Resumo Técnico: Agrupamento e Poda em Fusão de Dados Causais

Definição do Problema

O artigo aborda o problema geral de identificação de efeito causal, onde o objetivo é combinar dados observacionais e experimentais de múltiplas fontes para identificar um efeito causal $p(y \mid do(x))$ que não é identificável a partir de uma única fonte. Embora o do-calculus (Pearl, 1995) sirva como a ferramenta de propósito geral para esta tarefa, algoritmos baseados nele (como o Do-search) enfrentam desafios computacionais significativos à medida que o número de variáveis aumenta e o grafo causal se torna complexo.

Algoritmos de identificação existentes para cenários específicos (ex: identificabilidade-g, transportabilidade-g) frequentemente dependem de suposições restritivas, como a disponibilidade de distribuições conjuntas completas onde a união das variáveis observadas e intervencionadas cobre todas as variáveis endógenas. Em contraste, a fusão de dados no mundo real frequentemente envolve distribuições de entrada parcialmente sobrepostas (ex: uma fonte mede $p(x, z)$ e outra mede $p(z, y)$), onde nenhum algoritmo atual consegue determinar a identificabilidade sem recorrer a métodos de busca computacionalmente caros.

O desafio central é que reduzir o tamanho de um grafo causal (via pré-processamento) não garante automaticamente a preservação da identificabilidade dos efeitos causais. Se um grafo é modificado, não há garantia de que as inferências feitas no grafo modificado se transfiram de volta para o original. O artigo busca estabelecer condições rigorosas sob as quais a poda (remoção de variáveis) e o agrupamento (combinação de variáveis) podem ser aplicados a problemas de fusão de dados causais sem alterar o status de identificabilidade.

Metodologia

Os autores propõem um framework para o pré-processamento de grafos causais no contexto de múltiplas fontes de dados. Eles generalizam resultados anteriores (Tikka e Karvanen, 2018; Tikka et al., 2023) que eram limitados a fontes de dados observacionais únicas.

1. Poda (Pruning)

A poda envolve a remoção de variáveis que são irrelevantes para a identificação de um efeito causal específico. O artigo deriva três teoremas para poda na presença de múltiplas distribuições de entrada $I = \{p(a_i \mid do(b_i), c_i)\}$:

• Teorema 7 (Poda de Não-Ancestrais): Variáveis que não são ancestrais da variável de resposta $Y$ podem ser removidas, desde que não estejam envolvidas nos conjuntos de condicionamento ou intervenção de qualquer distribuição de entrada.
• Teorema 8 (Poda Pós-Intervenção): Variáveis que se tornam d-separadas de $Y$ após uma intervenção em $X$ podem ser removidas, sujeitas a condições que garantam que a remoção não altere as propriedades de d-separação entre membros de $X$ ou viole a estrutura das distribuições de entrada.
• Teorema 9 (Poda de Vértices Isolados): Vértices conectados ao resto do grafo apenas através de uma única variável podem ser removidos se não fizerem parte dos conjuntos de condicionamento ou intervenção de qualquer distribuição de entrada.

2. Agrupamento (Clustering)

O agrupamento substitui um conjunto de vértices $T$ por um único vértice $\mathcal{T}$. O artigo foca em clusters de trânsito (transit clusters), definidos como conjuntos de vértices onde a informação flui de "receptores" (nós com pais fora de $T$) para "emissores" (nós com filhos fora de $T$) de uma maneira específica e uniforme.

• Definição 13 (Cluster de Trânsito): Um conjunto $T$ é um cluster de trânsito se todos os receptores compartilham os mesmos pais externos, todos os emissores compartilham os mesmos filhos externos, e a conectividade interna garante que cada nó esteja vinculado a um receptor ou emissor.
• Invariância de Identificação: O artigo introduz o Algoritmo 1 (VerifyInputs) para verificar se uma operação de agrupamento preserva a identificabilidade.
  • Teorema 17: Se um efeito causal é identificável no grafo agrupado, ele é identificável no grafo original.
  • Teorema 18: Se um efeito causal não é identificável no grafo agrupado, e o VerifyInputs retorna TRUE, então ele não é identificável no grafo original.
  • Teorema 19: Um caso especial onde o agrupamento é sempre invariante de identificação se o conjunto de receptores e emissores se interceptar (ou seja, um nó serve como ambos).

