Inferencia Causal III: Causal Machine Learning & EconML
Efectos heterogéneos de tratamiento (CATE), Meta-Learners (S/T/X), Double Machine Learning (DML) y Causal Forests.
Objetivos Estratégicos de la Sesión
Hoja de ruta para la frontera entre Machine Learning moderno e inferencia causal.
Del ATE Global al CATE Individual
Comprender por qué los promedios poblacionales ocultan respuestas dispares y formalizar la heterogeneidad condicional.
Arquitectura de Meta-Learners
Dominar el funcionamiento de S-Learner, T-Learner y el algoritmo X-Learner para datos desbalanceados.
Double Machine Learning (DML)
Eliminar el sesgo de regularización del ML mediante ortogonalización de Frisch-Waugh-Lovell y cross-fitting.
Causal Forests & Policy Learning
Entrenar bosques adaptados para maximizar la divergencia de efectos y optimizar la asignación de recursos con EconML.
1. Del Efecto Medio (ATE) a la Heterogeneidad (CATE)
Por qué tratar a todos por igual destruye el valor económico de las intervenciones.
La Falacia del Promedio:
Un ATE de cero ($\text{ATE} = 0$) suele interpretarse como 'el tratamiento no funciona'. Sin embargo, puede ocurrir que en jóvenes el efecto sea $+50$ y en adultos mayores sea $-50$.
- Definición Formal de CATE: $\tau(x) = \mathbb{E}[Y(1) - Y(0) \mid X = x]$.
- Medicina de Precisión: Aplicar quimioterapia agresiva únicamente a pacientes cuyo perfil genético responda positivamente.
- Marketing de Precisión: Otorgar descuentos exclusivamente a clientes 'persuadibles' (*Persuadables*), evitando subsidiar a clientes seguros (*Sure Things*) o irritar a clientes reactivos (*Do Not Disturb*).
Efecto de Tratamiento Promedio Condicional (CATE)
Compran SOLO si reciben el descuento -> ENFOCAR CAMPAÑA
Compran siempre con o sin descuento -> No gastar presupuesto
El mensaje promocional los molesta y cancelan -> Evitar contacto
El Causal ML cuantifica exactamente en qué categoría cae cada cliente individual.
2. Meta-Learners Básicos: S-Learner vs T-Learner
Estrategias intuitivas reutilizando algoritmos de regresión tradicionales.
S-Learner (Single Model)
Un Solo ModeloEntrena un único modelo predictivo $\mu(X, D)$ incorporando el tratamiento $D$ como una columna más.
- ▪ Predicción: $\hat{\tau}(x) = \hat{\mu}(x, 1) - \hat{\mu}(x, 0)$.
- ▪ Sencillo de entrenar y aprovecha todo el dataset.
- ▪ Falla Grave: Regularizadores como Lasso o árboles profundos tienden a ignorar $D$ si $p$ es grande, sesgando $\hat{\tau} \to 0$.
T-Learner (Two Models)
Dos Modelos SeparadosFuerza la estimación dividiendo los datos en tratados y controles, entrenando un modelo independiente para cada uno.
- ▪ Modelo 1: $\hat{\mu}_1(X)$ entrenado solo con tratados ($D=1$).
- ▪ Modelo 0: $\hat{\mu}_0(X)$ entrenado solo con controles ($D=0$).
- ▪ Predicción: $\hat{\tau}(x) = \hat{\mu}_1(x) - \hat{\mu}_0(x)$.
- ▪ Falla: Si hay pocos tratados ($N_1 \ll N_0$), $\hat{\mu}_1$ sobreajustará mientras $\hat{\mu}_0$ subajustará.
3. El X-Learner: La Solución ante Desbalance Muestral
El algoritmo en 3 etapas de Künzel et al. para experimentos en entornos productivos reales.
Crossover Causal
Diseñado específicamente para casos donde la proporción de tratados es pequeña (ej. 1% a 5% de la base total).
Mecánica en Tres Pasos:
Entrena $\hat{\mu}_0(X)$ con controles y $\hat{\mu}_1(X)$ con tratados (idéntico al T-Learner inicial).
Calcula el efecto individual imputado para los tratados: $D_{1, i} = Y_{1, i} - \hat{\mu}_0(X_i)$, y para los controles: $D_{0, j} = \hat{\mu}_1(X_j) - Y_{0, j}$. Luego entrena dos segundos modelos $\hat{\tau}_1(X)$ y $\hat{\tau}_0(X)$ para predecir estos efectos imputados.
Combina ambas estimaciones mediante el propensity score: $\hat{\tau}(x) = e(x) \hat{\tau}_0(x) + (1 - e(x)) \hat{\tau}_1(x)$, maximizando la eficiencia estadística.
4. Double Machine Learning (Orthogonal ML)
Eliminación del sesgo de regularización mediante ortogonalización.
El Avance de Chernozhukov et al.:
Si usamos ML no lineal para controlar cientos de covariables $W$, los errores de aproximación y regularización de esas variables secundarias se filtran y sesgan fatalmente el parámetro causal de interés.
- Mecanismo de Ortogonalización: Se predicen por separado $Y$ a partir de $W$ (obteniendo el residuo $\tilde{Y} = Y - \hat{Y}$) y $D$ a partir de $W$ (obteniendo $\tilde{D} = D - \hat{D}$).
- Regresión sobre Residuos: El efecto causal se obtiene relacionando $\tilde{Y}$ contra $\tilde{D}$, eliminando el efecto de las variables de confusión.
- Cross-Fitting (K-Folds): Garantiza independencia estricta entre los modelos entrenados y los residuos evaluados.
Ecuación Ortogonal de Frisch-Waugh-Lovell adaptada a ML
# Inferencia asintótica normal válida N(0, 1)
DML combina cualquier algoritmo de ML moderno con intervalos de confianza e inferencia formal insesgada.
