📊 statistics

The positivity assumption in causal mediation analyses? Checked!

Este artículo aborda el supuesto de positividad, a menudo ignorado en los análisis de mediación causal, al extender el algoritmo de Árboles de Regresión de Positividad (PoRT) para manejar efectos mediacionales controlados, naturales e intervencionales, proporcionando una herramienta práctica para la detección y discusión de violaciones a través del paquete `port` de R.

Autores originales: Arthur Chatton, Geneviève Lefebvre, Mireille E. Schnitzer, Denis Talbot

Publicado 2026-07-29

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Arthur Chatton, Geneviève Lefebvre, Mireille E. Schnitzer, Denis Talbot

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective intentando resolver un misterio: ¿Por qué ocurrió un evento específico? En el mundo de la ciencia, esto se llama inferencia causal. Por lo general, los detectives buscan una cadena simple de eventos: A causó B. Pero la vida rara vez es así de directa. A menudo, A causa B porque primero causó C, que luego causó B. Este paso intermedio, C, se llama mediador. Por ejemplo, tal vez estudiar mucho (A) conduce a mejores calificaciones (B) porque aumenta tu confianza (C). Para probar esto, los científicos utilizan un conjunto de herramientas especial llamado análisis de mediación causal.

Sin embargo, este conjunto de herramientas tiene una regla muy estricta llamada positividad. Piensa en esto como una receta para un pastel. Si quieres saber cómo afecta el azúcar al sabor, debes haber horneado pasteles con azúcar y pasteles sin azúcar. Si solo tienes datos sobre personas que comieron azúcar, no puedes adivinar mágicamente qué habría pasado si no la hubieran consumido. En la ciencia, la "positividad" significa que, para cada tipo de persona en tu estudio, debe haber una posibilidad de que experimenten cada versión posible de la causa y del mediador. Si un grupo específico de personas nunca experimenta una cierta condición en tus datos, las matemáticas fallan y el detective no puede resolver el misterio. El problema es que comprobar si esta regla se rompe es increíblemente difícil, especialmente cuando hay múltiples pasos en la cadena.

Aquí es donde entra en juego un nuevo y astuto instrumento de un equipo de investigadores liderado por Arthur Chatton. Se dieron cuenta de que, si bien los científicos son excelentes comprobando si la regla del "azúcar" se rompe para causas y efectos simples, a menudo olvidan comprobarla para las cadenas más complejas de "azúcar-luego-confianza". Los autores argumentan que, sin comprobar esto, muchos estudios podrían estar sacando conclusiones de la nada. Para solucionar esto, inventaron un nuevo método llamado dePoRT (árboles de regresión de descomposición de positividad).

Piensa en dePoRT como un juego de "encuentra las diferencias" súper inteligente y automatizado. Imagina que tienes una pila gigante de datos de estudiantes. Quieres saber si la violencia infantil conduce a la violencia en el noviazgo, a través de la participación religiosa de un estudiante o sus niveles de estrés. Los investigadores construyeron un árbol digital que divide esta pila de estudiantes en grupos cada vez más pequeños basados en sus características (como la edad, la educación de los padres o los ingresos). Luego, comprueba cada uno de los grupos diminutos para ver: "¿Tenemos suficientes personas aquí que experimentaron la causa? ¿Tenemos suficientes personas aquí que experimentaron el mediador?".

Si el árbol encuentra un grupo donde, por ejemplo, solo el 2% de los estudiantes tiene una alta participación religiosa (cuando la matemática requiere más para estar seguro), marca ese grupo como una "violación". Es como un semáforo en rojo para un vecindario específico, diciéndole al investigador: "Oye, no puedes confiar en los resultados para estas personas específicas porque los datos faltan".

El artículo no solo inventa esta herramienta; también la probó con datos reales que involucran a 6,224 estudiantes universitarios. Encontraron que, aunque el estudio general parecía estar bien, subgrupos específicos —como estudiantes con ciertas combinaciones de niveles de educación de los padres y edades— carecían de los datos necesarios para probar el vínculo entre la violencia y el estrés o la religión. En algunos casos, esto significó que los investigadores tuvieron que cambiar su estrategia. En lugar de intentar calcular el efecto "natural" (qué pasaría si el estrés de un estudiante cambiara mágicamente), cambiaron a un efecto "intervencionista" (qué pasaría si obligáramos a un cambio en el estrés para todos). Este cambio les permitió obtener una respuesta fiable incluso cuando los datos eran imperfectos para algunos grupos.