3. Recuperação de Funcionais Identificadores

O artigo demonstra que funcionais identificadores derivados de grafos podados ou agrupados podem ser mapeados de volta para o grafo original:

• Teorema 20: Para poda, o funcional identificador permanece inalterado ($f(I) = g(I')$).
• Teorema 21: Para agrupamento, o funcional é obtido substituindo a variável agrupada $\mathcal{T}$ pelo subconjunto específico da classe original $T$ que aparece na correspondente distribuição de entrada.

Principais Resultados

1. Generalização para Múltiplas Fontes: Os autores expandem com sucesso os resultados de invariância de poda e agrupamento de configurações de fonte única para o caso geral de múltiplas fontes de dados parcialmente sobrepostas. Isso é não trivial porque conceitos padrão como c-componentes e projeções latentes são mal definidos quando distribuições completas não estão disponíveis.
2. Verificação Algorítmica: O desenvolvimento do VerifyInputs (Algoritmo 1) fornece um método prático para determinar quando a não-identificabilidade em um grafo agrupado implica a não-identificabilidade no grafo original, um passo crítico para evitar falsos negativos.
3. Eficiência Computacional: Um estudo de simulação usando Do-search em 108.933 instâncias mostra que a estratégia de redução (poda + agrupamento) supera significativamente a estratégia direta (executar Do-search no grafo original) para grafos maiores.
   • Para grafos com 12 vértices, a economia mediana de tempo em casos não identificáveis (Configuração B) excedeu 12 minutos.
   • O overhead de verificar as condições de poda/agrupamento é desprezível (mediana < 0,05 segundos).
   • Em casos onde a redução não é aplicável, a penalidade de tempo é mínima.
4. Aplicação Prática: Os métodos foram aplicados a dois exemplos do mundo real:
   • Estudo de Mortalidade Infantil: Demonstrou como a poda reduz um grafo complexo a um tamanho gerenciável para identificar o efeito do preço do tabaco no fumo passivo.
   • Estudo de Aterosclerose (ELSA-Brasil): Mostrou como o agrupamento de variáveis (ex: fatores socioeconômicos) permite a avaliação da identificabilidade sem a necessidade de estruturas internas detalhadas dos clusters, desde que certas condições sejam atendidas.

Significância e Alegações

O artigo afirma que a poda e o agrupamento servem como ferramentas essenciais de pré-processamento para a fusão de dados causais, particularmente em cenários com sobreposição parcial de dados onde algoritmos atuais de tempo polinomial são inaplicáveis.

• Eficiência: A principal significância é a redução da carga computacional. Ao reduzir o tamanho do grafo antes de aplicar algoritmos de busca de identificação, o método torna a identificação de efeitos causais viável para modelos maiores e mais complexos.
• Simplificação: Os métodos permitem uma apresentação mais concisa de grafos causais e funcionais identificadores mais simples.
• Planejamento de Coleta de Dados: Os autores observam que estas técnicas podem guiar estratégias de coleta de dados. Se uma variável pode ser podada, ela não precisa ser medida. Se um cluster de trânsito é usado, apenas os "emissores" do cluster precisam ser medidos para preservar a identificabilidade.
• Contribuição Teórica: O trabalho fornece condições suficientes para a invariância de identificação sem depender de conceitos (c-componentes, hedges) que exigem conhecimento distributivo completo. Isso preenche uma lacuna entre a inferência causal teórica e as restrições práticas de fusão de dados.

Os autores mantêm-se modestos quanto ao escopo, observando que os resultados se aplicam a efeitos causais marginais e que a completude do do-calculus para o caso geral não restrito permanece uma questão teórica aberta. Eles enfatizam que a aplicação destas operações é uma decisão do pesquisador, equilibrando ganhos computacionais contra o potencial de perda de interpretabilidade ou a necessidade de conhecimento específico do domínio.