Unidad 6

Inferencia Causal I: Fundamentos & Grafos DAG

Diapositiva 1 / 12
Cátedra de Métodos Cuantitativos • Clase 12

Inferencia Causal I: Fundamentos & Grafos DAG

La escalera causal de Pearl, Grafos Acíclicos Dirigidos (DAGs), d-separación y la trampa del sesgo de colisión.

Escalera Causal de Pearl Grafos DAG & d-separación Sesgo del Colisionador
Usa las flechas ← → o haz clic para avanzar

Objetivos Estratégicos de la Sesión

Hoja de ruta para trascender la correlación pasiva hacia la modelación causal rigurosa.

Hoja de Ruta
1

La Escalera Causal de Pearl

Diferenciar con precisión analítica los 3 niveles: Asociación (ver), Intervención (hacer con do) y Contrafácticos (imaginar).

2

Morfología de Grafos DAG

Codificar supuestos del dominio en grafos dirigidos acíclicos y formalizar las rutas de transmisión de información.

3

Cadenas, Tenedores y Colisionadores

Dominar el comportamiento de las 3 estructuras elementales y comprender por qué condicionar en un colisionador induce correlaciones falsas.

4

Criterio de D-Separación

Aplicar las reglas de d-separación para determinar independencias condicionales válidas antes de estimar modelos de regresión.

Modelado computacional en el notebook 01_fundamentos_causalidad_y_dags.ipynb.

1. La Escalera Causal de Judea Pearl

Los tres niveles irreductibles del razonamiento inferencial.

Epistemología
3 PELDAÑOS

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:

Nivel 1: Asociación (L1: Ver / Observar)

Pregunta: '¿Qué me dice un síntoma sobre una condición?' Notación: $P(Y \mid X)$. Ámbito: Correlación, ML supervisado, clustering y reconocimiento de patrones.

Nivel 2: Intervención (L2: Hacer / Actuar)

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.

Nivel 3: Contrafácticos (L3: Imaginar / Retrospectiva)

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.

Inferencia Formal

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).
$$\text{ATE} = \mathbb{E}[Y(1) - Y(0)] \ne \mathbb{E}[Y \mid D=1] - \mathbb{E}[Y \mid D=0]$$

La diferencia de medias observada contiene Sesgo de Selección

tabla_contrafactica.py Datos Faltantes
SujetoDY(1)Y(0)
Indiv 11$120? (Oculto)
Indiv 20? (Oculto)$80

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.

Topología Causal

1. Cadena (Mediador)

X -> M -> Y

El 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.
$$P(X, M, Y) = P(X) P(M \mid X) P(Y \mid M)$$
Regla: No condicionar en mediadores si se busca el efecto total de X sobre Y.

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'.
$$P(X, Y) = \sum_z P(Z=z) P(X \mid z) P(Y \mid z)$$
Regla: SIEMPRE condicionar o ajustar por variables confusoras.

4. La Estructura Colisionador (Collider): X -> C <- Y

La trampa anti-intuitiva donde controlar por una variable destruye la validez causal.

Alerta Crítica
X -> C <- Y

Colisionador

Un colisionador bloquea el camino naturalmente; pero si condicionas en él, ¡ABRES un camino espurio!

Mecánica y Peligros del Colisionador:

1. Estado Natural Inofensivo (Incondicional)

Por defecto, $X$ e $Y$ son totalmente independientes ($X \perp Y$). La presencia de dos flechas que chocan en $C$ bloquea el flujo causal.

2. El Error de Condicionar en C

Si se incluye $C$ como covariable en la regresión o se filtra la muestra según $C$, $X$ e $Y$ se vuelven condicionalmente dependientes ($X \not\perp Y \mid C$).

3. La Paradoja de Berkson (Ejemplo Clínico)

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.

Reglas de Bloqueo
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)
Regla Nemotécnica de Judea Pearl: Controlar variables confusoras CIERRA caminos malos; controlar colisionadores ABRE caminos malos.

