Image for post Inferencia Causal en Machine Learning: Más Allá de la Correlación para Decisiones Robustas

Inferencia Causal en Machine Learning: Más Allá de la Correlación para Decisiones Robustas

Escrito por Sergio Márquez

Descubre cómo la inferencia causal transforma tus modelos de Machine Learning, permitiéndote tomar decisiones basadas en relaciones de causa y efecto, no solo en correlaciones.

Introducción: El Salto de la Correlación a la Causalidad en IA

En el mundo del Machine Learning, a menudo nos obsesionamos con la predicción. Construimos modelos que identifican patrones complejos en los datos, logrando una precisión asombrosa en tareas como la clasificación de imágenes, el procesamiento de lenguaje natural o la recomendación de productos. Sin embargo, hay una limitación fundamental en la mayoría de los enfoques predictivos: se basan en la correlación. Una correlación nos dice que dos variables se mueven juntas, pero no si una causa la otra. Para tomar decisiones estratégicas y efectivas, ya sea en medicina, economía o marketing, necesitamos entender las relaciones causales.

Imagina que un modelo predice que los clientes que ven un anuncio específico tienen más probabilidades de comprar un producto. ¿Significa esto que el anuncio causó la compra? O, ¿es posible que los clientes que ya estaban interesados en el producto fueran más propensos a ver el anuncio? Sin inferencia causal, es imposible distinguirlo. Este artículo explorará los fundamentos de la inferencia causal en el contexto del Machine Learning, las herramientas para implementarla y cómo te permitirá construir sistemas de IA más robustos y accionables.

Fundamentos de la Inferencia Causal: Un Vistazo a los Pilares

Para ir más allá de la correlación, necesitamos un marco conceptual sólido. Dos de los pilares más importantes son el Modelo de Resultados Potenciales y los Grafos Acíclicos Dirigidos (DAGs).

El Modelo de Resultados Potenciales (Rubin Causal Model)

Introducido por Donald Rubin, este modelo es la base formal para definir los efectos causales. La idea central es que para cada unidad (individuo, empresa, etc.) existen múltiples "resultados potenciales", uno para cada posible tratamiento o intervención. Por ejemplo, si un paciente recibe un nuevo medicamento (tratamiento T=1) o un placebo (tratamiento T=0), tendrá dos resultados potenciales: Y(1) (resultado si recibe el medicamento) y Y(0) (resultado si recibe el placebo).

El efecto causal individual para ese paciente sería Y(1) - Y(0). El problema fundamental es que solo podemos observar uno de estos resultados para cada paciente (el que realmente ocurrió). El otro es el "contrafactual" o "contra-hecho". La inferencia causal se trata de estimar este contrafactual o, más comúnmente, el Efecto Causal Promedio (ATE - Average Treatment Effect) sobre una población:


ATE = E[Y(1) - Y(0)]

Donde E[] denota la esperanza matemática. Para estimar el ATE, necesitamos asegurar que los grupos de tratamiento y control sean "comparables" o que podamos ajustar por las diferencias que los hacen no comparables.

Grafos Acíclicos Dirigidos (DAGs) para la Representación Causal

Los DAGs, popularizados por Judea Pearl, son una herramienta visual y matemática poderosa para representar las relaciones causales entre variables. Un nodo en el grafo representa una variable, y una flecha dirigida de A a B (A → B) significa que A causa B.

Los DAGs nos ayudan a identificar y entender conceptos clave:

  • Confounding (Variables Confusoras): Una variable que causa tanto el tratamiento como el resultado. Si no se controla, puede llevar a una estimación sesgada del efecto causal. Ejemplo: Años de estudio (confusor) → Salario (resultado) y Años de estudio → Habilidad para programar (tratamiento).
  • Mediación: Una variable que está en el camino causal entre el tratamiento y el resultado (A → M → B).
  • Colisión (Collider): Una variable que es causada por dos o más variables independientes. Si se controla por un collider, se puede introducir un sesgo (sesgo de selección). Ejemplo: Habilidad para programar → Éxito en entrevista ← Habilidad para comunicación. Si solo seleccionamos a los exitosos en entrevista, podríamos ver una correlación negativa espuria entre programación y comunicación.

La belleza de los DAGs radica en que nos permiten identificar qué variables debemos controlar (ajustar) para aislar el efecto causal de interés, utilizando reglas como el "criterio de la puerta trasera" (backdoor criterion).

