Inferencia Causal Práctica con DoWhy y Grafos Dirigidos (DAGs)

1. Aplicas placebo_treatment_refuter y el nuevo efecto es cercano a cero con un valor p alto. ¿Qué significa?

• La estimación no es un artefacto del procedimiento, aunque no descarta confusores ocultos
• El efecto causal estimado es falso
• El grafo es correcto
• No hay confusores no medidos

Al permutar el tratamiento, cualquier efecto real debe desaparecer. Un efecto cercano a cero indica que la estimación no es un artefacto del procedimiento. No demuestra que no haya confusores ocultos.

2. ¿Qué evalúa refute_graph(k=2) en DoWhy?

• Las independencias condicionales implicadas por el grafo con conjuntos de exactamente 2 variables
• Todas las independencias con conjuntos de hasta 2 variables
• La estabilidad del efecto en 2 submuestras
• Si existen 2 confusores no medidos

refute_graph enumera las independencias condicionales que el DAG implica con conjuntos condicionantes de tamaño exactamente k y las prueba en los datos (correlación parcial para continuas, información mutua condicional para discretas). Si los datos las contradicen, el grafo está mal.

3. ¿Cuál de estos refutadores es una prueba de estabilidad (el efecto NO debería cambiar)?

• random_common_cause
• placebo_treatment_refuter
• dummy_outcome_refuter
• Ninguno: todos esperan efecto cero

random_common_cause añade un confusor aleatorio independiente de todo; si el ajuste es correcto, el efecto no debe moverse. El placebo y el resultado ficticio son pruebas negativas: el efecto debe desaparecer.

4. ¿Para qué sirve add_unobserved_common_cause con una rejilla de fuerzas?

• Medir qué tan fuerte tendría que ser un confusor oculto para cambiar la conclusión
• Detectar con certeza si existe un confusor oculto
• Eliminar el sesgo de confusión de la estimación
• Elegir automáticamente el mejor estimador

Es un análisis de sensibilidad: simula confusores no medidos con distintas fuerzas sobre el tratamiento y el resultado, y muestra cuánto cambiaría el efecto. Permite decir qué tan fuerte tendría que ser la confusión oculta para cambiar la conclusión.

5. En DoWhy 0.14 con pandas 3, refute_graph lanza un KeyError con un DataFrame de columnas enteras. ¿Cuál es la solución práctica?

• Crear el modelo con df.astype(float)
• Eliminar las columnas enteras del grafo
• Usar k=0
• Convertir el tratamiento a bool

Con columnas enteras, DoWhy toma la ruta de pruebas discretas (información mutua condicional), que falla en esta versión. Convertir el DataFrame con df.astype(float) usa la correlación parcial y la prueba funciona.