Image for post Inferencia Causal en Machine Learning: Más Allá de la Correlación para Entender el Impacto

Inferencia Causal en Machine Learning: Más Allá de la Correlación para Entender el Impacto

Escrito por Sergio Márquez

En el vasto universo del Machine Learning, a menudo nos encontramos inmersos en la búsqueda de patrones y la predicción de resultados. Sin embargo, hay una pregunta fundamental que los modelos predictivos por sí solos no pueden responder: ¿por qué sucede algo? La correlación, aunque útil para la predicción, no implica causalidad. Entender la diferencia entre ambas y cómo establecer relaciones de causa y efecto es crucial para tomar decisiones informadas y diseñar sistemas de IA verdaderamente impactantes. Aquí es donde la Inferencia Causal entra en juego, transformando la forma en que los desarrolladores y científicos de datos abordan problemas complejos.

Contexto del Problema: La Trampa de la Correlación

Desde los inicios del Machine Learning, la capacidad de identificar correlaciones complejas en grandes volúmenes de datos ha sido su superpoder. Modelos predictivos sobresalientes se construyen sobre esta base, permitiéndonos prever tendencias, clasificar información y optimizar procesos. Sin embargo, esta fortaleza es también su principal limitación cuando el objetivo es la toma de decisiones estratégicas. [3, 12]

Imagina que observas una fuerte correlación entre el consumo de helado y el número de ahogamientos en verano. Un modelo predictivo podría sugerir que prohibir el helado reduciría los ahogamientos. Absurdo, ¿verdad? El factor causal subyacente es la temperatura: el calor aumenta tanto el consumo de helado como la probabilidad de ir a nadar, y por ende, de ahogamientos. Este es un ejemplo clásico de correlación espuria. [3, 20]

En el mundo real, las consecuencias de confundir correlación con causalidad pueden ser mucho más graves. En marketing, podríamos atribuir el éxito de una campaña a un canal específico cuando, en realidad, fue una promoción simultánea en otro medio. En salud, podríamos implementar tratamientos basados en asociaciones observadas que no son causalmente efectivas. Para pasar de la predicción a la intervención y la optimización real, necesitamos entender las palancas causales. [3, 12, 19]

Fundamento Teórico: Desentrañando la Causalidad

La Inferencia Causal es el proceso estadístico que busca determinar si una relación entre variables es causal, no meramente correlacional. [1, 12, 21] Su objetivo es responder a preguntas del tipo: “¿Qué pasaría si cambiamos X?” o “¿Cuál es el efecto de la intervención T en el resultado Y?”.

Contrafactuales: El Corazón de la Causalidad

El concepto central de la inferencia causal es el contrafactual. Para determinar el efecto causal de un tratamiento (T) en un individuo, necesitamos comparar el resultado observado si el individuo recibió el tratamiento (Y(1)) con el resultado que habría ocurrido si no lo hubiera recibido (Y(0)), manteniendo todo lo demás constante. La diferencia Y(1) - Y(0) es el efecto causal individual. [5, 11, 17]

El “problema fundamental de la inferencia causal” radica en que nunca podemos observar ambos resultados para el mismo individuo al mismo tiempo. [1, 5, 11, 18] O recibió el tratamiento, o no lo recibió. La inferencia causal se dedica a estimar estos contrafactuales no observados.

Efectos de Tratamiento: ATE y CATE

  • Efecto de Tratamiento Promedio (ATE - Average Treatment Effect): Es el efecto causal promedio de un tratamiento en toda la población. Se calcula como la diferencia esperada entre los resultados si todos recibieran el tratamiento y si nadie lo recibiera. [2, 5, 8, 9]
  • Efecto de Tratamiento Promedio Condicional (CATE - Conditional Average Treatment Effect): Es el efecto causal promedio para un subgrupo específico de la población, condicionado a ciertas características. Permite entender la heterogeneidad de los efectos del tratamiento, lo que es crucial para la personalización (ej., ¿el tratamiento funciona mejor para hombres o mujeres?). [2, 6, 8, 9]

Gráficos Acíclicos Dirigidos (DAGs) y el Criterio Backdoor

Los DAGs (Directed Acyclic Graphs) son herramientas visuales poderosas para representar las relaciones causales asumidas entre variables. [4, 16, 22] Un DAG consta de nodos (variables) y flechas (relaciones causales directas). Son fundamentales para identificar y controlar las variables de confusión (confounders), que son factores que afectan tanto al tratamiento como al resultado, creando una correlación espuria.