6. El Criterio Formal de D-Separación

El algoritmo gráfico que conecta la geometría del DAG con la probabilidad condicional.

Algoritmo Formal
d-sep(X, Y | Z)

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:

1. Mapear Todos los Caminos

Identificar todos los caminos entre $X$ e $Y$ sin importar la dirección de las flechas.

2. Verificar cada Camino

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 $Z$.

3. Conclusión de Independencia

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.

Simulador en Vivo

Estructura del Grafo:

Tratamiento (X) -> Efecto (Y). Confusor común Z incide en X e Y. Colisionador C recibe flechas de X e Y.
Variables a Condicionar (Controlar):
Camino Espurio Z: Abierto (Sesgo)
Camino Colisionador C: Bloqueado (Limpio)
Estado Ideal: Controlar Z para apagar el sesgo y NO tocar C para evitar el sesgo de colisión.
Visualizador de Flujo de Información Con Sesgo
X (Tratamiento) Y (Resultado) Verde: Seguro | Rojo: Sesgo

8. Estructura Causal Compleja: El Sesgo M (M-Bias)

Por qué controlar variables pre-tratamiento puede introducir sesgo inadvertidamente.

Casos Patológicos

La Estructura del Sesgo M

Topología en M

Existe 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 $Y$!
$$X \leftarrow U_1 \to [M] \leftarrow U_2 \to Y \implies \text{Sesgo Inducido}$$
Regla de oro: Jamás controlar 'todas las variables disponibles' sin un DAG explícito.

La Lección Metodológica

Prevención

El 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.
$$\text{Good Controls} \ne \text{All Available Features}$$
El DAG es la brújula indispensable para la selección de variables causales.

9. Protocolo de Auditoría Causal de un DAG

Procedimiento de verificación previo al ajuste de modelos intervencionales.

Mejores Prácticas
DAG QA

Auditoría Gráfica

Tres validaciones obligatorias antes de proceder a la fase de estimación cuantitativa.

Protocolo Metodológico:

1. Validación de Aciclicidad Estricta

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 $Y_t \to X_{t+1}$).

2. Detección de Confusores Inobservados (U)

Explicitar siempre nodos latentes $U$ con aristas punteadas bidireccionales para evaluar si el efecto causal es teóricamente identificable.

3. Verificación de Independencias Implícitas (Testeo Empírico)

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)

Laboratorio Hands-On

Modelado de DAGs

01_fundamentos_causalidad_y_dags.ipynb

Construcción de grafos acíclicos con NetworkX y visualización de rutas.

Descargar Notebook (.ipynb)

Test de D-Separación

01_fundamentos_causalidad_y_dags.ipynb

Verificación automatizada de independencias condicionales con DoWhy.

Descargar Notebook (.ipynb)

Simulación de Colisionador

01_fundamentos_causalidad_y_dags.ipynb

Demostración empírica de la Paradoja de Berkson y sesgo de selección en Python.

Descargar Notebook (.ipynb)

Casos de Negocio

01_fundamentos_causalidad_y_dags.ipynb

Formulación de DAGs para pricing, campañas de retención y políticas de salud.

Descargar Notebook (.ipynb)
Práctica Guiada (Profesor proyectando)

45 min: El profesor guía la definición del grafo causal en DoWhy, el cálculo de d-separación y la simulación del sesgo del colisionador.

Trabajo Autónomo (Alumnos en parejas)

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.

Bibliografía y Lecturas Asignadas para la Clase
[2] Causal AI: Analysis and modeling in Python

Ness, Robert O. (2025)

Capítulos 1 a 3 (From Correlation to Causation, DAGs y d-separation)

[3] Causal Inference and Discovery in Python

Molak, Aleksander (2023)

Capítulos 1 a 3 (Causal DAGs, SCMs y el lenguaje de la causalidad)

¿Dudas sobre la diferencia entre un confusor y un colisionador antes de comenzar la práctica?