Implementación de técnicas de inferencia casual basadas en redes neuronales para la estimación de efectos de tratamiento

Resumen

Este trabajo surge de la necesidad de tomar decisiones informadas en inferencia causal, especialmente en contextos donde los métodos estad´ısticos no causales son poco prácticos o éticamente inviables. Aunque los ensayos controlados aleatorios (RCT) ofrecen una solución robusta para determinar efectos causales, su implementación se ve limitada por altos costes, largos tiempos de ejecución y consideraciones éticas, lo que dificulta su aplicación en áreas como la salud. Frente a estas limitaciones, se propone el uso de métodos de análisis causales para estimar efectos de tratamiento a partir de datos observacionales, ofreciendo una alternativa viable en situaciones donde no es posible realizar experimentos aleatorizados. Más concretamente, se dise˜nan e implementan modelos basados en redes neuronales para estimar los efectos de tratamientos, analizando distintos enfoques: meta-learners como el S-learner y el T-learner, as´ı como métodos de ajuste causal más clásicos que, mediante ajustes probabil´ısticos, corrigen sesgos en la asignación del tratamiento. Para validar estos modelos se utilizan conjuntos de datos reconocidos como punto de referencia en inferencia causal. Se ha desarrollado de principio a fin todo el proceso de validación, que incluye la estandarización de variables, la partición estratificada de los datos y el entrenamiento conjunto de submodelos. De este modo, podemos evaluar de forma rigurosa la robustez y generalización de cada tcnica. Finalmente, se compara la precisión y efectividad de cada técnica, identificando sus ventajas y limitaciones. El objetivo principal es verificar que estos métodos de inferencia causal sean fiables y puedan aplicarse con éxito a datos reales, lo que permitirá mejorar la toma de decisiones en entornos complejos.