Inferencia Causal II: Ajuste Backdoor & DoWhy
El operador do(X), el criterio de la puerta trasera, métodos de estimación (Regresión, IPW) y pruebas de refutación con DoWhy.
Objetivos Estratégicos de la Sesión
Hoja de ruta para la identificación formal y estimación robusta de efectos causales.
El Operador do(X)
Comprender la diferencia matemática y operativa entre observar $P(Y | X)$ e intervenir activamente $P(Y | do(X))$.
Criterio de la Puerta Trasera
Identificar el conjunto mínimo de variables de ajuste que bloquea todos los caminos espurios de confusión.
Estimación con IPW y Regresión
Implementar el balanceo de poblaciones sintéticas mediante ponderación por el inverso del Propensity Score (IPW).
Pipeline de 4 Pasos de DoWhy
Dominar el estándar industrial: Modelar, Identificar, Estimar y Refutar mediante tratamientos placebo y causas comunes aleatorias.
1. El Operador do(X): Intervención vs Observación
La formalización matemática de alterar el orden natural del sistema.
La Cirugía del Grafo:
Cuando intervenimos forzando $X = x$ (ej. fijar el precio por decreto), se eliminan todas las flechas que apuntaban a $X$ desde sus causas previas. $X$ deja de ser una variable aleatoria y pasa a ser una constante impuesta.
- $P(Y \mid X = x)$ (Observar): El cliente eligió pagar $x$; esa elección está correlacionada con su poder adquisitivo y edad.
- $P(Y \mid do(X = x))$ (Intervenir): Nosotros fijamos el precio $x$; se destruye la relación previa entre el precio y el poder adquisitivo.
- El Objetivo de la Inferencia Causal: Expresar la cantidad intervencional $P(Y \mid do(X))$ usando únicamente probabilidades observacionales medibles.
Fórmula de Ajuste Backdoor
Poder Adquisitivo -> Precio
Poder Adquisitivo -> Demanda
Precio -> Demanda
Poder Adquisitivo -> Precio (¡Amputada!)
Poder Adquisitivo -> Demanda
Precio -> Demanda
Al aplicar do(X), la puerta trasera se sella quirúrgicamente porque X ya no responde a sus causas habituales.
2. El Criterio de la Puerta Trasera (Backdoor)
La condición geométrica que garantiza la identificación causal de datos observacionales.
Regla de Oro de Ajuste
Un conjunto de variables Z bloquea toda la confusión espuria sin distorsionar el efecto directo.
Las Dos Condiciones Formales de Pearl:
Las variables de ajuste deben ser previas o independientes del tratamiento. Ajustar por un descendiente bloquea parte del efecto causal legítimo (sesgo de mediación).
$Z$ debe d-separar a $X$ de $Y$ en el grafo donde se eliminan todas las flechas que salen de $X$ ($G_{\underline{X}}$). Toda la información que intente entrar por la 'puerta trasera' queda neutralizada.
Si se satisfacen ambas condiciones, el efecto causal $\mathbb{E}[Y \mid do(X)]$ es matemáticamente idéntico a la regresión ajustada por $Z$ sobre los datos observacionales.
3. Métodos de Estimación: G-Computation vs IPW
Dos estrategias complementarias para computar la fórmula de ajuste.
Ajuste por Regresión (G-Computation)
Modelado del Resultado YAjusta un modelo predictivo para el resultado: $\hat{\mu}(X, Z) = \mathbb{E}[Y \mid X, Z]$.
- ▪ Predice el contrafáctico de cada individuo forzando $X=1$ y luego $X=0$.
- ▪ Promedia las diferencias individuales: $\widehat{ATE} = \frac{1}{n} \sum [\hat{\mu}(1, Z_i) - \hat{\mu}(0, Z_i)]$.
- ▪ Vulnerable a mala especificación de la función de regresión (si la relación no es lineal).
Ponderación por Propensity Score (IPW)
Modelado del Tratamiento DEstima $e(Z) = P(D=1 \mid Z)$ y crea una pseudo-población balanceada mediante pesos inversos.
- ▪ Pondera tratados por $1/e(Z)$ y controles por $1/(1-e(Z))$.
- ▪ Desconecta matemáticamente las covariables $Z$ de la asignación del tratamiento.
- ▪ Muy robusto cuando el modelo de tratamiento está bien especificado.
4. El Flujo de Trabajo en 4 Pasos de DoWhy
La metodología oficial de Microsoft para garantizar rigor y reproducibilidad en inferencia causal.
| Paso | Método en Python | Objetivo Metodológico | Salida Esperada |
|---|---|---|---|
| 1. Model (Modelar) | CausalModel(data, treatment, outcome, graph) |
Codificar supuestos causales cualitativos en un DAG formal. | Grafo causal verificado y acíclico. |
| 2. Identify (Identificar) | model.identify_effect() |
Buscar una expresión no paramétrica usando Backdoor o Frontdoor. | Fórmula causal identificable o veredicto de no-identificabilidad. |
| 3. Estimate (Estimar) | model.estimate_effect(identified_estimand) |
Calcular cuantitativamente el efecto causal con regresión o IPW. | Valor numérico del ATE con intervalo de confianza. |
| 4. Refute (Refutar) | model.refute_estimate(estimate, method_name) |
Someter la estimación a pruebas de estrés y falsación. | P-valor de refutación que valida la robustez. |
5. Batería de Pruebas de Refutación (Falsación)
Cómo intentar activamente destruir nuestra estimación para comprobar su solidez.
