Interferencia, efectos indirectos y SUTVA

SUTVA (supuesto de valor estable del tratamiento por unidad) es un principio básico de la inferencia causal: el resultado de cada persona debe depender solo del tratamiento que recibe, no del que reciben los demás. Cuando este supuesto se incumple por la influencia social, los recursos compartidos o la comunicación, hablamos de interferencia; los efectos que llegan a personas no tratadas se llaman efectos indirectos. Imagina que pruebas una nueva vacuna administrándola a la mitad de las personas que viven en un mismo hogar: los familiares no vacunados podrían recibir cierta protección si la vacuna reduce la transmisión, lo que hace imposible aislar el verdadero efecto de la vacuna. Fíjate en esto: cuando las personas se influyen entre sí, tu grupo de control no está realmente bajo control.

Cómo se produce la interferencia

La interferencia ocurre cuando los tratamientos pueden afectar a otras personas además de quienes los reciben directamente. En las redes sociales, si tus amigos reciben una intervención, como un mensaje para animarlos a votar, su cambio de conducta podría influir en ti aunque tú no hayas recibido el mensaje. En los ensayos de vacunas, vacunar a algunas personas de una comunidad puede reducir la transmisión de la enfermedad y proteger indirectamente a quienes no están vacunados: un efecto indirecto positivo. En las plataformas en línea, mostrar una función nueva a algunos usuarios puede cambiar su conducta de formas que afectan la experiencia de sus amigos y generan efectos en toda la red.

Por qué importa para la inferencia causal

Cuando hay interferencia, el «efecto promedio del tratamiento» que solemos estimar se vuelve ambiguo. ¿Medimos el efecto de tratar a una persona mientras las demás siguen sin recibir tratamiento? ¿El efecto de tratar a todos en comparación con no tratar a nadie? Son cantidades distintas, y los diseños experimentales habituales que asignan a las personas al azar pueden producir estimaciones sesgadas de cualquiera de ellas. La comparación entre el grupo tratado y el grupo de control se contamina porque las personas del grupo de control están expuestas a los efectos indirectos de quienes reciben el tratamiento.

Qué puedes hacer

Entre las estrategias de diseño están la aleatorización por conglomerados, que asigna grupos enteros, como escuelas o pueblos, en lugar de personas; la aleatorización por conglomerados de grafos, que usa la estructura de la red para asignar juntos a grupos conectados; y la separación espacial entre las distintas condiciones de tratamiento. Entre las estrategias de análisis están modelar explícitamente los efectos indirectos, usar mapas de exposición para definir distintos «tratamientos efectivos» o centrarse en cantidades de interés que tengan en cuenta la interferencia en lugar de ignorarla. La clave es reconocer cuándo SUTVA resulta poco plausible y planificar en consecuencia, en lugar de actuar como si la interferencia no existiera.

Donald Rubin formalizó SUTVA (supuesto de valor estable del tratamiento por unidad) en el marco de resultados potenciales. Es un supuesto fundamental para identificar efectos causales a partir de experimentos aleatorizados [1]. Cuando SUTVA se incumple por la interferencia entre unidades, la cantidad causal de interés se vuelve ambigua, porque los resultados potenciales dependen del vector completo de asignación del tratamiento, no solo del tratamiento de cada unidad [2].

La principal limitación es que la mayoría de los métodos para abordar la interferencia exigen supuestos fuertes sobre la estructura de los efectos indirectos, como suponer que la interferencia solo ocurre dentro de vecindarios delimitados por cierta distancia. A menudo se adoptan estos supuestos por conveniencia matemática, sin que los justifique una teoría sobre el fenómeno estudiado. En muchos procesos sociales, la interferencia puede propagarse por las redes a distancias arbitrariamente grandes mediante cadenas de influencia, lo que pone en duda incluso los supuestos basados en vecindarios. La aleatorización por conglomerados de grafos reduce el sesgo, pero puede aumentar considerablemente la varianza, sobre todo cuando los conglomerados son grandes. También hay una tensión fundamental: para identificar los efectos indirectos, necesitamos variación en los patrones de asignación del tratamiento entre redes, pero los diseños experimentales habituales a menudo no la proporcionan. Muchos de los métodos propuestos también exigen conocer la estructura completa de la red, una información que a menudo no está disponible o resulta costosa de obtener.