Los autores advierten cuidadosamente que esto no es una varita mágica que arregla los datos rotos. Si un grupo de personas estructuralmente no puede experimentar cierta condición (por ejemplo, si es físicamente imposible que un subgrupo específico tenga un alto nivel de estrés), ninguna cantidad de matemáticas puede arreglar eso. Pero para los casos en los que los datos simplemente faltan por azar (violaciones aleatorias), dePoRT ayuda a los científicos a ver exactamente dónde están las brechas. Al usar esta herramienta, los investigadores pueden dejar de adivinar y empezar a saber exactamente qué partes de su estudio son sólidas y cuáles son inestables. Incluso han hecho que su herramienta sea gratuita y fácil de usar para cualquiera con un paquete de R, con la esperanza de hacer que todo el campo de la mediación causal sea más honesto y transparente.

Resumen Técnico: El Supuesto de Positividad en los Análisis de Mediación Causal

Planteamiento del Problema
El análisis de mediación causal, que busca descomponer el efecto total de una exposición sobre un resultado en vías directas e indirectas, depende de supuestos de identificación estrictos. Mientras que el supuesto de intercambiabilidad (ausencia de confusión no medida) ha recibido una atención extensa, el supuesto de positividad es frecuentemente pasado por alto en los entornos de mediación. Las violaciones de positividad ocurren cuando subgrupos específicos definidos por covariables tienen una probabilidad cero o cercana a cero de recibir una exposición específica o un valor del mediador.

En el análisis de mediación, la positividad es más compleja que en el análisis de efecto total estándar. Requiere probabilidades no nulas tanto para la exposición como para el mediador, y la forma específica del supuesto depende del estimando causal de interés (por ejemplo, Efecto Directo Controlado, Efectos Naturales o Efectos Intervencionales). Actualmente, existe una falta de herramientas robustas y libres de supuestos para verificar estas condiciones de positividad en la práctica. Los métodos existentes, como la verificación de los puntajes de propensión (propensity scores), son sensibles a la especificación del modelo y pueden fallar al identificar los subgrupos específicos que causan las violaciones.

Metodología: El Algoritmo dePoRT
Los autores proponen dePoRT (árboles de regresión de descomposición de positividad o decomposition Positivity Regression Trees), una extensión del algoritmo de Árboles de Regresión de Positividad (PoRT) desarrollado originalmente por Danelian et al. (2023) para el análisis de efecto total. dePoRT está diseñado para verificar violaciones prácticas de positividad sin requerir supuestos paramétricos sobre el proceso generador de datos.

El algoritmo opera mediante la siguiente lógica:

Construcción de Árboles: Construye una secuencia de árboles de regresión o clasificación donde la exposición o el mediador es la variable dependiente y las covariables son las variables independientes. A diferencia de los modelos paramétricos, los árboles aprenden asociaciones no lineales y no monótonas directamente de los datos.
Identificación de Subgrupos: El algoritmo divide iterativamente los datos en subgrupos (nodos). "Lee" estos nodos para identificar subgrupos donde la probabilidad de la exposición o del mediador cae por debajo de un umbral preespecificado ( $\beta$ ).
Hiperparámetros:
- $\beta$ : Un límite para la probabilidad mínima (por ejemplo, el límite de Gruber $\beta = 5/(\sqrt{n} \cdot \ln(n))$ ) por debajo del cual un subgrupo se considera que viola la positividad.
- $\alpha$ : Un umbral para el tamaño mínimo del subgrupo (por ejemplo, el 1% de la muestra) para filtrar violaciones en subgrupos insignificantes que pueden no impactar la estimación.
- $\gamma$ : Un parámetro de parada que limita el número de covariables consideradas simultáneamente en un árbol para controlar la complejidad.
Adaptación para la Mediación:
- Efectos Directos Controlados (CDE): Requiere verificar la positividad para la exposición ( $A$ ) y el mediador ( $M$ ) condicionados a las covariables ( $C$ ) dentro de estratos de exposición específicos.
- Efectos Naturales: Implica resultados potenciales anidados ( $Y_{a, M_{a^*}}$ ). Los autores introducen un enfoque de "ingeniería inversa": primero, identificar subgrupos donde la distribución del mediador en un grupo de exposición ( $A=a$ ) carece de soporte; segundo, verificar si el valor del mediador existe en el grupo de exposición contrafactual ( $A=a^*$ ) para ese mismo subgrupo. Si el valor está ausente en el grupo contrafactual, la violación es estructural; si está presente, es una violación del estimando específico.
- Efectos Intervencionales: Similar a los efectos naturales, pero tiene en cuenta los confundidores intermedios ( $L$ ) influenciados por la exposición. La verificación del soporte consiste en verificar la prevalencia del mediador condicionado tanto a las covariables ( $C$ ) como al confundidor intermedio ( $L$ ).

