Density Ratio-based Causal Discovery from Bivariate Continuous-Discrete Data

Este artigo propõe o método DRCD para descobrir a direção causal entre variáveis contínuas e discretas, baseando-se na prova teórica de que a monotonicidade da razão de densidades caracteriza a relação $X \to Y$, enquanto a não monotonicidade ou famílias de deslocamento de localização indicam $Y \to X$, superando assim métodos existentes em dados sintéticos e reais.

O essencial

Imagine que você é um detetive tentando descobrir quem mandou em quem em um relacionamento estranho entre duas pessoas: João (que é um número flutuante, como a temperatura ou o peso) e Maria (que é uma categoria, como "Sim/Não" ou "Doente/Saudável").

O problema é que você só tem fotos deles juntos (dados observacionais) e não pode fazer experimentos (como dar remédio a um e não ao outro). Quem causou o quê? A temperatura alta fez Maria ficar doente, ou o fato de Maria estar doente fez a temperatura subir?

Este artigo apresenta um novo método de detetive chamado DRCD (Descoberta Causal Baseada na Razão de Densidade) para resolver esse mistério.

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

1. O Mistério: Quem é o Chefe?

Na ciência, muitas vezes temos dados mistos: números contínuos e categorias. Métodos antigos tentavam adivinhar a direção da causalidade comparando "pontuações" de modelos, o que era como tentar comparar maçãs com laranjas e ver qual era mais "bonita". Era difícil e muitas vezes errado.

Este novo método não tenta comparar quem é mais bonito. Em vez disso, ele olha para a forma como os dados se comportam.

2. A Grande Descoberta: A "Dança" dos Dados

Os autores descobriram uma regra mágica sobre como os dados se comportam dependendo de quem é o causador. Eles usam uma ferramenta chamada Razão de Densidade (que é basicamente uma comparação de "quão provável é ver um certo valor de João, dado que Maria está em um estado específico").

Imagine que você está observando a altura de pessoas (João) em dois grupos: quem usa chapéu vermelho (Maria=1) e quem usa chapéu azul (Maria=0).

• Cenário A: João manda em Maria (X → Y)

  • A Analogia: Imagine que João é um termostato e Maria é um interruptor de luz. Quando a temperatura (João) passa de um certo ponto, a luz (Maria) acende.
  • O Padrão: Se você comparar a distribuição das temperaturas quando a luz está ligada vs. desligada, a "razão" entre elas será uma linha reta subindo ou descendo (monotônica). É como se a probabilidade de ver uma temperatura alta aumentasse suavemente e constantemente conforme você olha para o gráfico. É uma dança ordenada.

• Cenário B: Maria manda em João (Y → X)

  • A Analogia: Imagine que Maria é o clima (Chuva ou Sol) e João é o nível de água em um rio.
  • O Padrão: Se Maria (clima) causa João (rio), o nível da água pode ter formatos muito diferentes dependendo do estado. Se chove, o rio pode ter uma onda gigante; se faz sol, pode ser calmo.
  • A Regra: A "razão" entre esses dois estados geralmente não é uma linha reta. Ela sobe, desce, faz curvas, é bagunçada (não monotônica). É como uma dança desordenada.
  • Exceção: A única vez que a dança fica ordenada (linha reta) quando Maria manda em João é se o efeito for apenas um "deslocamento" simples (como empurrar todo o rio para a direita sem mudar sua forma). Mas os autores provaram matematicamente que isso é extremamente raro e requer uma "coordenação perfeita" e improvável entre a causa e o efeito.

3. O Método do Detetive (DRCD)

O algoritmo DRCD funciona como um teste de três etapas para descobrir a verdade:

1. Existe relação? Primeiro, ele verifica se os dados de João são diferentes dependendo do estado de Maria. Se forem iguais, não há causalidade (são apenas dois estranhos na mesma sala).
2. É apenas um deslocamento? Ele verifica se a mudança é apenas um "empurrão" simples (deslocamento de localização). Se for, conclui que Maria manda em João (Y → X).
3. A dança é reta? Se não for um deslocamento simples, ele olha para a "razão de densidade".
   • Se a linha for reta e suave (monotônica): O detetive grita: "João manda em Maria!" (X → Y).
   • Se a linha for curva e bagunçada: O detetive conclui: "Maria manda em João!" (Y → X).

