Predicción frente a causalidad en DAG

La predicción y la causalidad son cosas fundamentalmente distintas en los diagramas causales (DAG). La predicción pregunta «Dado X, ¿qué podemos esperar observar?» y se basa únicamente en patrones observados: por ejemplo, las ventas de helados predicen las compras de protector solar porque ambas aumentan en verano. La causalidad pregunta «Si cambio X, ¿cambiará realmente Y?» y requiere entender el mecanismo real que explica el patrón, más allá de la correlación. Los DAG ayudan a separar ambas cosas al mostrar qué variables influyen realmente en otras y cuáles solo comparten patrones. Prueba esto: Antes de dar por hecho que una cosa causa otra, pregúntate qué más podría explicar el patrón.

En qué se diferencian la predicción y la causalidad

Los modelos predictivos buscan patrones en los datos sin necesidad de saber por qué existen. Un algoritmo de aprendizaje automático puede predecir con precisión qué clientes se darán de baja al detectar que quienes llaman dos veces al servicio de asistencia suelen cancelar el servicio. Pero eso no significa que las llamadas causen las cancelaciones. La causa real podría ser un producto defectuoso que genera tanto las llamadas como las cancelaciones. Los DAG hacen explícita esta diferencia: solo incluyen flechas para representar relaciones causales reales, no simples correlaciones.

Por qué los DAG separan ambas cosas

En un DAG, las flechas representan una influencia causal directa. Si las ventas de helados predicen las compras de gafas de sol, un DAG mostraría ambas como variables hijas de una misma variable: la temperatura o la estación del año. Esta estructura explica por qué están correlacionadas —el verano hace que ambas aumenten— y aclara que ninguna causa la otra. Si intervinieras para aumentar las ventas de helados, las compras de gafas de sol no cambiarían, aunque un modelo predictivo simplista podría sugerir lo contrario. La estructura del DAG evita este error al hacer visibles las suposiciones causales y permitir que se pongan a prueba.

Ejemplos del mundo real

En medicina, la presión arterial predice el riesgo de enfermedad cardíaca, pero reducirla no siempre evita los infartos: la vía causal puede incluir inflamación, hormonas del estrés o placas en las arterias. Un DAG ayuda a identificar si la presión arterial es una causa, una consecuencia o solo un indicador. En las empresas, la satisfacción de los empleados predice la productividad, pero mejorarla ofreciendo refrigerios gratis no aumentará la productividad si la causa real es una buena gestión. Los DAG te obligan a especificar qué cambiarías exactamente y qué respondería realmente a ese cambio. Así evitan intervenciones costosas dirigidas a los síntomas en lugar de a las causas.

Implicaciones prácticas

Al crear modelos predictivos, puedes usar cualquier variable correlacionada: los indicadores indirectos, como la estación del año o la temperatura, funcionan bien. Pero, para tomar decisiones o diseñar intervenciones, debes identificar las relaciones causales reales. Los DAG te ayudan al obligarte a expresar tus suposiciones causales: qué variables se mantendrían iguales si intervinieras, cuáles cambiarían y qué causas comunes ocultas podrían existir. Esta distinción ahorra recursos al evitar acciones dirigidas a las correlaciones en lugar de a las causas.

Los DAG causales (grafos dirigidos acíclicos) formalizan la distinción entre inferencia asociativa e inferencia causal mediante el cálculo do y los modelos causales estructurales. El marco de Pearl muestra que la predicción depende únicamente de distribuciones observacionales, mientras que las afirmaciones causales requieren distribuciones de intervención, expresadas mediante el operador do: P(Y | do(X)). [1, 5] Los modelos predictivos de alta dimensionalidad pueden alcanzar una precisión excelente y, al mismo tiempo, representar de forma completamente errónea la estructura causal: las correlaciones «espurias» mejoran las predicciones, pero invalidan las conclusiones causales. [2]

Las conclusiones causales basadas en DAG dependen en gran medida de especificar correctamente la estructura del grafo: basta con omitir una variable de confusión o un camino de puerta trasera para que las estimaciones causales queden sesgadas. Los modelos predictivos no requieren esta especificación causal y pueden ser más robustos cuando las suposiciones son inciertas. Además, algunos sistemas modernos de aprendizaje automático, como las redes neuronales profundas, logran una capacidad predictiva superior a la humana sin ninguna estructura causal interpretable. Esto sugiere que, si el único objetivo es predecir, entender la causalidad puede suponer un trabajo adicional innecesario. Por último, los DAG suelen asumir relaciones causales estables y bien definidas, una suposición que deja de cumplirse en sistemas complejos con ciclos de retroalimentación o propiedades emergentes.