Causal generalized linear models via Pearson risk invariance

Este artigo propõe um método para identificar modelos causais generalizados lineares utilizando a invariância do risco de Pearson e a maximização da verossimilhança, permitindo a descoberta causal a partir de um único ambiente de dados para certos modelos, como regressão de Poisson e logística, e implementado no pacote R `causalreg`.

O essencial

Imagine que você é um detetive tentando descobrir o que realmente causa algo. Por exemplo: será que comer sorvete causa afogamentos, ou será que ambos acontecem porque está calor? A maioria dos métodos de inteligência artificial hoje em dia é muito boa em encontrar padrões (sorvete e afogamento sempre aparecem juntos), mas péssima em entender a causa real.

Este artigo apresenta uma nova ferramenta para separar o joio do trigo, ou seja, para descobrir quais variáveis são as pais verdadeiros de um resultado, e não apenas "amigos" que aparecem junto.

Aqui está a explicação do método, usando analogias do dia a dia:

1. O Problema: O "Efeito Espelho"

Geralmente, para descobrir a causa, os cientistas precisam de dados de vários ambientes diferentes (como testar um remédio em climas quentes, frios, úmidos, etc.). Se o padrão se mantiver em todos eles, provavelmente é uma causa real.

• O problema: Na vida real, muitas vezes temos apenas um único conjunto de dados (uma única "foto" do mundo). Os métodos antigos falham aqui porque não têm o que comparar.

2. A Solução: A "Balança Perfeita" (Risco de Pearson)

Os autores propõem uma ideia genial baseada em uma propriedade matemática chamada Risco de Pearson.

Imagine que você está tentando adivinhar o peso de uma caixa (o resultado) olhando para o que está dentro dela (os pais causais).

• Modelos comuns (apenas previsão): Eles tentam adivinhar o peso de qualquer jeito. Às vezes acertam, às vezes erram muito. O erro deles varia muito dependendo de como você olha para a caixa.
• O Modelo Causal (o nosso herói): Este modelo é especial. Ele usa uma "balança mágica" (o Risco de Pearson). Se você usar a balança correta (os pais certos), o erro de previsão fica perfeitamente equilibrado e constante, não importa como você tente "perturbar" o sistema.

A Analogia da Receita de Bolo:
Imagine que você quer descobrir a receita secreta de um bolo perfeito.

• Se você misturar ingredientes aleatórios (farinha, sal, chocolate, areia), o bolo vai ficar ruim, e o "erro" (o gosto estranho) vai variar muito dependendo de quanto você mexe.
• Mas, se você usar apenas os ingredientes corretos (farinha, ovos, açúcar), a receita é tão robusta que, mesmo que você mude um pouco a temperatura do forno ou o tempo de mistura, o bolo continua saindo perfeito. O "erro" (a diferença entre o bolo esperado e o real) fica sempre no mesmo nível ideal.

O método do artigo diz: "Encontre o modelo onde o erro da previsão se comporta como uma balança perfeitamente calibrada. Esse é o modelo causal."

3. A Grande Vantagem: Um Único Ambiente Basta!

A parte mais inovadora é que, para certos tipos de dados (como contagens de coisas, tipo "número de filhos", ou sim/não, tipo "doente/saudável"), essa "balança mágica" já tem um valor conhecido de antemão.

• Antes: Você precisava de 100 laboratórios diferentes para provar que algo era causa.
• Agora: Com essa nova ferramenta, você pode olhar para um único laboratório (um único conjunto de dados) e, se o erro da previsão estiver "perfeitamente calibrado", você sabe que achou a causa!

Isso é como se você pudesse descobrir a receita secreta de um bolo apenas provando uma única fatia, sem precisar testar em 100 cozinhas diferentes.

4. Como eles fazem isso na prática? (O Detetive Inteligente)

Como existem milhões de combinações possíveis de variáveis (quem é pai de quem?), checar tudo seria como tentar abrir todas as fechaduras do mundo com uma chave mestra. Demoraria uma eternidade.

O artigo propõe um algoritmo passo a passo (como um jogo de "quente ou frio"):

1. Começa com nada.
2. Adiciona uma variável de cada vez e verifica: "O erro da previsão ficou mais equilibrado?"
3. Se sim, mantém. Se não, descarta.
4. No final, faz uma limpeza para garantir que não sobrou nenhum "amigo" que não é pai.