4. Por que isso é genial?

• Não precisa de suposições rígidas: Métodos antigos exigiam que os dados seguissem formas específicas (como a curva de sino perfeita). O DRCD é flexível e aceita formas estranhas e complexas.
• Não compara "maçãs com laranjas": Em vez de tentar dar uma nota para o modelo "João causa Maria" e outra para "Maria causa João" (o que é injusto porque os tipos de dados são diferentes), ele apenas verifica uma propriedade matemática (se a linha é reta ou não). É como verificar se uma chave encaixa na fechadura, em vez de tentar adivinhar qual chave é mais bonita.

5. O Resultado

Os autores testaram isso em dados simulados (cenários de laboratório) e dados reais (como saúde e clima). O resultado? O DRCD acertou muito mais do que os métodos antigos, especialmente em casos onde a relação não era simples.

Resumo em uma frase:
O DRCD é um novo detetive que descobre quem é o "chefe" em uma relação entre um número e uma categoria, olhando para a "forma" da dança dos dados: se a dança é uma linha reta suave, o número manda; se a dança é bagunçada, a categoria manda.

Resumo técnico

1. O Problema

O artigo aborda um desafio fundamental na descoberta causal: inferir a direção causal entre uma variável contínua ($X$) e uma variável discreta ($Y$) a partir de dados observacionais, sem a realização de experimentos controlados.

Existem três cenários possíveis:

1. $X \to Y$ (A variável contínua causa a discreta).
2. $Y \to X$ (A variável discreta causa a contínua).
3. Não há relação causal (independência).

Limitações das abordagens existentes:

• Métodos baseados em restrições (ex: PC, FCI): Não funcionam em cenários bivariados, pois dependem de testes de independência condicional que exigem outras variáveis para condicionamento.
• Métodos baseados em Modelos Causais Funcionais (ex: LiM, MIC): Assumem que, quando $Y \to X$, as distribuições condicionais $P(X|Y)$ formam uma família de deslocamento de localização (location-shift family). Isso significa que as distribuições têm a mesma forma e variância, diferindo apenas na média. Essa suposição é restritiva e falha em cenários onde as distribuições condicionais possuem formas ou variâncias diferentes (heterocedasticidade).
• Métodos baseados em pontuação flexível (ex: CRACK, GSF): Evitam suposições distribucionais, mas enfrentam dificuldades teóricas ao comparar "pontuações" (scores) entre variáveis de tipos fundamentalmente diferentes (contínua vs. discreta), exigindo normalizações ad hoc sem justificativa teórica sólida.

2. Metodologia Proposta: DRCD

Os autores propõem o DRCD (Density Ratio-based Causal Discovery), um método que determina a direção causal testando propriedades da razão de densidade e a existência de deslocamento de localização, evitando comparações diretas de scores entre tipos de variáveis.

Modelos Considerados

• Caso $X \to Y$: Adota-se um modelo de limiar (threshold model). A variável discreta $Y$ é gerada por indicadores binários baseados em funções monótonas de $X$ mais ruído.
• Caso $Y \to X$: Consideram-se dois subcasos:
  1. Deslocamento de Localização: As distribuições $P(X|Y=c)$ são idênticas, exceto pela média (como em trabalhos anteriores).
  2. Parâmetros Independentes (Não-deslocamento): As distribuições $P(X|Y=c)$ são misturas de distribuições normais generalizadas com parâmetros (média, escala, forma) independentes para cada valor de $Y$. Isso permite variâncias e formas diferentes.

O Algoritmo DRCD (4 Passos)

O algoritmo opera da seguinte forma:

1. Teste de Existência Causal: Utiliza o teste de Kolmogorov-Smirnov (KS) para verificar se as distribuições condicionais $P(X|Y=c_s)$ e $P(X|Y=c_t)$ são diferentes. Se forem idênticas, conclui-se "Sem relação causal".
2. Teste de Deslocamento de Localização: Centraliza-se as amostras condicionais (subtraindo a média) e aplica-se o teste KS novamente. Se as distribuições centralizadas forem indistinguíveis, conclui-se que há um deslocamento de localização, indicando $Y \to X$.
3. Estimação da Razão de Densidade: Se não houver deslocamento de localização, estima-se a razão de densidade $G(x) = \frac{P(X|Y=c_t)}{P(X|Y=c_s)}$ utilizando o método uLSIF (unconstrained Least-Squares Importance Fitting).
4. Avaliação de Monotonicidade: Verifica-se se a razão de densidade estimada é monótona (crescente ou decrescente) usando o coeficiente de correlação de Spearman.
   • Se a razão for monótona: Indica $X \to Y$.
   • Se a razão for não-monótona: Indica $Y \to X$ (caso de parâmetros independentes).

