Interpretable Causal Graphical Models for Equilibrium Systems with Confounding

Resumo Técnico: Modelos Gráficos Causais Interpretáveis para Sistemas em Equilíbrio com Confundimento

1. Problema e Motivação

A inferência causal em cenários onde as variáveis de interesse estão em equilíbrio (ou onde se busca uma solução de equilíbrio) e onde há presença de confundimento (relações não causais entre variáveis) representa um desafio significativo.

• Limitações dos Modelos Atuais: Os Grafos Acíclicos Direcionados (DAGs), base do modelo de Causalidade de Pearl, não são adequados para capturar relações simétricas induzidas por equilíbrios ou confundimento. Grafos Ancestrais e Grafos de Cadeia foram propostos para lidar com confundimento ou equilíbrio individualmente, mas carecem de uma unificação geral que permita tanto a marginalização quanto o condicionamento de forma consistente.
• Desafio da Interpretabilidade: É necessário um modelo que permita representar graficamente tanto variáveis observacionais quanto contrafactuais (resultados potenciais) e que suporte a seleção de conjuntos de ajuste (adjustment sets) sob restrições práticas (ex: custos de coleta de dados ou requisitos regulatórios que exigem a inclusão ou exclusão de certas covariáveis).

2. Metodologia e Fundamentos Teóricos

O artigo propõe o uso de Grafos Anteriores (Anterial Graphs), uma generalização unificada que engloba DAGs, Grafos Ancestrais e Grafos de Cadeia.

A. Modelos de Equilíbrio Estrutural (Structural Equilibrium Models - SEMs)
Os autores formalizam a relação entre componentes de cadeia e confundimento através de um modelo estrutural generalizado:

• O sistema é dividido em partes (componentes de cadeia) $\tau_i$.
• Cada parte é descrita por uma função $f_{\tau_i}$ dependente de seus pais e de um erro $\epsilon_{\tau_i}$.
• Diferente dos SCMs tradicionais, os erros entre componentes podem ser dependentes (representando confundimento), e dentro de um componente, as variáveis podem estar em equilíbrio dinâmico.
• Interpretação Dinâmica: Cada componente de cadeia é associado a um processo dinâmico (como um Amostrador de Gibbs) que converge para uma distribuição de equilíbrio condicional aos pais.

B. Construção do Grafo (Algoritmo 1)
Um algoritmo é proposto para mapear o modelo estrutural para um grafo anterior:

1. Arestas Não Direcionadas: Representam dependências dentro de um componente de cadeia (equilíbrio).
2. Arestas Direcionadas: Representam dependências causais entre componentes.
3. Arestas Bidirecionadas: Representam erros dependentes entre componentes (confundimento).

• Teorema 1: Estabelece que, se a distribuição induzida for um compositional graphoid, ela satisfaz a propriedade de Markov em relação ao grafo anterior construído.

C. Intervenções e Grafos Contrafactuais

• Intervenção (Algoritmo 2): A intervenção em um conjunto de tratamento $C$ é representada graficamente como $do_C(G)$. Isso envolve remover arestas direcionadas e bidirecionadas entrando em $C$ e convertendo arestas não direcionadas em direcionadas para fora de $C$.
• Grafos Contrafactuais ($\phi(G; C)$): Os autores estendem a noção de grafos contrafactuais (Shpitser & Pearl) e grafos de intervenção de mundo único (SWIGs) para grafos anteriores.
  • O grafo $\phi(G; C)$ contém tanto as variáveis observacionais quanto as intervencionadas, conectadas por arestas bidirecionais que representam erros compartilhados.
  • O grafo SWAIG (Single-World Anterial Interventional Graph, $\phi'(G; C)$) é obtido marginalizando as variáveis que não são observadas no mundo contrafactual, evitando violações de fidelidade (faithfulness) causadas por determinismos.

D. Seleção de Ajuste com Restrições (Algoritmo 4)
O artigo apresenta um algoritmo para selecionar um conjunto de ajuste $S$ (conjunto de covariáveis para controlar o confundimento) sujeito a restrições:

• Restrições: $L \subseteq S \subseteq U$, onde $L$ são covariáveis obrigatórias (ex: por regulamentação) e $U$ são as covariáveis permitidas (excluindo as de custo proibitivo).
• Abordagem: Diferente de métodos que enumeram todos os conjuntos possíveis e filtram depois, este algoritmo opera de forma elementar (element-wise). Ele marginaliza iterativamente nós do conjunto superior $U$ enquanto verifica a separação gráfica entre a intervenção e o resultado no grafo maximizado.
• Teorema 5: Garante que o algoritmo retorna um conjunto de ajuste válido e minimal sob condições de fidelidade.

3. Principais Contribuições

1. Unificação de Modelos: Introdução de modelos gráficos baseados em grafos anteriores para sistemas de equilíbrio com confundimento, generalizando DAGs, Grafos Ancestrais e Grafos de Cadeia.
2. Interpretabilidade Causal: Definição clara de intervenções e variáveis contrafactuais em sistemas de equilíbrio, permitindo que manipulações mecânicas locais no grafo representem intervenções no sistema físico.
3. Novos Grafos de Intervenção: Desenvolvimento de grafos contrafactuais ($\phi$) e grafos de intervenção de mundo único (SWAIG) para o contexto de grafos anteriores, resolvendo problemas de fidelidade e representando corretamente erros compartilhados.
4. Algoritmo de Seleção de Ajuste Restrito: Proposta de um algoritmo eficiente e provadamente correto para selecionar conjuntos de ajuste com restrições de inclusão/exclusão, crucial para aplicações em ensaios clínicos e justiça algorítmica.
5. Validação Empírica: Simulações utilizando amostradores de Gibbs e distribuições de equilíbrio que validam a propriedade de Markov dos modelos propostos.

4. Resultados e Simulações

• Os autores simularam dados a partir de modelos de equilíbrio estrutural correspondentes a grafos anteriores (Figuras 4, 5 e 6).
• Utilizaram amostradores de Gibbs para gerar dados de equilíbrio e testaram a independência condicional par a par.
• Os testes de hipótese (Fisher-Z) confirmaram que as independências condicionais observadas nos dados simulados correspondem às separações gráficas previstas pelo Teorema 1, validando a validade do modelo gráfico para sistemas de equilíbrio.

5. Significado e Impacto

Este trabalho é significativo por preencher uma lacuna teórica importante na inferência causal:

• Aplicabilidade Prática: Permite a análise causal em sistemas complexos onde as variáveis atingem um estado estacionário (comum em economia, biologia e engenharia) e onde há confundimento não observado.
• Flexibilidade Regulatória: O algoritmo de seleção de ajuste com restrições oferece uma ferramenta prática para pesquisadores que precisam obedecer a diretrizes estritas de agências reguladoras (como FDA/EMA) ou restrições éticas, garantindo que o ajuste seja feito sem violar essas restrições.
• Fundamentação Teórica: Ao provar que grafos anteriores são fechados sob marginalização e condicionamento (ao contrário de DAGs), o trabalho fornece uma base robusta para a inferência causal em cenários onde variáveis latentes ou seleção de amostra estão presentes.

Em resumo, o artigo fornece uma estrutura gráfica unificada e interpretável para realizar inferência causal em sistemas de equilíbrio com confundimento, oferecendo tanto ferramentas teóricas (novos tipos de grafos e teoremas de Markov) quanto algoritmos práticos para a seleção de variáveis de controle.