Inferencia Causal I: Fundamentos & Grafos DAG
La escalera causal de Pearl, Grafos Acíclicos Dirigidos (DAGs), d-separación y la trampa del sesgo de colisión.
Objetivos Estratégicos de la Sesión
Hoja de ruta para trascender la correlación pasiva hacia la modelación causal rigurosa.
La Escalera Causal de Pearl
Diferenciar con precisión analítica los 3 niveles: Asociación (ver), Intervención (hacer con do) y Contrafácticos (imaginar).
Morfología de Grafos DAG
Codificar supuestos del dominio en grafos dirigidos acíclicos y formalizar las rutas de transmisión de información.
Cadenas, Tenedores y Colisionadores
Dominar el comportamiento de las 3 estructuras elementales y comprender por qué condicionar en un colisionador induce correlaciones falsas.
Criterio de D-Separación
Aplicar las reglas de d-separación para determinar independencias condicionales válidas antes de estimar modelos de regresión.
1. La Escalera Causal de Judea Pearl
Los tres niveles irreductibles del razonamiento inferencial.
Escalera de Pearl
Ningún modelo estadístico clásico o red neuronal pasiva puede ascender al peldaño de intervención sin supuestos causales explícitos.
Estructura de la Escalera Causal:
Pregunta: '¿Qué me dice un síntoma sobre una condición?' Notación: $P(Y \mid X)$. Ámbito: Correlación, ML supervisado, clustering y reconocimiento de patrones.
Pregunta: '¿Qué pasará si bajamos el precio un 10%?' Notación: $P(Y \mid do(X))$. Ámbito: Experimentos controlados A/B, fijación de políticas y optimización operativa.
Pregunta: '¿El cliente se habría ido si le hubiéramos ofrecido un descuento?' Notación: $P(Y_{X=x'} \mid X=x, Y=y)$. Ámbito: Atribución legal, medicina de precisión.
2. Framework de Rubin de Resultados Potenciales
La formalización de los mundos paralelos contrafácticos.
El Problema Fundamental de la Causalidad:
Para cada individuo $i$, existen dos resultados potenciales: $Y_i(1)$ si recibe el tratamiento y $Y_i(0)$ si no lo recibe. El efecto causal individual es $\tau_i = Y_i(1) - Y_i(0)$.
- Inobservabilidad Simultánea: En el mundo real solo observamos uno de los dos estados: $Y_i = D_i Y_i(1) + (1 - D_i) Y_i(0)$.
- Efecto Medio de Tratamiento (ATE): Promedio poblacional $\text{ATE} = \mathbb{E}[Y(1) - Y(0)]$.
- Supuesto SUTVA: El tratamiento aplicado a una unidad no afecta los resultados potenciales de otras unidades (sin interferencia ni externalidades).
La diferencia de medias observada contiene Sesgo de Selección
La inferencia causal es fundamentalmente un problema de estimación de datos faltantes contrafácticos.
3. Las Tres Estructuras Elementales de un DAG
Los bloques de construcción que gobiernan el flujo de información y correlación.
1. Cadena (Mediador)
X -> M -> YEl efecto de $X$ sobre $Y$ se transmite a través del mecanismo intermedio $M$.
- ▪ El camino está abierto por defecto ($X$ e $Y$ están correlacionados).
- ▪ Condicionar en $M$ bloquea el flujo ($X \perp Y \mid M$).
- ▪ ¡Alerta! Controlar por un mediador elimina parte del efecto causal que deseamos medir.
2. Tenedor (Confusor)
X <- Z -> Y$Z$ es una causa común que incide simultáneamente sobre la causa $X$ y el efecto $Y$.
- ▪ El camino está abierto por defecto (asociación espuria sin causalidad).
- ▪ Condicionar en $Z$ bloquea la confusión espuria ($X \perp Y \mid Z$).
- ▪ Es la causa de la clásica advertencia 'correlación no implica causalidad'.
4. La Estructura Colisionador (Collider): X -> C <- Y
La trampa anti-intuitiva donde controlar por una variable destruye la validez causal.
Colisionador
Un colisionador bloquea el camino naturalmente; pero si condicionas en él, ¡ABRES un camino espurio!
Mecánica y Peligros del Colisionador:
Por defecto, $X$ e $Y$ son totalmente independientes ($X \perp Y$). La presencia de dos flechas que chocan en $C$ bloquea el flujo causal.
Si se incluye $C$ como covariable en la regresión o se filtra la muestra según $C$, $X$ e $Y$ se vuelven condicionalmente dependientes ($X \not\perp Y \mid C$).
Tener diabetes ($X$) y fractura ($Y$) son independientes en la población general. Pero si solo estudiamos pacientes hospitalizados ($C$), ¡parecerá que la diabetes 'protege' contra fracturas!
