Grafos de intervención de un solo mundo

Para saber si un medicamento funcionó, necesitas saber qué habría pasado sin él. Un grafo de intervención de un solo mundo (SWIG, por sus siglas en inglés) es un diagrama que representa uno de estos escenarios de «qué pasaría si…». Por ejemplo, puede representar el mundo en el que un paciente sí tomó el medicamento y etiquetar el resultado como «Salud con el medicamento». Para determinar el efecto del medicamento, compararías conceptualmente ese resultado con el de otro SWIG que represente el mundo en el que no lo tomó.

Prueba esto: Piensa qué partes de una situación seguirían igual si cambiaras una sola decisión.

Un grafo de intervención de un solo mundo (SWIG) es una herramienta gráfica que representa un único escenario contrafactual. Parte de un diagrama causal estándar, como un DAG, y lo modifica para mostrar qué pasaría con una intervención hipotética concreta.

Para crear un SWIG, primero eliges la variable sobre la que vas a intervenir; por ejemplo, fijas el valor de Tratamiento en «sí». El paso clave consiste en «dividir» el nodo de esa intervención. Esta división separa visualmente los factores previos que podrían influir en la elección del tratamiento del nuevo valor del tratamiento, fijado externamente. Así queda clara la lógica contrafactual.

Después de la división, cambias las etiquetas de todas las variables que son consecuencias posteriores de la intervención, llamadas descendientes, para indicar que ahora representan resultados potenciales. Por ejemplo, un nodo llamado Resultado pasa a llamarse Resultado con tratamiento.

El grafo resultante representa un único mundo fijo. Para determinar un efecto causal, debes comparar conceptualmente los resultados de dos SWIG distintos. Por ejemplo, para saber si funcionó un nuevo programa de formación, compararías el resultado potencial Rendimiento con formación de un SWIG con Rendimiento sin formación de otro.

Los grafos de intervención de un solo mundo (SWIG) se desarrollaron para representar gráficamente cantidades contrafactuales dentro del marco formal de los modelos causales estructurales (SCM, por sus siglas en inglés). Mientras que los grafos causales estándar —grafos dirigidos acíclicos o DAG— expresan supuestos estructurales sobre el mundo, los SWIG muestran de forma explícita las dependencias contrafactuales para una intervención concreta.

• Pearl (2009) sentó las bases con los modelos causales estructurales, en los que los contrafactuales se definen como resultados de una versión modificada del modelo que representa el mundo hipotético. [1]
• Richardson y Robins (2013) presentaron formalmente los SWIG como una herramienta gráfica para unificar el marco de Pearl con el marco de resultados potenciales, habitual en estadística. Mostraron cómo los SWIG permiten leer las dependencias contrafactuales directamente en un grafo de una única intervención. [2]
• Hernán y Robins (2020) utilizan ampliamente los SWIG en su libro Inferencia causal: qué pasaría si para enseñar conceptos complejos como la mediación, la confusión que varía con el tiempo y el sesgo de selección. Así muestran su utilidad como una potente herramienta didáctica y analítica en epidemiología y otros campos. [3]

La principal limitación de los SWIG es que requieren partir de un modelo causal correctamente especificado, es decir, un DAG. Si los supuestos causales de partida son incorrectos, el SWIG también lo será. Además, en escenarios complejos con muchas variables, intervenciones o momentos de observación, los SWIG pueden quedar visualmente recargados y ser difíciles de interpretar. Son una herramienta para formalizar preguntas y determinar qué necesitas medir —lo que se conoce como identificación—, no un método de estimación estadística en sí mismo.