Métodos de Inferencia Causal con Machine Learning

Aquí es donde el Machine Learning entra en juego. Si bien el ML tradicional se enfoca en la predicción, sus capacidades para modelar relaciones complejas pueden ser aprovechadas para estimar los componentes necesarios para la inferencia causal.

1. Estimación de Propensity Scores con ML

El Propensity Score (Puntuación de Propensión) es la probabilidad de que una unidad reciba un tratamiento dado un conjunto de covariables observadas. Es decir, e(X) = P(T=1 | X). Si podemos estimar esta probabilidad con precisión, podemos usarla para balancear los grupos de tratamiento y control.

Tradicionalmente, se usa regresión logística para estimar los propensity scores. Sin embargo, modelos de ML más avanzados como Random Forests, Gradient Boosting (e.g., XGBoost, LightGBM) o redes neuronales pueden capturar relaciones no lineales y de alta dimensionalidad en X, llevando a estimaciones de propensity scores más precisas y, por ende, a un mejor balanceo.

Una vez estimados, los propensity scores se pueden usar para:

  • Matching: Emparejar unidades de tratamiento con unidades de control que tengan propensity scores similares.
  • Weighting (IPW - Inverse Probability Weighting): Ponderar las observaciones inversamente a su probabilidad de recibir el tratamiento observado, creando una población "pseudo-aleatorizada".

2. Double Machine Learning (DML)

Desarrollado por Chernozhukov et al., DML es un enfoque robusto que utiliza ML para estimar los "componentes de molestia" (nuisance parameters) en un modelo causal, mientras que el parámetro de interés (el efecto causal) se estima de forma no paramétrica o semiparamétrica. La idea es "desconfundir" el efecto del tratamiento del efecto de las covariables.

En esencia, DML implica dos pasos de ML:

  1. Predecir el resultado (Y) usando las covariables (X).
  2. Predecir el tratamiento (T) usando las covariables (X).

Luego, se utilizan los residuos de estas predicciones para estimar el efecto causal, lo que reduce el sesgo y permite el uso de modelos de ML complejos sin preocuparse por la sobreajuste en la estimación del efecto causal.

3. Causal Forests

Una extensión de los Random Forests, las Causal Forests (Bosques Causales) están diseñadas específicamente para estimar efectos de tratamiento heterogéneos (HTE - Heterogeneous Treatment Effects). En lugar de predecir un resultado, cada árbol en un Causal Forest se entrena para estimar el efecto causal condicional para un subgrupo de la población. Esto es crucial porque el efecto de un tratamiento puede variar significativamente entre diferentes individuos.

Por ejemplo, un nuevo medicamento podría ser muy efectivo para pacientes jóvenes, pero ineficaz o incluso perjudicial para pacientes mayores. Causal Forests pueden identificar estos subgrupos y cuantificar el efecto causal para cada uno.

Implementación Práctica con Python: Un Ejemplo con DoWhy

Python ofrece librerías potentes para la inferencia causal. DoWhy, de Microsoft Research, es una de las más populares, ya que sigue un enfoque de cuatro pasos para la inferencia causal: Modelar, Identificar, Estimar y Refutar.

Vamos a ilustrar un ejemplo simplificado donde queremos estimar el efecto causal de un programa de capacitación (tratamiento) en el salario (resultado), controlando por la experiencia (confusor).


import dowhy
from dowhy import CausalModel
import pandas as pd
import numpy as np

# 1. Generar datos de ejemplo (simulados)
np.random.seed(42)
n_samples = 1000

experiencia = np.random.normal(5, 2, n_samples) # Confusor

# La probabilidad de recibir capacitación depende de la experiencia (confounding)
prob_capacitacion = 1 / (1 + np.exp(-(0.5 * experiencia - 2)))
capacitacion = np.random.binomial(1, prob_capacitacion) # Tratamiento

# El salario depende de la experiencia y de la capacitación (efecto causal)
salario = 2000 + 300 * experiencia + 500 * capacitacion + np.random.normal(0, 500, n_samples)

data = pd.DataFrame({
    'experiencia': experiencia,
    'capacitacion': capacitacion,
    'salario': salario
})

print("Primeras 5 filas de los datos:")
print(data.head())

# 2. Modelar el problema causal con un DAG (simplificado)
# Representamos la relación causal: experiencia -> capacitacion, experiencia -> salario, capacitacion -> salario
model = CausalModel(data=data,
                    treatment='capacitacion',
                    outcome='salario',
                    common_causes=['experiencia'])

# 3. Identificar el efecto causal
# DoWhy usa el criterio de la puerta trasera para identificar el conjunto de ajuste
identified_estimand = model.identify_effect(proceed_when_unidentifiable=True)
print("\nEstimando el efecto causal de 'capacitacion' en 'salario' controlando por 'experiencia'.")
print(identified_estimand)

# 4. Estimar el efecto causal usando un método de ML (por ejemplo, G-Formula con un modelo de regresión)
# Aquí usamos un modelo de regresión lineal simple para la estimación, pero se podría usar un modelo de ML más complejo
# como RandomForestRegressor o GradientBoostingRegressor.