5. Onde isso é usado? (Exemplos Reais)

Os autores testaram a ferramenta em situações reais:

• Fertilidade: Descobrir o que realmente causa o número de filhos das mulheres (educação, idade, raça), separando isso de simples correlações.
• Renda Alta: Descobrir o que realmente faz alguém ganhar mais de 50 mil dólares (idade, educação, profissão), em vez de apenas ver o que está associado a isso.
• Experimento de Luz: Validaram a ferramenta em um experimento físico controlado, onde eles sabiam a resposta certa, e a ferramenta acertou.

Resumo Final

Este paper cria um novo "detetive de causas" que funciona mesmo quando você só tem um conjunto de dados. Em vez de depender de muitos experimentos diferentes, ele usa uma propriedade matemática (o erro da previsão deve ser perfeitamente estável) para identificar a verdade.

É como se, em vez de precisar de várias fotos de um crime para saber quem é o culpado, você pudesse olhar para uma única foto e, analisando a sombra projetada, saber exatamente quem estava lá. Isso abre portas para entender causas em áreas onde não podemos fazer experimentos controlados, como economia, saúde pública e sociologia.

Resumo técnico

Resumo Técnico: Modelos Generalizados Lineares Causais via Invariância do Risco de Pearson

1. O Problema

A inferência causal visa identificar relações causais entre variáveis, garantindo que modelos de aprendizado de máquina tenham generalização out-of-distribution (fora da distribuição) e interpretabilidade causal. Métodos existentes de descoberta causal, como a Predição Causal Invariante (ICP) de Peters et al. (2016), baseiam-se na premissa de que a distribuição condicional de uma variável alvo, dados seus pais causais, permanece invariante sob intervenções em outras variáveis.

No entanto, essas abordagens enfrentam duas limitações principais:

1. Dependência de Múltiplos Ambientes: A maioria dos métodos exige dados de vários ambientes suficientemente diferentes (heterogêneos) para identificar a invariância. Em muitos cenários observacionais, tais dados não estão disponíveis.
2. Restrição a Modelos Lineares/Gaussianos: A maioria das extensões teóricas e práticas foca em modelos de equações estruturais lineares com erros Gaussianos. A aplicação a modelos não-lineares ou com respostas não-Gaussianas (como contagens ou binárias) é complexa e muitas vezes requer múltiplos ambientes.

O objetivo deste trabalho é desenvolver uma metodologia para descoberta causal em Modelos Generalizados Lineares (GLMs) que possa, em casos importantes, identificar a estrutura causal a partir de um único ambiente observacional, sem assumir linearidade estrita ou distribuições Gaussianas para as covariáveis.

2. Metodologia

Os autores propõem um modelo de equação estrutural onde a variável alvo $Y$, condicionada aos seus pais causais $X_{PA}$, segue uma distribuição da família exponencial de dispersão (Exponential Dispersion Family - EDF).

Caracterização do Modelo Causal:
O artigo estabelece que o modelo causal verdadeiro é caracterizado unicamente por duas propriedades fundamentais:

1. Maximização da Verossimilhança Esperada: O modelo causal maximiza a verossimilhança esperada de $Y$ dados seus pais.
2. Invariância do Risco de Pearson: O risco de Pearson (risco quadrático ponderado pela variância condicional) do modelo causal é perfeitamente disperso (igual ao parâmetro de dispersão $\phi$) e, crucialmente, invariante sob qualquer distribuição dos covariáveis (incluindo intervenções).

Matematicamente, para um modelo causal $f_{PA}$, o risco de Pearson satisfaz:
$$E_{X,Y} \left[ \frac{(Y - \dot{b}(f_{PA}(X)))^2}{\ddot{b}(f_{PA}(X))} \right] = a(\phi)$$
Onde $\dot{b}$ e $\ddot{b}$ são a primeira e segunda derivadas da função geradora de cumulantes, e $a(\phi)$ é o parâmetro de dispersão.