3. Contribuições Teóricas Chave

O artigo estabelece a identificabilidade da direção causal através de três resultados teóricos principais:

1. Monotonicidade sob $X \to Y$:

   • Foi provado que, sob o modelo $X \to Y$, a razão de densidade condicional $P(X|Y=c_t) / P(X|Y=c_s)$ é monótona em relação a $X$. Isso ocorre devido à estrutura do modelo de limiar e à independência dos mecanismos.

2. Não-Monotonicidade Genérica sob $Y \to X$:

   • Sob o modelo $Y \to X$ com distribuições condicionais não pertencentes à mesma família de deslocamento de localização (parâmetros independentes), a razão de densidade é não-monótona em quase todo o espaço de parâmetros (conjunto de medida de Lebesgue zero para casos monótonos). Isso significa que a monotonicidade é uma coincidência estatística extremamente rara neste cenário.

3. Impossibilidade de Deslocamento de Localização sob $X \to Y$:

   • Foi demonstrado que, para que as condicionais sob $X \to Y$ formem uma família de deslocamento de localização, seria necessária uma coordenação precisa e não genérica entre o mecanismo causal e a distribuição de entrada. Sob o Princípio dos Mecanismos Independentes, isso é considerado não genérico. Portanto, se houver deslocamento de localização, a direção deve ser $Y \to X$.

4. Resultados Experimentais

Os autores avaliaram o DRCD em dados sintéticos e do mundo real, comparando-o com métodos como LiM, MIC, MANMs, CRACK e GSF.

• Dados Sintéticos:

  • O DRCD foi o único método a manter alta acurácia (>80%) em todos os cenários, incluindo o caso difícil de $Y \to X$ com não-deslocamento de localização (heterocedasticidade).
  • Métodos baseados em deslocamento de localização (LiM, MIC, MANMs) falharam drasticamente no cenário não-deslocado (acurácia próxima a 5-68%).
  • Métodos baseados em pontuação (CRACK, GSF) tiveram desempenho inconsistente, especialmente no cenário $X \to Y$.

• Dados do Mundo Real:

  • UCI Heart Disease: O DRCD e o CRACK tiveram o melhor desempenho (3 de 4 inferências corretas). O DRCD não cometeu erros de direção invertida, apenas inferiu "sem causalidade" em um caso onde o erro ocorreu.
  • Tübingen Cause-Effect Pairs: O DRCD identificou corretamente a direção em 3 de 4 pares, superando ou empatando com os melhores concorrentes, sem cometer erros de reversão de direção.

5. Significância e Conclusão

O trabalho é significativo por várias razões:

• Superação de Limitações Distribucionais: Ao permitir distribuições condicionais com formas e variâncias diferentes sob $Y \to X$, o DRCD é mais robusto e realista do que métodos anteriores que exigem deslocamento de localização.
• Solução para Comparação de Tipos Mistas: O DRCD contorna o problema de comparar "scores" entre variáveis contínuas e discretas. Em vez de comparar a qualidade do ajuste de dois modelos, ele testa uma propriedade intrínseca da razão de densidade (monotonicidade), eliminando a necessidade de normalizações ad hoc.
• Fundamentação Teórica Sólida: A identificabilidade é garantida por resultados de medida zero e pelo princípio dos mecanismos independentes, oferecendo uma base teórica rigorosa para a heurística proposta.
• Aplicabilidade Prática: O método demonstrou ser eficaz em cenários complexos do mundo real, como em estudos de saúde (correlação entre marcadores biológicos e doenças), onde a relação causal pode ser bidirecional ou envolver heterocedasticidade.

Em resumo, o DRCD oferece uma abordagem teoricamente fundamentada e empiricamente superior para a descoberta causal em dados mistos bivariados, preenchendo uma lacuna importante deixada por métodos existentes.