Pruebas de Estrés
Si el estimador no resiste estas pruebas de perturbación deliberada, el resultado es considerado espurio y descartado.
Tres Métodos de Refutación Estándar:
Se reemplaza el tratamiento real $X$ por una variable aleatoria pura independiente ($X_{placebo} \sim \mathcal{N}(0, 1)$). El nuevo efecto estimado DEBE ser estadísticamente cero. Si no es cero, había sesgo oculto.
Se agrega al dataset una variable confusora sintética puramente aleatoria. El efecto causal estimado NO debe alterarse sustancialmente.
Se re-estima el efecto en subconjuntos aleatorios del 80% de los datos. El estimador debe permanecer estable y con intervalos consistentes.
6. Análisis de Sensibilidad: El Valor E (E-Value)
¿Cuán poderoso debería ser un confusor no observado para destruir nuestra conclusión?
El Riesgo de Confusión Residual (U):
En datos observacionales nunca podemos garantizar que no existan variables confusoras no observadas $U$. El análisis de sensibilidad evalúa cuán fuerte tendría que ser esa variable oculta para anular el efecto causal medido.
- Definición del E-Value: Mínima fuerza de asociación que una variable no medida $U$ debería tener tanto con el tratamiento como con el resultado para explicar la totalidad del efecto observado.
- Interpretación: Si $E = 3.5$, se requeriría un confusor oculto desconocido que triplique las chances del tratamiento y del resultado simultáneamente para revertir la conclusión.
- Umbral de Confianza: E-values altos ($> 2.5$) brindan gran tranquilidad ante auditorías regulatorias.
Fórmula estándar de sensibilidad de VanderWeele y Ding
# Riesgo Relativo Observado (RR): 2.40
# E-Value Puntual: 4.23
# E-Value Límite IC 95%: 2.85
Conclusión de Robustez: Es altamente improbable que exista un factor no medido con una fuerza de asociación mayor a 4.23; el efecto es creíble.
7. Laboratorio Visual: Ajuste Backdoor y Eliminación de Sesgo
Observa en tiempo real cómo la correlación cruda engañosa converge al verdadero efecto causal al activar el ajuste backdoor.
Efecto Causal Verdadero = +2.0
Un confusor severo (Z) introduce correlación espuria negativa (-3.5), haciendo que la regresión simple crea que el tratamiento es perjudicial.8. Casos Emblemáticos en Negocios y Políticas Públicas
Dónde el enfoque de ajuste backdoor evita decisiones multimillonarias erróneas.
Pricing Causal y Elasticidad (Retail)
Elasticidad InsesgadaDeterminar la verdadera elasticidad precio de la demanda cuando los precios históricos fueron fijados según demanda esperada.
- ▪ Confusor: Festividades y estacionalidad aumentan precio y demanda simultáneamente.
- ▪ Regresión cruda: Sugiere erróneamente que subir el precio incrementa las ventas (elasticidad positiva absurda).
- ▪ Ajuste Backdoor: Aísla el efecto puro revelando la caída de ventas real.
Campañas de Marketing y Descuentos
CanibalizaciónEvaluar si los descuentos de retención evitan bajas de clientes o si se están subsidiando usuarios que no pensaban irse.
- ▪ Confusor: Antigüedad y nivel de uso histórico del cliente.
- ▪ El propensity score balancea clientes idénticos en perfil para aislar el impacto del cupón.
- ▪ Ahorro de presupuesto eliminando campañas inefectivas.
9. Protocolo de Auditoría Causal con DoWhy
Buenas prácticas recomendadas para la entrega de estudios causales a la dirección.
Auditoría en 4 Pasos
Tres comprobaciones obligatorias antes de dar por válido un dictamen causal en comités ejecutivos.
Protocolo Metodológico:
Ejecutar `model.identify_effect()` y confirmar que DoWhy no arroje que el efecto está bloqueado por confusores inobservados.
Estimar el efecto mediante dos métodos conceptualmente distintos (G-Computation e IPW). Si difieren por más del 15%, investigar problemas de soporte común en el Propensity Score.
El p-valor de la refutación placebo debe ser mayor a 0.05 (el efecto placebo no es significativamente distinto de cero).
¡A Programar en Jupyter Notebooks!
Validación Computacional en Entorno Jupyter Notebooks (Semana 13)
Ajuste Backdoor
02_ajuste_backdoor_y_confounders.ipynb
Definición del conjunto de ajuste y estimación de efectos causales con DoWhy.
Propensity Score & IPW
03_estimacion_efectos_causales_dowhy.ipynb
Cálculo de pesos inversos y balanceo de covariables con Scikit-Learn.
Pruebas de Refutación
03_estimacion_efectos_causales_dowhy.ipynb
Ejecución de refutaciones con Placebo Treatment y Random Common Cause.
Caso de Pricing Causal
02_ajuste_backdoor_y_confounders.ipynb
Resolución de la paradoja de Simpson en fijación de precios y ventas.
45 min: El profesor guía la implementación del flujo DoWhy de 4 pasos, la estimación por IPW y la interpretación de los tests de refutación.
75 min: Los estudiantes resuelven los problemas de la Guía 6 (Problemas 5 a 8), estimando el efecto causal de una campaña y sometiéndolo a pruebas de falsación.
Ness, Robert O. (2025)
Capítulos 4 y 5 (Interventions, Backdoor Adjustment y do-calculus)
Molak, Aleksander (2023)
Capítulos 4 a 6 (Confounding, Ajuste por Regresión y Variables Instrumentales)