Algoritmos Propostos:
Baseados nessas propriedades, os autores propõem duas estratégias de busca:

• Algoritmo de Busca Exaustiva: Testa todos os subconjuntos de covariáveis. Para cada candidato, estima os parâmetros via máxima verossimilhança penalizada e verifica se o risco de Pearson empírico não rejeita a hipótese nula de invariância perfeita (usando testes estatísticos ou bootstrap). O modelo final é selecionado pelo Critério de Informação Bayesiano (BIC) entre os candidatos válidos.
• Algoritmo Stepwise (Passo a Passo): Uma versão computacionalmente eficiente para sistemas com muitas variáveis.
  • Fase de Adição: Adiciona variáveis uma a uma até que o modelo não possa mais ser rejeitado como perfeitamente disperso.
  • Fase de Remoção: Remove variáveis redundantes (que são d-separadas dos pais causais) usando o BIC.

Inovação Chave (Ambiente Único):
Para GLMs com parâmetro de dispersão conhecido (como Regressão Poisson e Logística, onde $a(\phi)=1$), o valor do risco de Pearson é conhecido a priori. Isso permite identificar o modelo causal a partir de um único conjunto de dados, eliminando a necessidade de múltiplos ambientes heterogêneos exigida por métodos anteriores.

3. Resultados Principais

O desempenho do método foi avaliado através de simulações e estudos de caso empíricos:

• Simulações (Poisson e Logística):

  • Em cenários de amostra finita ($n=1000$), o método proposto (Causal GLM) superou consistentemente o algoritmo PC (baseado em independência condicional) na identificação correta dos pais causais.
  • O método demonstrou alta precisão (até 91% de acerto para Poisson com $n=1000$) mesmo na presença de não-linearidades complexas (ex: funções seno e polinômios).
  • A versão stepwise reduziu o custo computacional em média 5,2 vezes em relação à busca exaustiva, com perda mínima de precisão.
  • O método mostrou robustez ao identificar que modelos puramente preditivos (que minimizam o erro no conjunto de treinamento) falham em garantir invariância em ambientes de teste deslocados.

• Estudos de Caso Empíricos:

  1. Experimento Controlado (Causal Chambers): Em um experimento físico de túnel de luz, o método identificou corretamente as cores da fonte de luz e intensidades visíveis como pais causais de um sensor, apesar de ruídos e não-linearidades.
  2. Fertilidade Feminina (GSS): Utilizando dados dos EUA, o modelo identificou causalmente anos de escolaridade, idade, raça e ambiente de vida como determinantes do número de filhos. O modelo capturou efeitos não-lineares (ex: queda acentuada na fertilidade com alto nível de escolaridade) que modelos lineares tradicionais falharam em detectar.
  3. Renda Alta (Censo dos EUA): Identificou idade, nível de educação, estado civil e ocupação como determinantes causais de alta renda. O modelo revelou efeitos não-lineares da idade na renda e a forte associação causal de certas ocupações e estado civil com alta renda.

4. Contribuições Chave

1. Generalização para GLMs: Estende a teoria da invariância causal para a família de distribuições exponenciais, permitindo o uso de modelos Poisson, Binomiais e outros, com estruturas aditivas flexíveis (não-lineares).
2. Identificação em Ambiente Único: Demonstra que, para GLMs com dispersão conhecida, a invariância do risco de Pearson é suficiente para identificar a estrutura causal sem necessidade de dados de múltiplos ambientes, uma limitação histórica dos métodos de invariância.
3. Novo Critério de Invariância: Introduz o Risco de Pearson Invariante como um critério de seleção causal, que lida naturalmente com a heterocedasticidade inerente aos GLMs (diferente do risco quadrático usado em modelos Gaussianos).
4. Implementação Prática: Disponibiliza o pacote R causalreg, facilitando a aplicação desses métodos em estudos observacionais reais.

5. Significado e Impacto

Este trabalho preenche uma lacuna crítica na literatura de inferência causal ao permitir a descoberta causal em cenários observacionais comuns (dados de contagem, binários) onde a coleta de dados de múltiplos ambientes intervencionais é inviável ou antiética.

Ao provar que a invariância do risco de Pearson pode ser explorada em um único ambiente para modelos com dispersão conhecida, o método democratiza o uso de técnicas de causalidade robustas para áreas como saúde pública, economia e ciências sociais, onde a maioria dos dados é observacional e as relações são frequentemente não-lineares. A abordagem oferece uma alternativa robusta aos métodos baseados apenas em predição, garantindo que as relações descobertas sejam verdadeiramente causais e generalizáveis.