📊 statistics

Causal Mediation Analysis for an Interrupted Time Series: Stabilized Mediator Weighting with an Application to a Vehicle Emissions Policy

Este artículo propone un método de ponderación de mediadores estabilizado para el análisis de mediación causal en diseños de series temporales interrumpidas, demostrando mediante simulaciones y una aplicación a la terminación del programa Drive Clean de 2019 de Ontario que reduce eficazmente el sesgo y mejora la cobertura de los efectos indirectos en comparación con los estimadores no ponderados.

Autores originales: Shalini Jayanetti, Sumeet Kalia

Publicado 2026-08-20

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Shalini Jayanetti, Sumeet Kalia

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

Los responsables de la formulación de políticas suelen introducir cambios amplios, como nuevas leyes o regulaciones ambientales, en una fecha específica, con la esperanza de ver un cambio claro en la forma en que funcionan las cosas. Para medir el éxito de estos cambios, los científicos suelen observar una única línea larga de puntos de datos recopilados a lo largo del tiempo, como las lecturas diarias de la calidad del aire. Este enfoque, conocido como serie temporal interrumpida, es excelente para detectar el cambio total que ocurre después de que se implementa una política. Sin embargo, a menudo deja una pregunta crucial sin respuesta: ¿funcionó la política cambiando directamente el resultado, o funcionó cambiando primero un factor intermedio que luego influyó en el resultado? Por ejemplo, si una ciudad prohíbe un cierto tipo de coche, ¿el aire se vuelve más limpio porque hay menos coches, o porque los coches restantes circulan menos? Desentrañar estos dos caminos —la ruta directa y la ruta indirecta a través de un paso intermedio— es difícil cuando los datos provienen de un solo lugar y de un flujo continuo de tiempo, en lugar de de muchos grupos de personas distintos.

Un equipo de estadísticos de la Universidad de Manitoba ha desarrollado una nueva forma de resolver este rompecabezas. Crearon un método que puede separar el efecto total de una política en sus partes directas e indirectas, incluso trabajando con un registro único e ininterrumpido de datos diarios. Su enfoque fue probado primero en simulaciones por computadora diseñadas para imitar patrones diarios del mundo real, donde descubrieron que los métodos más antiguos y simples producían resultados engañosos cuando factores ocultos influían en los datos. Luego aplicaron su nueva técnica a un evento del mundo real: el fin del programa de pruebas de emisiones de vehículos "Drive Clean" de Ontario en 2019. Al analizar los datos diarios de la calidad del aire de cuatro regiones de Toronto, descubrieron que el fin del programa de pruebas condujo a una disminución medible del ozono a nivel del suelo, pero el camino hacia esa disminución fue más complejo que una simple cadena de causa y efecto.

Los investigadores se centraron en un cambio de política específico: la terminación de las pruebas obligatorias de emisiones de vehículos para vehículos ligeros en Ontario el 1 de abril de 2019. Antes de esta fecha, los coches tenían que pasar controles regulares para asegurar que no contaminaban demasiado. Después de que el programa terminó, los investigadores querían saber cómo esta decisión afectó al ozono a nivel del suelo, un componente nocivo del smog. Sospechaban que el efecto podría viajar a través del dióxido de nitrógeno, un gas emitido por los vehículos que está estrechamente vinculado a la formación de ozono. En muchas áreas urbanas, la relación entre estos dos contaminantes es contraintuitiva; a veces, una caída en el dióxido de nitrógeno puede provocar un aumento del ozono, mientras que en otros casos, conduce a una caída. Esta complejidad hace difícil determinar si un cambio en el ozono es un resultado directo de la política o un efecto secundario de los cambios en el dióxido de nitrógeno.