El Criterio Backdoor es una regla clave para identificar un conjunto de variables que, al ser controladas (ajustadas), bloquean todas las “rutas backdoor” espurias entre el tratamiento y el resultado, permitiendo así la identificación del efecto causal. [14, 16, 22, 25] Una ruta backdoor es un camino entre el tratamiento y el resultado que contiene una flecha que apunta hacia el tratamiento. Si un conjunto de variables Z satisface el criterio backdoor, entonces el efecto causal puede ser identificado ajustando por Z. [16]

Implementación Práctica: Inferencia Causal con Python (DoWhy y EconML)

Afortunadamente, existen librerías robustas en Python que facilitan la implementación de la inferencia causal, como DoWhy y EconML (desarrolladas por Microsoft Research). Estas librerías implementan el marco de cuatro pasos de la inferencia causal: Modelar, Identificar, Estimar y Refutar. [7, 18, 23, 29]

Veamos un ejemplo simplificado para estimar el impacto causal de una campaña de marketing (tratamiento) en las ventas (resultado), controlando por el gasto publicitario en otros canales (confounder).


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

# 1. Generar datos sintéticos para el ejemplo
np.random.seed(42)
n_samples = 1000

# Gasto en otros canales (confounder)
gasto_otros_canales = np.random.normal(50, 15, n_samples)

# Decisión de campaña de marketing (tratamiento)
# Más probable si el gasto en otros canales es alto
campana_marketing = np.random.binomial(1, 1 / (1 + np.exp(-(0.05 * gasto_otros_canales - 3))), n_samples)

# Ventas (resultado)
# Afectado por gasto_otros_canales y campana_marketing
ventas = 100 + 2 * gasto_otros_canales + 10 * campana_marketing + np.random.normal(0, 5, n_samples)

data = pd.DataFrame({
    'gasto_otros_canales': gasto_otros_canales,
    'campana_marketing': campana_marketing,
    'ventas': ventas
})

print("Datos generados (primeras 5 filas):\n", data.head())

# 2. Modelar el problema causal con DoWhy
# Definimos el DAG: gasto_otros_canales -> campana_marketing, gasto_otros_canales -> ventas, campana_marketing -> ventas
model = CausalModel(
    data=data,
    treatment='campana_marketing',
    outcome='ventas',
    common_causes=['gasto_otros_canales']
)

# 3. Identificar el estimando causal
# DoWhy usa el DAG para encontrar una estrategia de identificación
identified_estimand = model.identify_effect(proceed_when_unidentifiable=True)
print("\nEstimando causal identificado:\n", identified_estimand)

# 4. Estimar el efecto causal
# Utilizamos un estimador basado en Machine Learning (ej. G-Formula o Doble ML)
# Aquí usaremos un estimador simple de regresión lineal para ilustrar
causal_estimate = model.estimate_effect(
    identified_estimand,
    method_name="backdoor.linear_regression",
    control_value=0,  # Valor del tratamiento para el contrafactual (no campaña)
    treatment_value=1   # Valor del tratamiento para el factual (sí campaña)
)

print(f"\nEstimado del efecto causal (ATE): {causal_estimate.value:.2f}")

# 5. Refutar el estimado (pruebas de robustez)
# Es crucial para verificar la validez de las suposiciones
# Ejemplo: Añadir un confounder aleatorio para ver si el estimado cambia significativamente
refutation = model.refute_estimate(
    identified_estimand,
    causal_estimate,
    method_name="random_common_cause"
)
print("\nResultado de la refutación (añadir causa común aleatoria):\n", refutation)

# Otro ejemplo de refutación: reemplazar el tratamiento con una variable aleatoria
refutation_random_treatment = model.refute_estimate(
    identified_estimand,
    causal_estimate,
    method_name="random_treatment_replacement"
)
print("\nResultado de la refutación (reemplazo de tratamiento aleatorio):\n", refutation_random_treatment)