5. Matriz de Bloqueo de Caminos en DAGs
Resumen estricto de las reglas que determinan si una ruta transmite asociación o está cerrada.
| Estructura Gráfica | Nombre Técnico | Estado sin Condicionar | Estado Condicionando en el Nodo Central |
|---|---|---|---|
| X -> M -> Y | Cadena (Mediador) | Abierto (Asociación fluye) | Bloqueado (Independencia) |
| X <- Z -> Y | Tenedor / Fork (Confusor) | Abierto (Asociación espuria) | Bloqueado (Confusión eliminada) |
| X -> C <- Y | Colisionador (Collider) | Bloqueado (Independiente) | ¡ABIERTO! (Sesgo inducido) |
| X -> C <- Y con C -> D | Descendiente de Colisionador | Bloqueado | ¡ABIERTO! (Condicionar en D abre C) |
6. El Criterio Formal de D-Separación
El algoritmo gráfico que conecta la geometría del DAG con la probabilidad condicional.
Separación Direccional
Si X e Y están d-separadas dado Z en el grafo, entonces X e Y son estadísticamente independientes condicionales a Z.
Pasos para Evaluar D-Separación:
Identificar todos los caminos entre $X$ e $Y$ sin importar la dirección de las flechas.
Un camino está BLOQUEADO por $Z$ si contiene una cadena o tenedor cuyo nodo medio está en $Z$, o un colisionador cuyo nodo y descendientes NO están en $Z$.
Si TODOS los caminos entre $X$ e $Y$ están bloqueados dado $Z$, entonces $X \perp Y \mid Z$ garantizado por teorema.
7. Laboratorio Visual: Explorador de D-Separación y Bloqueo
Selecciona qué variables condicionar para observar en tiempo real cómo se abren o bloquean los caminos causales y espurios.
Estructura del Grafo:
Tratamiento (X) -> Efecto (Y). Confusor común Z incide en X e Y. Colisionador C recibe flechas de X e Y.8. Estructura Causal Compleja: El Sesgo M (M-Bias)
Por qué controlar variables pre-tratamiento puede introducir sesgo inadvertidamente.
La Estructura del Sesgo M
Topología en MExiste una variable $M$ que es causada por dos confusores inobservados $U_1$ y $U_2$: $X \leftarrow U_1 \to M \leftarrow U_2 \to Y$.
- ▪ $M$ se mide antes del tratamiento $X$, aparentando ser una covariable inocente.
- ▪ Por defecto, el camino entre $X$ e $Y$ a través de $M$ está BLOQUEADO (porque $M$ es un colisionador entre $U_1$ y $U_2$).
- ▪ Si un analista inexperto controla por $M$, ¡ABRE el camino espurio entre $X$ e $Y$!
La Lección Metodológica
PrevenciónEl control indiscriminado de covariables en regresiones múltiples ('tirar todo al modelo') suele empeorar la estimación causal.
- ▪ Controlar mediadores introduce sesgo por sobre-control.
- ▪ Controlar colisionadores introduce sesgo de selección.
- ▪ Solo un DAG fundamentado permite saber qué variables controlar y cuáles ignorar.
9. Protocolo de Auditoría Causal de un DAG
Procedimiento de verificación previo al ajuste de modelos intervencionales.
Auditoría Gráfica
Tres validaciones obligatorias antes de proceder a la fase de estimación cuantitativa.
Protocolo Metodológico:
Verificar que el grafo no contenga bucles de retroalimentación en el mismo paso de tiempo. Si existe causalidad recíproca, modelarla dinámicamente con retardos temporales ($X_t \to Y_{t+1}$ y $Y_t \to X_{t+1}$).
Explicitar siempre nodos latentes $U$ con aristas punteadas bidireccionales para evaluar si el efecto causal es teóricamente identificable.
Extraer las implicaciones de d-separación del DAG y comprobar en los datos si esas correlaciones parciales son efectivamente nulas con `pgmpy`.
¡A Programar en Jupyter Notebooks!
Validación Computacional en Entorno Jupyter Notebooks (Semana 12)
Modelado de DAGs
01_fundamentos_causalidad_y_dags.ipynb
Construcción de grafos acíclicos con NetworkX y visualización de rutas.
Test de D-Separación
01_fundamentos_causalidad_y_dags.ipynb
Verificación automatizada de independencias condicionales con DoWhy.
Simulación de Colisionador
01_fundamentos_causalidad_y_dags.ipynb
Demostración empírica de la Paradoja de Berkson y sesgo de selección en Python.
Casos de Negocio
01_fundamentos_causalidad_y_dags.ipynb
Formulación de DAGs para pricing, campañas de retención y políticas de salud.
45 min: El profesor guía la definición del grafo causal en DoWhy, el cálculo de d-separación y la simulación del sesgo del colisionador.
75 min: Los estudiantes resuelven los ejercicios de la Guía 6 (Problemas 1 a 4), auditando un DAG empresarial y determinando qué variables controlar en la regresión.
Ness, Robert O. (2025)
Capítulos 1 a 3 (From Correlation to Causation, DAGs y d-separation)
Molak, Aleksander (2023)
Capítulos 1 a 3 (Causal DAGs, SCMs y el lenguaje de la causalidad)