Para resolver esto, el equipo tuvo que superar un importante obstáculo estadístico. Los métodos estándar para analizar tales datos suelen asumir que los puntos de datos son independientes, como lanzar una moneda muchas veces. Pero los datos diarios de la calidad del aire no son independientes; la calidad del aire el martes está fuertmente influenciada por el clima y los niveles de contaminación del lunes. Además, el cambio de política ocurrió en una fecha fija, lo cual es una certeza, no un evento aleatorio. Los investigadores se dieron cuenta de que las herramientas existentes para separar efectos directos e indirectos fueron construidas para estudios con muchas personas o grupos diferentes, no para una única línea de tiempo continua. Adaptaron una técnica llamada "ponderación de mediador estabilizado". En términos sencillos, este método crea una población virtual donde el vínculo entre el factor intermedio (dióxido de nitrógeno) y el resultado final (ozono) no está distorsionado por otras condiciones climáticas cambiantes. Al ajustar los datos para tener en cuenta estas influencias ocultas, pudieron aislar el verdadero efecto de la política.

También tuvieron que tener en cuenta un segundo evento importante que ocurrió más tarde: el inicio de la pandemia en marzo de 2020, que cambió drásticamente los patrones de tráfico y las emisiones. Para asegurar que estaban midiendo el efecto del programa de pruebas de emisiones y no el de la pandemia, trataron el inicio de la pandemia como una segunda interrupción en su línea de tiempo. Probaron su nuevo método extensamente utilizando simulaciones por computadora que generaron miles de días de datos falsos con patrones conocidos. En estas pruebas, encontraron que los viejos métodos sin ponderación fallaban estrepitosamente cuando había factores ocultos presentes, a menudo perdiendo el efecto indirecto por completo o errando en la dirección del efecto. Su nuevo método, que utilizó el enfoque ponderado, recuperó con éxito los efectos reales en las simulaciones, reduciendo los errores significativamente y proporcionando una imagen mucho más fiable de lo que estaba sucediendo.

Cuando aplicaron este método refinado a los datos reales de Toronto, los resultados revelaron una historia matizada. El análisis cubrió cuatro regiones distintas de la ciudad: Centro (Downtown), Este, Oeste y Norte. Los investigadores descubrieron que el fin del programa de pruebas de emisiones estaba asociado con una reducción directa del ozono a nivel del suelo. En las cuatro regiones, el efecto directo fue una caída de aproximadamente 2,1 partes por mil millones. Esto significa que el cambio de política en sí mismo, o las condiciones que lo rodeaban, llevaron directamente a un aire más limpio, independientemente de lo que sucediera con el dióxido de nitrógeno. Este hallazgo se mantuvo incluso cuando observaron los datos antes de que comenzara la pandemia, lo que sugiere que el resultado era robusto y no un artefacto de los confinamientos.

Sin embargo, la vía indirecta contaba una historia diferente. El efecto de la política sobre el ozono que viajaba a través del dióxido de nitrógeno no fue consistente en toda la ciudad. En tres de las cuatro regiones, el efecto indirecto fue positivo, lo que significa que los cambios en el dióxido de nitrógeno en realidad elevaron los niveles de ozono. Pero en el denso núcleo del centro (Downtown), el efecto indirecto fue negativo, reduciendo los niveles de ozono. Cuando los investigadores combinaron los resultados regionales, los efectos indirectos positivos y negativos se cancelaron entre sí en gran medida, resultando en un efecto indirecto total cercano a cero y no estadísticamente significativo. Esto resalta un punto crítico: si los investigadores solo hubieran observado el cambio total sin separar las vías directa e indirecta, podrían haber pasado por alto la reducción directa y constante del ozono y las fuerzas opuestas y complejas en los diferentes vecindarios.

El estudio concluye que el nuevo método proporciona una herramienta poderosa para comprender cómo funcionan las políticas en el mundo real. Al separar el impacto directo de una intervención del impacto indirecto que fluye a través de pasos intermedios, los científicos pueden obtener una imagen más clara de la causa y el efecto. En el caso del programa Drive Clean de Ontario, la evidencia sugiere que la terminación de las pruebas de emisiones condujo a una mejora directa en los niveles de ozono, un hallazgo que concuerda con lo que los científicos atmosféricos han observado sobre cómo se comporta el ozono en las ciudades concurridas. La investigación también demuestra que confiar en métodos simples y sin ajustes puede conducir a conclusiones incorrectas, especialmente cuando se trata de datos ambientales interconectados y complejos. La capacidad de distinguir entre un efecto directo de la política y una cadena de reacciones indirectas ofrece una forma más precisa de evaluar el verdadero impacto de las regulaciones de salud pública y ambientales.