En este código, primero generamos datos sintéticos donde el gasto_otros_canales es un confounder. Luego, DoWhy nos permite modelar el problema causal, identificar el efecto (usando el criterio backdoor), estimarlo y, crucialmente, refutarlo para verificar la robustez de nuestras conclusiones. [7, 23, 29, 31]

Aplicaciones Reales: Donde la Causalidad Marca la Diferencia

La inferencia causal está revolucionando diversos campos al permitir una toma de decisiones más precisa y basada en el impacto real:

  • Marketing y Publicidad: Evaluar el impacto real de campañas, canales o descuentos en la adquisición o retención de clientes. Permite optimizar el retorno de inversión (ROI) al identificar qué acciones realmente causan un aumento en las ventas o la lealtad. [3, 10, 12, 26, 27, 28]
  • Salud y Medicina: Determinar la efectividad de nuevos tratamientos o intervenciones en pacientes, controlando por factores de riesgo. [1, 3, 19, 28]
  • Economía y Políticas Públicas: Medir el impacto de políticas económicas, programas sociales o cambios regulatorios en variables como el empleo, la pobreza o la educación. [3, 7]
  • Sistemas de Recomendación: Entender si una recomendación realmente llevó a una compra o si el usuario habría comprado el producto de todos modos. [7]
  • Optimización de Productos y UX: Cuantificar el efecto de cambios en la interfaz de usuario o nuevas características en el engagement o la satisfacción del usuario.
  • Análisis de Fraude: Identificar las causas raíz de patrones de fraude, en lugar de solo detectarlos.

Mejores Prácticas y Consideraciones Clave

Implementar la inferencia causal requiere más que solo ejecutar código; exige un profundo conocimiento del dominio y una cuidadosa consideración de las suposiciones:

  • Conocimiento del Dominio es Rey: La construcción de un DAG preciso y la identificación de confounders relevantes dependen en gran medida del conocimiento experto sobre el proceso que se está estudiando. Un DAG incorrecto puede llevar a conclusiones causales erróneas. [4, 34]
  • Cuidado con los Colisionadores (Colliders): Condicionar sobre un colisionador (una variable que es un efecto de dos o más causas) puede abrir una ruta backdoor y crear una correlación espuria, sesgando el efecto causal. [16, 22]
  • Robustez y Sensibilidad: Siempre se deben realizar pruebas de refutación para evaluar la robustez de los estimados causales frente a violaciones de las suposiciones. [7, 23, 31]
  • Limitaciones de Datos Observacionales: Aunque la inferencia causal permite trabajar con datos observacionales (no experimentales), estos estudios son más propensos a sesgos y confusión que los experimentos aleatorios controlados (RCTs). La validez de los resultados depende de que todas las variables de confusión relevantes sean identificadas y controladas. [17, 31, 36]
  • No es una Bala de Plata: La inferencia causal no resuelve todos los problemas. Hay situaciones donde la identificación causal es imposible con los datos disponibles.

Aprendizaje Futuro y Próximos Pasos

La inferencia causal es un campo en rápida evolución, con una creciente integración con el Machine Learning. Para los desarrolladores que buscan profundizar, se recomienda explorar:

  • Librerías Avanzadas: Profundizar en las capacidades de EconML para estimar CATEs y efectos heterogéneos, y CausalML para una gama más amplia de estimadores. [21, 30]
  • Causalidad en Series de Tiempo: Métodos para inferir causalidad en datos secuenciales, crucial para análisis en finanzas, clima o IoT. [15]
  • Descubrimiento Causal: Algoritmos que intentan inferir la estructura causal (el DAG) directamente de los datos, aunque es un área de investigación activa y con desafíos significativos.
  • Integración con LLMs: El uso de LLMs para ayudar en la formulación de hipótesis causales o la construcción de DAGs a partir de texto. [37]
  • Recursos Educativos: Libros como “The Book of Why” de Judea Pearl (introducción conceptual) y “Causal Inference in Statistics: A Primer” (más técnico). [35]

Dominar la inferencia causal empodera a los desarrolladores para ir más allá de la predicción, permitiéndoles construir sistemas de IA que no solo anticipan el futuro, sino que también explican el pasado y guían las acciones para un impacto real y medible. Es un paso fundamental hacia una Inteligencia Artificial más interpretable, robusta y, en última instancia, más inteligente.

Volver al blog