Modifying causal models to distinguish between transient and lasting causal effects

Resumo Técnico: Modificação de Modelos Causais para Distinguir Entre Efeitos Causais Transitórios e Duradouros

Declaração do Problema
Os atuais frameworks de inferência causal, baseados principalmente em resultados potenciais e Grafos Acíclicos Direcionados (DAGs) causais, enfrentam limitações significativas quando aplicados a sistemas com dinâmicas temporais complexas. Embora esses métodos analisem com sucesso dados transversais e longitudinais, eles lutam para distinguir entre intervenções que causam mudanças transitórias (onde o sistema eventualmente retorna ao seu equilíbrio de base) e aquelas que induzem mudanças duradouras na dinâmica do sistema.

Nos modelos causais padrão, as variáveis representam medições em pontos de tempo específicos. Consequentemente, os efeitos causais são definidos em relação ao momento dessas medições. Se uma intervenção alterar temporariamente uma variável de estado (por exemplo, volume tumoral), mas as equações diferenciais subjacentes do sistema permanecerem inalteradas, o sistema eventualmente retornará à sua trajetória de equilíbrio original, apenas deslocada no tempo. Definições padrão de efeito nulo ($E[Y(1) - Y(0)] \neq 0$) falham em diferenciar entre uma perturbação temporária de um estado e uma modificação fundamental dos parâmetros causais do sistema. Essa limitação é crítica em áreas como pesquisa em saúde, onde distinguir entre um tratamento que reduz temporariamente o tamanho do tumor e um que altera os mecanismos biológicos do crescimento tumoral é essencial.

Metodologia
Os autores propõem uma mudança de uma abordagem "baseada em medição" para uma abordagem "baseada em sistema e estado". A metodologia envolve:

1. Modelagem Causal Dinâmica: Utilização de sistemas de equações diferenciais ordinárias (EDOs) para representar a dinâmica do sistema, em vez de apenas variáveis de pontos de tempo discretos. O artigo utiliza um modelo de competição de Lotka-Volterra para o crescimento tumoral como exemplo motivador, onde os volumes celulares ($V_{target}$ e $V_{proxy}$) evoluem de acordo com taxas de crescimento ($r$), capacidades de suporte ($K$) e parâmetros de interação ($\gamma$).
2. Diferenciação de Intervenções: O framework distingue entre dois tipos de intervenções:
   • Intervenções em Estados: Intervenções que alteram o valor de uma variável endógena (um nó no DAG causal) em um momento específico. Estas deslocam a trajetória do sistema, mas não alteram as equações diferenciais subjacentes. O sistema pode atingir o mesmo equilíbrio em um momento diferente ou um equilíbrio diferente alcançável sob a dinâmica original.
   • Intervenções em Dinâmicas: Intervenções que alteram os parâmetros exógenos do sistema (por exemplo, $K$, $\gamma$ ou $r$). Essas mudanças modificam as relações causais e as equações que regem o sistema, levando a trajetórias que eram impossíveis sob a dinâmica original.
3. Redefinição do Efeito Nulo: O artigo propõe uma definição novel de efeito causal nulo para sistemas dinâmicos. Um efeito causal é considerado "nulo na dinâmica" se a trajetória pós-intervenção puder ser mapeada para uma trajetória pré-intervenção deslocando o tempo inicial ou o estado inicial, sem alterar as equações governantes do sistema. Por outro lado, um "efeito dinâmico não nulo" existe apenas se a intervenção alterar os parâmetros do sistema, criando trajetórias que não poderiam ter sido geradas pela dinâmica original, independentemente das condições iniciais.
4. Representação em Grafos Causais: Os autores utilizam grafos causais dinâmicos (incorporando derivadas e parâmetros) para visualizar essas distinções. Intervenções em nós de estado (nós vermelhos) afetam a trajetória, mas não a estrutura do grafo, enquanto intervenções em nós de parâmetro (nós azuis) alteram a dinâmica do sistema.

Principais Contribuições e Resultados

• Limitação dos DAGs Padrão: O artigo demonstra que DAGs causais padrão, quando aplicados a sistemas variantes no tempo, podem violar a condição de Fidelidade Causal. Se uma intervenção causar um efeito transitório que eventualmente subsidir (retornando o sistema ao equilíbrio), a variável torna-se probabilisticamente independente da intervenção após um certo tempo, levando algoritmos de descoberta padrão a inferir incorretamente que não há relação causal.
• Distinção Formal de Efeitos: Os autores fornecem um mecanismo formal para distinguir entre:
  1. Efeitos Transitórios: Intervenções em valores de estado que resultam no sistema atingindo o mesmo equilíbrio mais tarde ou mais cedo, ou um equilíbrio diferente alcançável sob a dinâmica original.
  2. Efeitos Duradouros (Dinâmicos): Intervenções em parâmetros do sistema que alteram fundamentalmente o comportamento do sistema e as possibilidades de equilíbrio.
• Identificação de Parâmetros Causais: O artigo argumenta que identificar efeitos causais verdadeiros na dinâmica do sistema requer o direcionamento de variáveis exógenas (parâmetros) em vez de estados endógenos. Ele sintetiza ideias de DAGs causais convencionais (Pearl, 2009), modelos causais dinâmicos (Blom e Mooij, 2023; Weinberger, 2023) e ordenamento causal em equilíbrio (Iwasaki e Simon, 1994).
• Implicações para o Desenho de Estudos: A seleção de pontos de tempo para medição mostra-se crítica. Se as medições forem realizadas apenas após o sistema ter retornado ao equilíbrio following uma intervenção baseada em estado, o efeito causal pode ser mal identificado como nulo. O framework proposto esclarece que, para detectar efeitos dinâmicos, deve-se medir a trajetória do sistema ou direcionar os parâmetros do sistema.

Significado e Alegações
O artigo afirma oferecer uma nova estrutura para melhorar a especificidade de intervenções, o desenho de estudos e a coleta de dados em sistemas dinâmicos. Ao redefinir o efeito nulo para levar em conta a dinâmica do sistema, os autores visam permitir que os pesquisadores diferenciem formalmente entre intervenções que apenas deslocam o estado de um sistema e aquelas que alteram os mecanismos causais subjacentes do sistema.

Os autores afirmam explicitamente que o artigo foca no problema de identificação causal em vez da estimação desses efeitos a partir de dados observados. Eles reconhecem que, embora sua abordagem esclareça o que constitui um efeito causal na dinâmica, estimar esses efeitos (por exemplo, via registro funcional ou G-computação) apresenta desafios significativos, particularmente com dados irregulares ou infrequentes. O trabalho é apresentado como um framework teórico para orientar pesquisas futuras na distinção entre efeitos causais transitórios e duradouros em estudos observacionais e experimentais envolvendo sistemas variantes no tempo.