5. Causal Forests: Bosques Adaptados a Causalidad
La extensión no paramétrica de Athey & Wager para estimación individual.
Partición por Divergencia
Árboles modificados cuyo objetivo es maximizar la diferencia de efectos de tratamiento entre hojas.
Innovaciones Fundamentales:
En lugar de minimizar impureza de Gini o MSE sobre $Y$, divide buscando que el efecto causal de la rama izquierda sea lo más diferente posible del de la rama derecha: $\max (\hat{\tau}_L - \hat{\tau}_R)^2$.
Cada árbol utiliza una mitad de la muestra para definir la estructura de cortes y la otra mitad para estimar los efectos dentro de las hojas, garantizando que los intervalos de confianza sean matemáticamente exactos.
No asume ninguna forma funcional para $\tau(x)$; puede descubrir geometrías arbitrarias y segmentaciones complejas de clientes.
6. Comparativa de Métodos en la Suite EconML
Selección del estimador según el objetivo de negocio y la estructura de datos.
| Estimador EconML | Mecanismo Teórico | Ventaja Principal | Cuándo Utilizarlo |
|---|---|---|---|
| X-Learner | Meta-Learner de 3 etapas con crossover. | Rendimiento óptimo con tratamiento minoritario (desbalance). | Campañas de marketing donde menos del 10% recibe incentivo. |
| LinearDML | Ortogonalización de residuos con cross-fitting. | Inferencia formal rigurosa e intervalos de confianza estándar. | Cuando se exige un reporte con p-valores e intervalos formales. |
| CausalForestDML | Bosques honestos sobre residuos ortogonales. | Captura relaciones no lineales arbitrarias en el CATE. | Descubrimiento libre de patrones de heterogeneidad en big data. |
| PolicyTree / DROPO | Árboles de asignación óptima de decisiones. | Genera reglas de negocio explícitas (ej. 'Tratar si edad > 30'). | Despliegue de políticas automatizadas en producción. |
7. Laboratorio Visual: Descubrimiento de Efectos Heterogéneos
Observa cómo el estimador CATE aprende el impacto personalizado del tratamiento a lo largo del perfil de covariable X.
Cátedra de Heterogeneidad Causal:
El tratamiento tiene un efecto positivo en perfiles jóvenes (X bajo) y negativo en perfiles senior (X alto).8. Evaluación de Modelos Causales: Curvas Uplift y Qini
Cómo medir el rendimiento de un modelo cuando el resultado contrafáctico nunca se observa.
Curva Uplift y Coeficiente Qini
Métrica CanónicaOrdena a los clientes de mayor a menor $\hat{\tau}_i$ predicho y traza la ganancia incremental real acumulada frente a controles.
- ▪ Evalúa si el modelo identifica efectivamente a quienes más se benefician de la intervención.
- ▪ Curva aleatoria (diagonal): estrategia sin personalización.
- ▪ Área bajo la curva Qini (Qini Score): cuantifica el valor económico adicional de la personalización.
Policy Learning (Árboles de Decisión de Política)
Reglas OperativasConvierte los efectos CATE continuos en una regla de negocio discreta determinística con costos de intervención.
- ▪ Tratar si y solo si: $\hat{\tau}(x) > \text{CostoUnitario}$.
- ▪ Los algoritmos de `econml.policy` generan árboles parsimoniosos de 2 o 3 niveles para ejecución en bases de datos SQL o sistemas de CRM.
- ▪ Alineación total entre ciencia de datos y rentabilidad operativa.
9. Protocolo de Calidad para Modelos de Causal ML
Buenas prácticas recomendadas para el ciclo de vida del modelo causal.
Auditoría de Causal ML
Tres comprobaciones obligatorias antes de poner modelos de Causal ML en producción.
Protocolo Metodológico:
Verificar que para cada subgrupo $X=x$, la probabilidad de recibir tratamiento esté acotada lejos de 0 y 1 ($0.05 \le e(x) \le 0.95$). La falta de soporte común invalida la extrapolación.
Asegurar que los modelos de nuisance (predictores de $Y$ y de $T$) se entrenen en pliegues cruzados para blindar el estimador contra el sesgo de sobreajuste.
Validar periódicamente la política personalizada contra un 5% de la población sometida a asignación puramente aleatoria para monitorear el decaimiento causal (*causal drift*).
¡A Programar en Jupyter Notebooks!
Validación Computacional en Entorno Jupyter Notebooks (Semana 14)
Meta-Learners X-Learner
04_causal_machine_learning_econml.ipynb
Implementación de XLearner sobre datos de retención fuertemente desbalanceados.
Double Machine Learning
04_causal_machine_learning_econml.ipynb
Estimación ortogonal con LinearDML y modelos base LightGBM / Scikit-Learn.
Causal Forests con EconML
04_causal_machine_learning_econml.ipynb
Ajuste de CausalForestDML y extracción de efectos individuales heterogéneos CATE.
Curvas Uplift & Policy Trees
04_causal_machine_learning_econml.ipynb
Evaluación con curvas Qini y traducción a árboles de decisión de política óptima.
45 min: El profesor guía la estimación de CATE con EconML, la comparación de Meta-Learners y la formulación del Double Machine Learning.
75 min: Los estudiantes resuelven los problemas de la Guía 6 (Problemas 9 a 12), optimizando la asignación de una campaña de marketing personalizada mediante Causal Forests.
Ness, Robert O. (2025)
Capítulo 6 (Causal Machine Learning, Double/Debiased ML y Causal Forests)
Molak, Aleksander (2023)
Capítulos 7 a 10 (Heterogeneous Treatment Effects, EconML y DoWhy)