📊 statistics

Randomization tests for model specification in causal inference under network interference

Este artículo propone un novedoso marco basado en el diseño y un procedimiento de prueba de aleatorización correspondiente para evaluar empíricamente la especificación correcta de los mapeos de exposición en la inferencia causal bajo interferencia de red, proporcionando garantías teóricas y demostrando su efectividad a través de simulaciones y un experimento de campo.

Autores originales: Supriya Tiwari, Pallavi Basu

Publicado 2026-08-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Supriya Tiwari, Pallavi Basu

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

En el mundo de los experimentos científicos, los investigadores suelen confiar en una idea simple y poderosa: si se asigna un tratamiento al azar a algunas personas y no a otras, cualquier diferencia en el resultado debe ser causada por ese tratamiento. Esta lógica funciona maravillosamente cuando las personas son islas aisladas, sin afectación por sus vecinos. Sin embargo, el mundo real rara vez es tan silencioso. Las personas están conectadas en complejas redes de amistad, familia y comunidad. Cuando una persona cambia su comportamiento, esto a menudo genera ondas que influyen en quienes la rodean. Este fenómeno, conocido como efecto de desbordamiento (spillover effect), rompe las reglas estándar de la experimentación. Si un estudiante adopta un nuevo hábito porque su amigo lo hizo, se vuelve imposible determinar si el hábito provino del tratamiento original o de la influencia del amigo. Para dar sentido a esto, los científicos utilizan una herramienta llamada mapa de exposición. Esta es una forma simplificada de describir cómo una persona está expuesta a un tratamiento, no solo por su propio estatus, sino también por el estatus de las personas con las que está conectada. Reduce una red caótica de influencias en un número manejable, permitiendo a los investigadores estimar el verdadero efecto de una intervención.

El problema es que estos mapas suelen ser conjeturas. Un investigador podría asumir que solo importan los amigos inmediatos, o que la influencia se desvanece rápidamente con la distancia. Si la conjetura es errónea, todo el experimento puede conducir a conclusiones engañosas. Hasta ahora, no había una forma fiable de comprobar si un mapa elegido realmente se ajusta a la realidad de la situación. Un nuevo estudio de Supriya Tiwari y Pallavi Basu, de la Indian School of Business, aborda este vacío. Han desarrollado un nuevo método para probar si el mapa de exposición elegido es correcto, utilizando la propia aleatoriedad del experimento como una vara de medir. En lugar de asumir que el mapa es correcto, su enfoque pide a los datos que lo demuestren.

Los investigadores construyeron su método basándose en la lógica de las pruebas de aleatorización, una técnica que durante mucho tiempo ha sido un estándar de oro en la estadística. En un experimento típico, el tratamiento se asigna por azar. Los autores se dieron cuenta de que, si su mapa de exposición captura realmente cómo se propaga el tratamiento, los errores residuales en sus predicciones deberían ser aleatorios y no estar relacionados con la asignación del tratamiento. Pero si el mapa es erróneo, esos errores mostrarán un patrón, revelando que el modelo omitió una pieza crucial del rompecabezas. Para encontrar estos patrones, analizaron las conexiones entre las personas. Comprobaron si el estatus de tratamiento de una persona estaba correlacionado con los errores de predicción de sus vecinos. Si un vecino de una persona tratada tenía un error grande en la predicción, esto sugería que el modelo no había tenido en cuenta la influencia que fluía entre ellos. Al medir esta correlación a través de toda la red, crearon un estadístico de prueba que podía señalar un modelo mal especificado.

Para asegurar que su método fuera sólido, el equipo primero demostró matemáticamente que funciona bajo condiciones ideales, donde los patrones subyacentes reales son conocidos. Luego pasaron a las simulaciones, creando miles de redes y experimentos falsos en computadoras para ver cómo funcionaba la prueba en la práctica. Probaron escenarios donde el mapa de exposición era perfecto, y escenarios donde era deliberadamente defectuoso, como ignorar la influencia de amigos de segundo grado o juzgar mal la fuerza del desbordamiento. Los resultados fueron claros: cuando el mapa era erróneo, la prueba casi siempre lo detectaba, rechazando el modelo incorrecto con alta confianza. Cuando el mapa era correcto, la prueba aceptaba correctamente, manteniendo bajas las falsas alarmas. El estudio también exploró qué sucede cuando el modelo matemático utilizado para hacer predicciones es ligeramente impreciso, mostrando que el método sigue siendo robusto y no se rompe fácilmente ante pequeñas imperfecciones.