Resumen Técnico: Análisis de Mediación Causal para una Serie Temporal Interrumpida

Planteamiento del Problema
Las políticas a nivel poblacional se evalúan típicamente utilizando el diseño de Serie Temporal Interrumpida (ITS, por sus siglas en inglés), el cual estima el cambio total en un resultado agregado tras una intervención determinista. Si bien la regresión segmentada captura eficazmente el efecto total, falla al intentar descomponer este cambio en componentes directos e indirectos transmitidos a través de vías específicas. El análisis de mediación causal estándar, diseñado para exposiciones estocásticas repetidas en unidades independientes, no es directamente aplicable a una única ITS porque la exposición es una función determinista del tiempo (un "interruptor"), lo que vuelve degenerada la propensión de la exposición y hace que el ponderado por la inversa de la probabilidad (IPW) estándar sea inaplicable para la exposición misma. Además, la inferencia en una serie única debe considerar la correlación serial, y la presencia de eventos concurrentes (por ejemplo, una pandemia) puede confundir la tendencia post-intervención.

Metodología
Los autores formulan la mediación causal para una única ITS donde la exposición $A_t$ es determinista ( $A_t = 1\{t \ge t_0\}$ ). El marco define los Efectos Directos Naturales (NDE) y los Efectos Indirectos Naturales (NIE) utilizando contrafácticos anidados.

Identificación y Estructura de Ponderación:
- Debido a que la exposición es determinista, el peso de la exposición colapsa a 1, y el contraste de la exposición se identifica mediante el cambio de nivel de la regresión segmentada en lugar de la ponderación.
- Consecuentmente, el estimador se reduce únicamente a la ponderación de mediador estabilizada. El peso $w_t^M$ es la razón de la densidad condicional del mediador dado la exposición y los eventos concurrentes respecto a la densidad dado estos más los confundidores variantes en el tiempo ( $X_t$ ).
- Para abordar la dependencia serial en los confundidores del mediador, los autores introducen un peso de mediador acumulativo ( $w_{t}^{M,cum}$ ) sobre una ventana corta, equilibrando la historia reciente de los confundidores a costa de un aumento en la varianza del peso.
- Los pesos se truncan en el percentil 99 para limitar los valores extremos.
Especificación del Modelo:
- Modelo de Resultado: Una regresión segmentada ponderada incluye la exposición ( $A_t$ ), el mediador ( $M_t$ ) y una interrupción concurrente ( $C_t$ ) para separar el efecto de la política de otros choques.
- Modelo de Mediador: Una regresión no ponderada estima el efecto de la exposición sobre el mediador.
- Estimación del Efecto: Bajo modelos de trabajo lineales, el NDE es el coeficiente de $A_t$ en el modelo de resultado ponderado, y el NIE es el producto del coeficiente exposición-mediador y el coeficiente mediador-resultado.
Inferencia:
- Se rechazan las fórmulas de varianza estándar que tratan los pesos como fijos, ya que sobreestiman la cobertura.
- Los autores emplean un bootstrap de residuos por bloques (block-residual bootstrap). Este método mantiene fija la temporalidad de la exposición determinista y el diseño, mientras remuestrea los residuos de los modelos de mediador y de resultado en bloques móviles. Esto preserva la dependencia serial de los datos diarios y propaga la incertidumbre de la estimación de los pesos hacia los estimadores de efecto finales.

Resultados del Estudio de Simulación
El método fue evaluado mediante un estudio de simulación calibrado con datos diarios ( $n=1200$ ) con confundidores autocorrelacionados.