# Para usar un modelo de ML, podemos especificar 'method_name' y 'method_args'
# Por ejemplo, para usar un modelo de regresión lineal (como base para G-Formula)
causal_estimate_linear = model.estimate_effect(identified_estimand,
                                               method_name="backdoor.linear_regression",
                                               control_value=0,
                                               treatment_value=1)

print(f"\nEstimación causal (Regresión Lineal): {causal_estimate_linear.value:.2f}")

# Para usar un modelo de ML más avanzado, por ejemplo, RandomForestRegressor
# Necesitaríamos configurar el método como 'backdoor.econml.dr.LinearDRLearner' o similar
# y pasar el estimador de ML como argumento.
# Esto es un poco más complejo y requiere la librería EconML.

# from econml.dr import LinearDRLearner
# from sklearn.ensemble import RandomForestRegressor

# drlearner = LinearDRLearner(model_regression=RandomForestRegressor(),
#                             model_propensity=RandomForestRegressor())

# causal_estimate_dml = model.estimate_effect(identified_estimand,
#                                            method_name="backdoor.econml.dr.LinearDRLearner",
#                                            econml_estimator=drlearner)

# print(f"\nEstimación causal (DML con RandomForest): {causal_estimate_dml.value:.2f}")

# 5. Refutación (Opcional pero crucial): Probar la robustez de la estimación
# Añadir un confusor no observado aleatorio y ver cómo cambia la estimación
refute_random_common_cause = model.refute_estimate(identified_estimand,
                                                    causal_estimate_linear,
                                                    method_name="random_common_cause")
print("\nRefutación (confusor aleatorio):", refute_random_common_cause)

# Reemplazar el tratamiento con una variable aleatoria y ver si el efecto desaparece
refute_random_treatment = model.refute_estimate(identified_estimand,
                                                  causal_estimate_linear,
                                                  method_name="random_treatment_placebo")
print("Refutación (tratamiento aleatorio):", refute_random_treatment)

En este ejemplo, DoWhy nos permite definir el problema causal, identificar el conjunto de variables a controlar y estimar el efecto. La fase de refutación es vital para validar la robustez de nuestra estimación causal frente a posibles violaciones de supuestos.

Desafíos y Consideraciones en la Inferencia Causal

Aunque poderosa, la inferencia causal no está exenta de desafíos:

  • Datos: Requiere datos ricos y bien estructurados. La calidad y disponibilidad de las covariables son cruciales.
  • Confusores No Observados: El mayor desafío. Si hay variables que causan tanto el tratamiento como el resultado y no están en nuestros datos, la estimación causal estará sesgada. Métodos como las variables instrumentales o la regresión de discontinuidad pueden ayudar, pero son más complejos.
  • Complejidad del Modelo Causal: Construir un DAG preciso requiere conocimiento de dominio y puede ser un proceso iterativo.
  • Heterogeneidad del Efecto: Identificar y modelar cómo el efecto causal varía entre subgrupos es complejo pero esencial para políticas personalizadas.
  • Ética: La inferencia causal a menudo se utiliza para informar políticas o intervenciones. Es fundamental considerar las implicaciones éticas de las conclusiones y evitar la discriminación o el daño.

Conclusión: Hacia una IA Más Inteligente y Responsable

La inferencia causal representa un paso evolutivo crucial para el Machine Learning. Al pasar de la mera predicción basada en correlaciones a la comprensión de las relaciones de causa y efecto, los desarrolladores y profesionales de la IA pueden construir sistemas que no solo pronostican, sino que también informan decisiones estratégicas y permiten intervenciones efectivas.

Dominar los fundamentos de la inferencia causal y las herramientas que la implementan, como DoWhy o EconML, te permitirá diseñar experimentos más inteligentes, evaluar el impacto real de tus acciones y, en última instancia, desarrollar soluciones de IA más robustas, transparentes y responsables. Es el camino hacia una IA que no solo sabe qué va a pasar, sino por qué.

Volver al blog