Los investigadores aplicaron luego su nueva herramienta a un conjunto de datos del mundo real proveniente de un famoso experimento de campo con estudiantes de secundaria. En ese estudio, los investigadores intentaron reducir el acoso escolar entrenando a un pequeño grupo de estudiantes influyentes, conocidos como referentes sociales, para promover normas de resolución de conflictos. El estudio original asumía que la influencia de estos referentes se capturaba simplemente sabiendo si un estudiante tenía un amigo tratado. Utilizando el nuevo procedimiento de prueba, los autores reexaminaron esta suposición. Ejecutaron la prueba miles de veces reordenando las asignaciones de tratamiento para ver cómo se verían los datos si la suposición fuera cierta. El resultado fue un valor p de 0.317, un número que indica que los datos son consistentes con la suposición original. En otras palabras, el mapa simple utilizado en el estudio original resistió el escrutinio; no hubo evidencia estadística que sugiriera que faltaba una capa de influencia más profunda. Esto no demuestra que el mapa sea perfecto, pero confirma que los investigadores no necesitaban descartarlo basándose en la evidencia disponible.

Este trabajo ofrece un nuevo paso crucial para los científicos que estudian sistemas interconectados. Mueve el campo de la confianza ciega en las suposiciones hacia la verificación activa de las mismas. Al proporcionar una forma de comprobar si el modelo de influencia elegido es correcto, el método ayuda a los investigadores a evitar sacar conclusiones falsas sobre cómo las intervenciones se propagan en una población. No resuelve el problema de la interferencia, ni garantiza que cada modelo sea perfecto. En cambio, proporciona una verificación rigurosa, una forma de decir con confianza si el mapa que se utiliza es una representación fiel del territorio. En un mundo donde el comportamiento humano está profundamente entrelazado, tener una herramienta para verificar nuestra comprensión de esas conexiones es un avance significativo, asegurando que las lecciones aprendidas de los experimentos sean tan fiables como la ciencia que las produce.

Resumen Técnico: Pruebas de Aleatorización para la Especificación de Modelos en Inferencia Causal bajo Interferencia de Red

Planteamiento del Problema
En la inferencia causal, el supuesto de valor de unidad de tratamiento estable (SUTVA, por sus siglas en inglés) se viola frecuentemente en entornos donde las unidades están conectadas mediante una red, lo que genera interferencia y efectos de desbordamiento (spillover). Para estimar estos efectos, los investigadores dependen de mapeos de exposición (exposure mappings): funciones de baja dimensión que mapean el vector de asignación de tratamiento de alta dimensión hacia un escalar o un vector que representa la exposición de una unidad (por ejemplo, la proporción de vecinos tratados). Si bien estos mapeos facilitan la identificación de los estimandos de desbordamiento, la práctica estándar asume que están correctamente especificados para capturar el verdadero mecanismo de interferencia causal. Si un mapeo de exposición está mal especificado, los estimadores, como el estimador de Horvitz-Thompson, pueden volverse vulnerables al sesgo. Aunque la literatura reciente ha demostrado que los estimadores estándar son robustos a ciertas formas controladas de mala especificación, existe una falta de herramientas metodológicas para validar empíricamente si un mapeo de exposición especifica correctamente el mecanismo de interferencia subyacente. Los enfoques existentes a menudo requieren que el analista preespecifique un modelo alternativo más fino o dependen de estimandos marginalizados que oscurecen el mecanismo de desbordamiento específico.

Metodología
Los autores proponen un marco basado en el diseño para probar la correcta especificación de los mapeos de exposición utilizando la inferencia de aleatorización. El núcleo de la metodología consiste en formular la especificación del modelo como una hipótesis nula aguda respecto a la invarianza de los residuos ante la asignación de tratamiento.

