Causal Discovery in Multivariate Extremes via Tail Asymmetry

1. O Problema

A descoberta causal em sistemas multivariados extremos (eventos raros e severos) é um desafio significativo devido a três características principais:

• Escassez de Dados: Observações extremas são raras, limitando o tamanho efetivo da amostra.
• Dependência Latente: Eventos extremos são frequentemente impulsionados por choques comuns não observados (confundidores latentes), que criam dependências simétricas fortes entre variáveis, mascarando a direção causal real.
• Limitações dos Métodos Existentes: Abordagens clássicas (como PC, LiNGAM, NOTEARS) são calibradas para o comportamento "bulk" (corpo da distribuição) e dependem de independência condicional ou não-Gaussianidade que não se aplicam diretamente aos extremos. Métodos existentes para extremos geralmente focam em grafos não direcionados, exigem restrições prévias de estrutura ou não escalam para sistemas com centenas de variáveis.

O objetivo é desenvolver um método totalmente orientado por dados para descobrir a estrutura causal (direção das arestas) em grandes sistemas multivariados sob regime de cauda, mesmo na presença de confundidores latentes.

2. Metodologia: S3ME

Os autores propõem o S3ME (Sparse Structure Discovery in Multivariate Extremes), um framework de duas etapas baseado em um insight estrutural fundamental: a Assimetria Induzida pela Cauda (Tail-Induced Asymmetry).

Princípio Fundamental: Assimetria de Cauda

Em sistemas recursivos de extremos (modelos max-lineares), o princípio do "único grande salto" (single big jump principle) implica que:

• Previsão Futura (Direta): Se uma variável causa $X_i$ sofre um choque extremo, é altamente provável que sua descendente $X_j$ também seja extrema, com uma relação determinística clara. Prever $X_j$ dado $X_i$ é fácil.
• Previsão Reversa (Inversa): Se $X_j$ é extrema, ela pode ter sido causada por $X_i$ ou por um choque local próprio em $X_j$. É impossível distinguir a fonte apenas observando $X_j$. Prever $X_i$ dado $X_j$ é difícil e ambíguo.
• Conclusão: O risco de previsão (erro) é sistematicamente menor na direção causal (frente) do que na direção reversa. Essa assimetria permite identificar a direção causal.

Etapa 1: Recuperação do Esqueleto (Screening)

O objetivo é recuperar um esqueleto de grafo não direcionado esparso que contenha todas as arestas verdadeiras, ajustando para confundidores latentes.

• Transformação de Dados: Os dados são transformados para coordenadas de cauda logarítmicas ($Z = \log Y - \log u$).
• Ajuste por Proxy: Para lidar com choques comuns latentes, introduz-se uma variável proxy ($P$) que captura a variação comum.
• Seleção de Vizinhança Penalizada: Utiliza-se uma regressão Lasso ($\ell_1$) nodal onde a proxy é incluída como um regressor não penalizado. Isso absorve a dependência simétrica induzida pelo confundidor, permitindo que os coeficientes penalizados capturem apenas as conexões diretas.
• Garantia: O método garante "screening seguro" (sure screening), ou seja, com alta probabilidade, todas as arestas verdadeiras são retidas no esqueleto candidato.

Etapa 2: Orientação de Arestas (Score-Based)

Dado o esqueleto, as arestas são orientadas explorando a assimetria de cauda.

• Modelo de Envelope Max-Linear: Para cada nó, ajusta-se um preditor do tipo "envelope" (máximo de funções lineares) no domínio log-tail.
• Critério de Pontuação: Define-se uma pontuação baseada no risco de previsão (erro absoluto) e uma penalidade de complexidade (EBIC - Extended Bayesian Information Criterion).
• Busca Gananciosa: O algoritmo busca a orientação de arestas que minimiza a pontuação global. A direção que resulta em menor erro de previsão (explorando a assimetria) é selecionada.
• Consistência: Sob condições de separação de risco populacional, o estimador é consistente, mesmo sem um grafo pré-especificado.

3. Contribuições Principais

1. Identificabilidade via Assimetria: Estabelecem teoricamente que a assimetria induzida pela cauda é uma fonte identificável de direção causal em sistemas de cauda pesada, algo não explorado anteriormente em configurações de alta dimensão totalmente orientadas por dados.
2. Framework Escalável (S3ME): Desenvolvem um método de duas etapas que lida com centenas de variáveis e confundidores latentes, superando a limitação de métodos anteriores restritos a pequenos sistemas ou grafos pré-estruturados.
3. Robustez a Confundidores: Introduzem uma procedure de ajuste por proxy que suprime falsos positivos induzidos por choques comuns, mantendo a estabilidade em escalas onde métodos direcionados concorrentes falham.
4. Garantias Teóricas: Provas de consistência para a recuperação do esqueleto (screening seguro) e para a orientação baseada em pontuação em regimes de alta dimensão ($p \gg k$, onde $k$ é o tamanho da amostra de cauda).

4. Resultados e Avaliação

Simulações

• Escalabilidade: O S3ME demonstra robustez ao aumentar a dimensão ($p$ de 20 a 200). Enquanto métodos baseados em dados do corpo (como FGES) e métodos de extremos sem ajuste de proxy (como EASE) acumulam muitos falsos positivos e perdem precisão, o S3ME mantém um F1-score superior e um SHD (Structural Hamming Distance) menor.
• Sensibilidade a Confundidores: Em testes de estresse com intensidade variável de confundimento latente, o S3ME (com ajuste de proxy) mantém um F1 alto (~0.83) e quase zero falsos positivos induzidos por confusão. Sem o ajuste de proxy, o desempenho degrada drasticamente (F1 cai para ~0.70 e falsos positivos explodem).

Aplicações em Dados Reais

1. Rede Hidrológica (Danúbio Superior):
   • Dados: 31 estações de medição de vazão.
   • Resultado: O método recuperou 24 arestas do esqueleto (precisão 0.88) e orientou corretamente 17 das 21 arestas corretamente identificadas (81%). As arestas invertidas ocorreram em pontos de confluência onde o sinal de propagação é ambíguo. O ajuste por proxy (tempestades regionais) foi crucial para remover dependências espúrias.
2. Rede de Risco de Cauda (S&P 500):
   • Dados: 103 ações de todos os setores GICS.
   • Proxy: VIX, perda do mercado e rendimento de títulos.
   • Resultado: Recuperou uma estrutura esparsa e interpretável, mostrando clusters dentro de setores (ex: Utilities) e vias de transmissão entre setores. Identificou hubs de propagação de risco, alinhando-se qualitativamente com canais econômicos plausíveis, sem conhecimento prévio da estrutura causal.

5. Significado e Conclusão

O trabalho preenche uma lacuna crítica na estatística de extremos e na descoberta causal. Ele demonstra que é possível realizar descoberta causal totalmente orientada por dados em grandes sistemas multivariados sob regime de cauda, superando o problema da escassez de dados e da confusão latente.

A principal inovação é a exploração da assimetria direcional inerente aos processos de extremos (onde prever o efeito a partir da causa é mais fácil do que o inverso) combinada com um mecanismo de ajuste de proxy para isolar a estrutura causal local de choques comuns globais. Isso permite a construção de grafos causais esparsos e interpretáveis em domínios críticos como hidrologia e finanças, onde a compreensão da propagação de riscos extremos é vital para a gestão e intervenção.

O código é reproduzível e disponível publicamente, facilitando a adoção do método em outras áreas.