Sesgo: En escenarios con confusión entre el mediador y el resultado, el estimador de producto de coeficientes no ponderado exhibió un sesgo severo (sesgo del efecto indirecto $\approx 0.19$ ) y una cobertura cercana a cero (0.003). La ponderación de mediador estabilizada redujo el sesgo a $\approx 0.03$ y mejoró la cobertura a $\approx 0.83$ .
Dependencia Serial: A medida que aumentaba el parámetro autorregresivo de los confundidores, el desempeño del estimador no ponderado se degradaba rápidamente. Los estimadores ponderados se mantuvieron robustos incluso ante niveles altos de autocorrelación, aunque el peso acumulativo mostró un desempeño ligeramente superior en los niveles más altos de autocorrelación en comparación con el peso de un solo día.
Truncamiento: El sesgo residual observado en los estimadores ponderados se atribuyó en gran medida al truncamiento de los pesos; relajar el truncamiento redujo el sesgo pero aumentó la varianza.

Aplicación: Terminación de "Drive Clean" en Ontario
El método se aplicó a la terminación en 2019 del programa de pruebas de emisiones vehiculares de Ontario para estimar su efecto sobre el ozono a nivel del suelo ( $O_3$ ) a través del dióxido de nitrógeno ( $NO_2$ ) en cuatro regiones de Toronto.

Efecto Directo: La terminación se asoció con un efecto directo negativo y robusto sobre el ozono, estimado en una reducción combinada de 2.113 ppb (IC 95%: −3.384 a −0.841). Este efecto fue consistente entre regiones y persistió en un análisis de sensibilidad pre-pandemia.
Efecto Indirecto: El efecto indirecto a través de $NO_2$ fue heterogéneo (positivo en tres regiones, negativo en el núcleo urbano/downtown) y no fue estadísticamente significativo en la estimación combinada (0.761 ppb, el IC incluye cero).
Efecto Total: El efecto total estuvo cerca del límite de significancia (−1.307 ppb).
Interpretación: Los resultados sugieren que el impacto de la política sobre el ozono operó principalmente a través de una vía directa en lugar de vía $NO_2$ , un hallazgo consistente con la literatura de la ciencia atmosférica respecto a la química del ozono urbano (donde las reducciones de $NO_2$ pueden, en ocasiones, derivar en aumentos de ozono en regímenes específicos, aunque el efecto directo aquí fue una reducción).

Contribuciones Clave y Reivindicaciones
El artículo afirma ser el primero en formular una mediación causal específicamente para una única serie temporal interrumpida con una exposición determinista. Sus principales contribuciones incluyen:

Formulación Teórica: Demostrar que para una interrupción determinista, el peso de la exposición es la unidad, reduciendo el problema únicamente a la ponderación del mediador, e identificar el contraste de la exposición mediante regresión segmentada.
Adaptación Metodológica: Adaptar la ponderación de mediador estabilizada para manejar confundidores con dependencia serial mediante pesos acumulativos y abordar eventos concurrentes como interrupciones secundarias.
Marco de Inferencia: Proponer un bootstrap de residuos por bloques que respeta la naturaleza determinista de la exposición y la correlación serial de los datos, corrigiendo los problemas de sobrecobertión de las fórmulas de varianza estándar.
Utilidad Empírica: Mostrar que no separar las vías directas e indirectas en una ITS puede ser engañoso, como se demostró con los efectos indirectos heterogéneos en la aplicación de "Drive Clean".

Limitaciones y Direcciones Futuras
Los autores señen que el estimador es singularmente robusto (depende de un modelo de mediador correctamente especificado) y que el método actual no proporciona una alternativa doblemente robusta. Identifican el desarrollo de un estimador doblemente robusto para este diseño específico como un problema abierto central. Además, las estimaciones regionales combinadas son descriptivas debido al pequeño número de regiones (cuatro), y el método asume efectos constantes durante el periodo post-intervención, aunque se menciona una formulación variante en el tiempo como una posible extensión.

Más como este