Formulación de la Hipótesis: El artículo define un residuo de muestra finita, $R_i(Z) = Y_i(Z) - E[Y_i(Z) | e_i(Z)]$ , donde $e_i(Z)$ es el mapeo de exposición propuesto. Bajo la hipótesis nula de especificación correcta, el mapeo de exposición captura toda la interferencia causal, lo que implica que los residuos son invariantes al vector de asignación de tratamiento $Z$ (es decir, $R_i(Z) = R_i(Z')$ para todo $Z, Z'$ ). Los autores refinan esto definiendo un residuo modificado $\tilde{R}(Z)$ que aísla el resultado causal de los efectos fijos de base, asegurando que la hipótesis nula sea que $\tilde{R}_i(Z)$ es constante a través de las asignaciones de tratamiento.
Procedimiento Oráculo: Los autores primero describen un test de aleatorización "oráculo" (Procedimiento 2) asumiendo que los residuos verdaderos son conocidos. Este sigue la lógica del Test de Aleatorización de Fisher (FRT): se calcula un estadístico de prueba sobre los datos observados y se genera una distribución nula re-aleatorizando el vector de asignación de tratamiento $Z$ mientras se mantienen fijos los residuos observados. La validez de este procedimiento es exacta en muestras finitas.
Procedimiento de Residuos Estimados: Dado que los residuos verdaderos son inobservables, los autores desarrollan un test de aleatorización aproximado (Procedimiento 3). Esto implica:
- Estimar la función de respuesta de la media condicional mediante Mínimos Cuadrados Ordinarios (OLS) utilizando el mapeo de exposición propuesto como regresores.
- Calcular los residuos estimados $\hat{\tilde{R}}$ a partir de esta regresión.
- Construir un estadístico basado en la Correlación Gráfica ( $T_{GC}$ ) entre el vector de asignación de tratamiento y los residuos estimados, ponderado por la matriz de adyacencia de la red. Específicamente, el estadístico mide la correlación entre el estado de tratamiento de una unidad y los residuos de sus vecinos.
- Generar la distribución nula re-aleatorizando $Z$ y recalculando el estadístico utilizando los residuos estimados.
Garantías Teóricas: El artículo establece la validez asintótica del test de aleatorización estimado. Bajo supuestos de resultados acotados, grados de grafo acotados y un modelo de base lineal paramétrico para la media condicional, los autores demuestran que los coeficientes de OLS convergen a una constante bajo la hipótesis nula. Esta convergencia asegura que el test de aleatorización aproximado es asintóticamente válido, con un factor correctivo que contabiliza la posible mala especificación del modelo en la función de la media condicional (análisis de sensibilidad).

Contribuciones Clave

Marco de Prueba Novedoso: El artículo introduce el primer marco basado en el diseño para probar la correcta especificación de los mapeos de exposición en entornos de interferencia de red, yendo más allá de la suposición de que el mapeo es conocido como correcto.
Procedimiento de Test de Aleatorización: Desarrolla un procedimiento de test de aleatorización específico que utiliza residuos estimados y un estadístico de correlación gráfica para detectar la mala especificación.
Validez Teórica: Los autores proporcionan garantías teóricas de la validez asintótica del test propuesto, demostrando que el test controla las tasas de error Tipo I asintóticamente incluso cuando los residuos son estimados en lugar de conocidos.
Análisis de Potencia: A través de extensas simulaciones, el artículo demuestra que el método posee propiedades de potencia favorables, detectando con éxito la mala especificación cuando se omiten efectos de desbordamiento (de primer orden o superiores) del mapeo de exposición o cuando la forma funcional es incorrecta.

Resultados

Estudios de Simulación: Las simulaciones de Monte Carlo en redes de mundo pequeño (small-world) y modelos de bloques estocásticos muestran que el procedimiento propuesto controla las tasas de error Tipo I al nivel nominal (0.05) cuando el mapeo de exposición está correctamente especificado.
Potencia: El método exhibe una alta potencia (tasas de rechazo cercanas a 1.0) cuando el mapeo de exposición no tiene en cuenta los efectos de desbordamiento existentes (por ejemplo, usando un mapeo de solo efecto directo cuando existen desbordamientos). También detecta la mala especificación en las formas funcionales (por ejemplo, relaciones lineales vs. cuadráticas) y desbordamientos de orden superior (vecinos de segundo grado), aunque la potencia disminuye ligeramente para efectos de orden superior en redes densas.
Aplicación Empírica: La metodología se aplicó al conjunto de datos de Paluck et al. [2016] sobre normas anti-conflicto en escuelas. Probar el mapeo de exposición $e_i = (Z_i, I(\sum_{j \in N(i)} Z_j > 0))$ (que indica la presencia de un amigo tratado) arrojó un p-valor de 0.317. Los autores concluyen que no logran rechazar la hipótesis nula, lo que sugiere que el mapeo de exposición está correctamente especificado para este conjunto de datos, y que la decisión es robusta a la posible mala especificación de la función de respuesta lineal.

Significancia y Reivindicaciones
El artículo afirma proporcionar una solución basada en el diseño y dirigida a los datos para validar empíricamente los mecanismos de interferencia causal. Al tratar la especificación del mapeo de exposición como una prueba de hipótesis en lugar de una suposición no verificada, el marco permite a los investigadores evaluar la validez de sus modelos causales. Los autores señalan que su trabajo complementa los recientes resultados de imposibilidad (por ejemplo, Gao et al. [2026]) al demostrar que la prueba informativa es posible cuando se restringe el espacio del modelo alternativo o se utilizan supuestos estructurales específicos como los grados de grafo acotados. La significancia radica en cerrar la brecha entre la robustez teórica y la validación empírica, ofreciendo una herramienta para prevenir conclusiones causales sesgadas derivadas de modelos de interferencia mal especificados. Los autores reconocen modestamente limitaciones, como la reducción de la potencia en entornos de grafos densos y la necesidad de mayor investigación para seleccionar modelos de base óptimos y calibrar parámetros de sensibilidad.

Más como este