Unidad 6

Inferencia Causal II: Criterio Backdoor & DoWhy

Diapositiva 1 / 12
Cátedra de Métodos Cuantitativos • Clase 13

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.

Criterio Backdoor Propensity Score / IPW Refutación con DoWhy
Usa las flechas ← → o haz clic para avanzar

Objetivos Estratégicos de la Sesión

Hoja de ruta para la identificación formal y estimación robusta de efectos causales.

Hoja de Ruta
1

El Operador do(X)

Comprender la diferencia matemática y operativa entre observar $P(Y | X)$ e intervenir activamente $P(Y | do(X))$.

2

Criterio de la Puerta Trasera

Identificar el conjunto mínimo de variables de ajuste que bloquea todos los caminos espurios de confusión.

3

Estimación con IPW y Regresión

Implementar el balanceo de poblaciones sintéticas mediante ponderación por el inverso del Propensity Score (IPW).

4

Pipeline de 4 Pasos de DoWhy

Dominar el estándar industrial: Modelar, Identificar, Estimar y Refutar mediante tratamientos placebo y causas comunes aleatorias.

Ajuste e inferencia en los notebooks 02_ajuste_backdoor y 03_estimacion_dowhy.

1. El Operador do(X): Intervención vs Observación

La formalización matemática de alterar el orden natural del sistema.

Do-Calculus

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.
$$P(Y \mid do(X=x)) = \sum_z P(Y \mid X=x, Z=z) P(Z=z)$$

Fórmula de Ajuste Backdoor

cirugia_del_grafo.py Mutilación Causal
# Grafo Observacional:
Poder Adquisitivo -> Precio
Poder Adquisitivo -> Demanda
Precio -> Demanda
# Grafo Intervenido con do(Precio):
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.

Identificación
BACKDOOR

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:

Condición 1: Ningún elemento de Z es descendiente de X

Las variables de ajuste deben ser previas o independientes del tratamiento. Ajustar por un descendiente bloquea parte del efecto causal legítimo (sesgo de mediación).

Condición 2: Z bloquea todos los caminos que entran a X

$Z$ 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.

Resultado Teórico

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.

Estimación Numérica

Ajuste por Regresión (G-Computation)

Modelado del Resultado Y

Ajusta 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).
$$\widehat{ATE}_{reg} = \frac{1}{n} \sum_{i=1}^n (\hat{y}_{i, X=1} - \hat{y}_{i, X=0})$$
Fácil de implementar con OLS estándar si se controlan las variables del conjunto backdoor.

Ponderación por Propensity Score (IPW)

Modelado del Tratamiento D

Estima $e(Z) = P(D=1 \mid Z)$ 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.
$$w_i = \frac{D_i}{e(Z_i)} + \frac{1 - D_i}{1 - e(Z_i)}$$
Emula un ensayo clínico aleatorizado (RCT) re-balanceando los datos observacionales.

4. El Flujo de Trabajo en 4 Pasos de DoWhy

La metodología oficial de Microsoft para garantizar rigor y reproducibilidad en inferencia causal.

Metodología DoWhy
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.
Principio Científico de DoWhy: Una estimación sin refutación no es concluyente; el paso 4 es obligatorio.

5. Batería de Pruebas de Refutación (Falsación)

Cómo intentar activamente destruir nuestra estimación para comprobar su solidez.

Falsación de Popper
REFUTATION

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:

1. Tratamiento Placebo (Placebo Treatment Refuter)

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.

2. Causa Común Aleatoria (Random Common Cause)

Se agrega al dataset una variable confusora sintética puramente aleatoria. El efecto causal estimado NO debe alterarse sustancialmente.

3. Validación por Subconjuntos (Data Subset Refuter)

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?

Robustez

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.
$$E\text{-Value} = RR + \sqrt{RR \times (RR - 1)}$$

Fórmula estándar de sensibilidad de VanderWeele y Ding

sensitivity_analysis.py Diagnóstico E-Value
# Estimación ATE: +$1,450 USD
# 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.

Simulador en Vivo

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.
Método de Estimación:
Efecto Estimado: -1.50
Diagnóstico: Sesgo Severo
El ajuste backdoor recupera el +2.0 real eliminando la distorsión del confusor Z.
Pendiente Observada vs Causal Paradoja de Simpson
● Estrato Z bajo ● Estrato Z alto ― Recta Estimada

8. Casos Emblemáticos en Negocios y Políticas Públicas

Dónde el enfoque de ajuste backdoor evita decisiones multimillonarias erróneas.

Casos de Negocio

Pricing Causal y Elasticidad (Retail)

Elasticidad Insesgada

Determinar 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.
$$\text{Demanda} \leftarrow [\text{Festividad}] \to \text{Precio}$$
Permite fijar precios óptimos sin temor a la trampa de Simpson.

Campañas de Marketing y Descuentos

Canibalización

Evaluar 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.
$$\text{Churn} \leftarrow [\text{Uso Histórico}] \to \text{Descuento}$$
Foco en el ROI causal neto del programa de fidelización.

9. Protocolo de Auditoría Causal con DoWhy

Buenas prácticas recomendadas para la entrega de estudios causales a la dirección.

Mejores Prácticas
DOWHY QA

Auditoría en 4 Pasos

Tres comprobaciones obligatorias antes de dar por válido un dictamen causal en comités ejecutivos.

Protocolo Metodológico:

1. Verificar que el Efecto sea Teóricamente Identificable

Ejecutar `model.identify_effect()` y confirmar que DoWhy no arroje que el efecto está bloqueado por confusores inobservados.

2. Concordancia entre Regresión e IPW

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.

3. Superación Inobjetable de la Prueba Placebo

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)

Laboratorio Hands-On

Ajuste Backdoor

02_ajuste_backdoor_y_confounders.ipynb

Definición del conjunto de ajuste y estimación de efectos causales con DoWhy.

Descargar Notebook (.ipynb)

Propensity Score & IPW

03_estimacion_efectos_causales_dowhy.ipynb

Cálculo de pesos inversos y balanceo de covariables con Scikit-Learn.

Descargar Notebook (.ipynb)

Pruebas de Refutación

03_estimacion_efectos_causales_dowhy.ipynb

Ejecución de refutaciones con Placebo Treatment y Random Common Cause.

Descargar Notebook (.ipynb)

Caso de Pricing Causal

02_ajuste_backdoor_y_confounders.ipynb

Resolución de la paradoja de Simpson en fijación de precios y ventas.

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

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.

Trabajo Autónomo (Alumnos en parejas)

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.

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

Ness, Robert O. (2025)

Capítulos 4 y 5 (Interventions, Backdoor Adjustment y do-calculus)

[3] Causal Inference and Discovery in Python

Molak, Aleksander (2023)

Capítulos 4 a 6 (Confounding, Ajuste por Regresión y Variables Instrumentales)

¿Dudas sobre cómo funciona el operador do(X) o las pruebas de refutación en DoWhy?