Modifying causal models to distinguish between transient and lasting causal effects

Sintesi Tecnica: Modifica dei Modelli Causali per Distinguere tra Effetti Causali Transitori e Duraturi

Enunciato del Problema
I quadri attuali di inferenza causale, basati principalmente su esiti potenziali e Grafi Aciclici Diretti (DAG) causali, affrontano limitazioni significative quando applicati a sistemi con dinamiche temporali complesse. Sebbene questi metodi analizzino con successo dati trasversali e longitudinali, faticano a distinguere tra interventi che causano cambiamenti transitori (dove il sistema ritorna infine al suo equilibrio di base) e quelli che inducono cambiamenti duraturi alle dinamiche del sistema.

Nei modelli causali standard, le variabili rappresentano misurazioni in punti temporali specifici. Di conseguenza, gli effetti causali sono definiti rispetto al timing di queste misurazioni. Se un intervento altera temporaneamente una variabile di stato (ad esempio, il volume tumorale) ma le equazioni differenziali sottostanti del sistema rimangono invariate, il sistema tornerà infine alla sua traiettoria di equilibrio originale, semplicemente spostata nel tempo. Le definizioni standard dell'effetto nullo ($E[Y(1) - Y(0)] \neq 0$) non riescono a differenziare tra una perturbazione temporanea di uno stato e una modifica fondamentale dei parametri causali del sistema. Questa limitazione è critica in campi come la ricerca sanitaria, dove distinguere tra un trattamento che riduce temporaneamente le dimensioni del tumore e uno che altera i meccanismi biologici della crescita tumorale è essenziale.

Metodologia
Gli autori propongono un passaggio da un approccio "basato sulla misurazione" a un approccio "basato su sistema e stato". La metodologia prevede:

1. Modellazione Causale Dinamica: Utilizzo di sistemi di equazioni differenziali ordinarie (ODE) per rappresentare le dinamiche del sistema, anziché solo variabili di punti temporali discreti. Il documento utilizza un modello di competizione Lotka-Volterra per la crescita tumorale come esempio motivante, dove i volumi cellulari ($V_{target}$ e $V_{proxy}$) evolvono in base ai tassi di crescita ($r$), alle capacità portanti ($K$) e ai parametri di interazione ($\gamma$).
2. Differenziazione degli Interventi: Il quadro distingue tra due tipi di interventi:
   • Interventi sugli Stati: Interventi che alterano il valore di una variabile endogena (un nodo sul DAG causale) in un momento specifico. Questi spostano la traiettoria del sistema ma non cambiano le equazioni differenziali sottostanti. Il sistema può raggiungere lo stesso equilibrio in un momento diverso o un equilibrio diverso raggiungibile sotto le dinamiche originali.
   • Interventi sulle Dinamiche: Interventi che alterano i parametri esogeni del sistema (ad esempio, $K$, $\gamma$ o $r$). Questi cambiamenti modificano le relazioni causali e le equazioni che governano il sistema, portando a traiettorie che erano impossibili sotto le dinamiche originali.
3. Ridefinizione dell'Effetto Nullo: Il documento propone una nuova definizione dell'effetto causale nullo per sistemi dinamici. Un effetto causale è considerato "nullo sulle dinamiche" se la traiettoria post-intervento può essere mappata a una traiettoria pre-intervento spostando il tempo iniziale o lo stato iniziale, senza alterare le equazioni governative del sistema. Viceversa, un "effetto dinamico non nullo" esiste solo se l'intervento cambia i parametri del sistema, creando traiettorie che non avrebbero potuto essere generate dalle dinamiche originali indipendentemente dalle condizioni iniziali.
4. Rappresentazione del Grafo Causale: Gli autori utilizzano grafi causali dinamici (incorporando derivate e parametri) per visualizzare queste distinzioni. Gli interventi sui nodi di stato (nodi rossi) influenzano la traiettoria ma non la struttura del grafo, mentre gli interventi sui nodi di parametro (nodi blu) alterano le dinamiche del sistema.

Contributi e Risultati Chiave

• Limitazione dei DAG Standard: Il documento dimostra che i DAG causali standard, quando applicati a sistemi variabili nel tempo, possono violare la condizione di Fedeltà Causale. Se un intervento causa un effetto transitorio che alla fine si attenua (riportando il sistema all'equilibrio), la variabile diventa probabilisticamente indipendente dall'intervento dopo un certo tempo, portando gli algoritmi di scoperta standard a inferire erroneamente l'assenza di una relazione causale.
• Distinzione Formale degli Effetti: Gli autori forniscono un meccanismo formale per distinguere tra:
  1. Effetti Transitori: Interventi sui valori di stato che risultano nel sistema che raggiunge lo stesso equilibrio più tardi o prima, o un equilibrio diverso raggiungibile sotto le dinamiche originali.
  2. Effetti Duraturi (Dinamici): Interventi sui parametri del sistema che alterano fundamentalmente il comportamento del sistema e le possibilità di equilibrio.
• Identificazione dei Parametri Causali: Il documento sostiene che identificare veri effetti causali sulle dinamiche del sistema richiede di mirare a variabili esogene (parametri) piuttosto che a stati endogeni. Sintetizza idee dai DAG causali mainstream (Pearl, 2009), dai modelli causali dinamici (Blom e Mooij, 2023; Weinberger, 2023) e dall'ordinamento causale all'equilibrio (Iwasaki e Simon, 1994).
• Implicazioni per la Progettazione degli Studi: Si dimostra che la selezione dei punti temporali per la misurazione è critica. Se le misurazioni vengono effettuate solo dopo che un sistema è tornato all'equilibrio a seguito di un intervento basato sullo stato, l'effetto causale può essere erroneamente identificato come nullo. Il quadro proposto chiarisce che, per rilevare effetti dinamici, è necessario misurare la traiettoria del sistema o mirare ai parametri del sistema.

Significato e Affermazioni
Il documento afferma di offrire una nuova struttura per migliorare la specificità degli interventi, la progettazione degli studi e la raccolta dei dati in sistemi dinamici. Ridefinendo l'effetto nullo per tenere conto delle dinamiche del sistema, gli autori mirano a permettere ai ricercatori di differenziare formalmente tra interventi che semplicemente spostano lo stato di un sistema e quelli che cambiano i meccanismi causali sottostanti del sistema.

Gli autori affermano esplicitamente che il documento si concentra sul problema dell'identificazione causale piuttosto che sulla stima di questi effetti dai dati osservati. Riconoscono che, sebbene il loro approccio chiarisca cosa costituisca un effetto causale sulle dinamiche, stimare questi effetti (ad esempio, tramite registrazione funzionale o G-computazione) presenta sfide significative, in particolare con dati irregolari o infrequenti. Il lavoro è presentato come un quadro teorico per guidare la ricerca futura nella distinzione tra effetti causali transitori e duraturi in studi osservazionali e sperimentali che coinvolgono sistemi variabili nel tempo.