Contribuciones Clave

Extensión Algorítmica: El artículo extiende el marco de dePoRT a los requisitos de positividad específicos y complejos del análisis de mediación causal, cubriendo efectos directos controlados, naturales e intervencionales.
Desarrollo de Herramientas: Los autores implementaron dePoRT en el paquete de R port y proporcionaron un cuaderno (notebook) reproducible, haciendo que estas verificaciones sean accesibles para investigadores aplicados.
Ilustración Empírica: El método se aplica a un conjunto de datos del Estudio Internacional de Violencia en el Noviazgo para investigar el efecto de la exposición a la violencia en la infancia sobre la violencia en el noviazgo, mediado por la religiosidad y los síntomas de estrés postraumático (PTSS).
- El análisis demostró que, mientras la positividad de la exposición se mantuvo, la positividad del mediador fue violada para subgrupos específicos (por ejemplo, estudiantes con niveles específicos de educación parental y participación religiosa).
- La aplicación mostró cómo dePoRT puede guiar la elección de un estimando; por ejemplo, una descomposición de efectos naturales puede ser identificable mientras que otra no lo es debido a diferentes violaciones de positividad.
- En presencia de un confundidor intermedio (PTSS), los autores ilustraron cómo verificar la positividad para efectos intervencionales, identificando violaciones que sesgarían las estimaciones de efectos naturales.

Resultados y Hallazgos
En el ejemplo motivador, la aplicación de dePoRT reveló:

Efecto Total: No se encontraron violaciones de positividad para la exposición.
Efecto Directo Controlado: 14 subgrupos violaron el supuesto de positividad del mediador. Los autores concluyeron que estos eran probablemente violaciones aleatorias (prácticas) en lugar de estructurales, lo que permite la estimación mediante la fórmula g iterada.
Efectos Naturales: El análisis identificó que la descomposición que involucra a $E(Y_{0, M_1})$ tenía menos violaciones de positividad que la alternativa ( $E(Y_{1, M_0})$ ), lo que sugiere que la primera es una opción más robusta para este conjunto de datos.
Efectos Intervencionales: Al contabilizar el PTSS, el método identificó violaciones específicas para los efectos directos e indirectos intervencionales, reforzando la conclusión de que la religiosidad no media la relación en este contexto.

Significancia y Reivindicaciones
Los autores afirman que dePoRT llena un vacío crítico en el conjunto de herramientas de la mediación causal al proporcionar un método libre de modelos para verificar los supuestos de positividad. Enfatizan que:

Robustez: A diferencia de las verificaciones basadas en el puntaje de propensión, dePoRT no depende de las especificaciones de modelos paramétricos, reduciendo el riesgo de falsos negativos o positivos dependientes del modelo.
Soporte de Decisión: La herramienta ayuda a los investigadores a determinar qué estimandos causales son identificables con sus datos específicos. Si la positividad se viola para un estimando preferido (por ejemplo, un efecto natural específico), los investigadores pueden pivotar hacia un estimando alternativo (por ejemplo, un efecto intervencional o una descomposición diferente) que esté respaldado por los datos.
Transparencia: Al identificar explícitamente los subgrupos donde fallan los supuestos, dePoRT promueve la transparencia en la inferencia causal, permitiendo la interpretación cualitativa de si las violaciones son estructurales (que requieren una redefinición de la población objetivo) o aleatorias (abordables mediante extrapolación o estimadores alternativos).

El artículo concluye modestamente, señalando que dePoRT no es una "solución milagrosa". Su validez aún depende de la identificación correcta de los confundidores, la ausencia de error de medición y la selección apropiada de los hiperparámetros. Sin embargo, representa un paso significativo hacia un análisis de mediación causal más riguroso y transparente.

Más como este