \sqrt{\sigma^{(2)}_0})^2$.
   • Momentos Superiores: Los Teoremas 16–18 generalizan estos resultados para un $m$ arbitrario. Para $m$ par, si $\sigma^{(m)}_1$ y $\sigma^{(m)}_0$ están disponibles, se derivan cotas nítidas. Para $m$ impar, el artículo muestra que conocer un único momento de orden inferior $k \leq m$ generalmente no proporciona cotas no triviales para $\mu^{(m)}$ (excepto en casos extremos donde los momentos inferiores son cero).
   • Intersección de Cotas: El artículo investiga si la intersección de las cotas de diferentes momentos disponibles (por ejemplo, usando tanto $\sigma^{(2)}$ como $\sigma^{(4)}$) produce resultados más estrechos. Los autores encuentran que, si bien esto a menudo reduce el rango, las cotas resultantes generalmente no son nítidas (Teoremas 7, 11, 15), excepto en casos específicos que involucran la varianza y momentos superiores.

3. Estudios de Casos Empíricos:
   Los autores aplican sus métodos a dos estudios del mundo real donde solo se reportaron estadísticas de resumen:

   • Moseley et al. [2002] (Artroscopia de Rodilla): Utilizando medias y desviaciones estándar reportadas, los autores acotan la varianza del ICE. Encuentran una heterogeneidad sustancial, con la varianza potencialmente oscilando entre 19.36 y 806.56. Bajo el supuesto de una correlación positiva entre el basal y el ICE, la cota superior se estrecha significativamente.
   • Špirtović et al. [2023] (Programa de Aeróbicos): Utilizando media, DE, asimetría y curtosis reportadas, los autores acotan la varianza, la asimetría y la curtosis del ICE. Las cotas resultantes son amplias, reflejando la falta de identificación fundamental dada la información limitada, pero aún permiten caracterizar la forma de la distribución (por ejemplo, asimetría positiva bajo IED).

4. Experimentos Numéricos:
   Las simulaciones que comparan las cotas basadas en momentos propuestas con un estimador de integración de Monte Carlo (MCI) (que asume distribuciones marginales completas) muestran que:

   • En algunos entornos, las cotas basadas en momentos son comparables o incluso más estrechas que las cotas de MCI.
   • El método propuesto es robusto en entornos de muestra finita, aunque los intervalos de confianza se amplían con tamaños de muestra menores.

Significado y Reivindicaciones

El artículo afirma que sus resultados de identificación y acotación son novedosos, ya que el problema de evaluar los momentos centrales del ICE utilizando solo los momentos centrales marginales no ha sido estudiado sistemáticamente antes.

• Relevancia Práctica: La principal significancia radica en permitir el análisis de heterogeneidad para estudios que solo reportan estadísticas de resumen (medias, varianzas, asimetría, curtosis) en lugar de conjuntos de datos completos. Esto permite a los investigadores reanalizar estudios acumulados históricamente o aquellos con datos restringidos por privacidad para inferir la extensión y estructura de la heterogeneidad del efecto de tratamiento.
• Límites de la Información: Los autores afirman modestamente que su trabajo caracteriza explícitamente "qué se puede y qué no se puede aprender" bajo información de solo momentos. Demuestran que, si bien la varianza a menudo puede acotarse de manera significativa, las características de orden superior (como la asimetría y la curtosis) son inherentemente subdeterminadas sin supuestos más fuertes (como IED) o conocimiento distributivo completo.
• Nitidez (Sharpness): El artículo enfatiza que las cotas derivadas son nítidas donde se afirma, proporcionando los intervalos más estrechos posibles dados los momentos específicos disponibles. Sin embargo, también reconoce que para muchas combinaciones de momentos disponibles, las cotas no son nítidas, resaltando los límites fundamentales de la inferencia a partir de estadísticas agregadas.

Los autores concluyen que mientras el supuesto IED permite la identificación puntual, las cotas derivadas sin él proporcionan una caracterización necesaria de la incertidumbre inherente a la heterogeneidad del efecto causal cuando solo están disponibles los momentos marginales. Señalan que el trabajo futuro podría explorar el estrechamiento de estas cotas utilizando supuestos estructurales adicionales, como grafos causales o monotonicidad.