Glosario IA
El diccionario completo de la Inteligencia Artificial
Redes Bayesianas Causales
Grafos acíclicos dirigidos que modelan explícitamente las relaciones causales entre variables, donde los bordes representan mecanismos causales y los nodos las variables, permitiendo intervenciones y cálculos contrafactuales.
Emparejamiento por Puntuación de Propensión con AA
Uso de algoritmos de aprendizaje automático (gradient boosting, random forests) para estimar con mayor precisión las puntuaciones de propensión en contextos de alta dimensión, mejorando así el equilibrio de covariables entre grupos tratados y de control.
Variables Instrumentales con Redes Neuronales
Enfoque que integra redes neuronales para modelar relaciones no lineales complejas entre variables instrumentales, tratamiento y resultado, superando las limitaciones de los métodos IV lineales tradicionales.
Árboles de Inferencia Causal
Árboles de decisión modificados específicamente para identificar subpoblaciones con efectos de tratamiento heterogéneos, utilizando criterios de división basados en pruebas de interacción tratamiento-covariable en lugar de la pureza de los resultados.
Modelos Causales Neuronales
Arquitecturas de redes neuronales profundas diseñadas para aprender representaciones invariantes y mecanismos causales, integrando restricciones estructurales para garantizar la interpretabilidad causal y la robustez ante cambios de distribución.
Regresión Contrafactual
Método de aprendizaje de representaciones que utiliza redes neuronales para aprender embeddings balanceados donde las distribuciones de covariables tratadas y no tratadas son indistinguibles, facilitando la estimación de efectos causales individuales.
Meta-aprendices para ETC
Marco algorítmico que incluye S-learner, T-learner, X-learner y R-learner que utilizan modelos de AA básicos como bloques de construcción para estimar los efectos de tratamiento condicionales promedio de manera flexible y no paramétrica.
Bosque Aleatorio Ortogonal
Extensión de los bosques aleatorios que integra principios de ortogonalización para reducir el sesgo en la estimación de efectos causales, particularmente eficaz en presencia de factores de confusión de alta dimensión con efectos no lineales.
Modelos Causales Estructurales con Aprendizaje Profundo
Integración de redes neuronales profundas en las ecuaciones estructurales de los modelos SCM para capturar relaciones causales no lineales complejas mientras se preserva la interpretabilidad y la capacidad de razonamiento contrafactual.
Algoritmos de Descubrimiento Causal
Algoritmos (PC, FCI, GES, NOTEARS) que utilizan aprendizaje automático para inferir automáticamente la estructura causal a partir de datos observacionales, frecuentemente con restricciones de parsimonia y pruebas de independencia no paramétricas.
Estimadores Neuronales Doblemente Robusto
Estimadores causales que combinan redes neuronales para modelar los resultados y los propensity scores, garantizando consistencia si uno u otro de los modelos está correctamente especificado, particularmente útil en alta dimensión.
Minimización de Riesgo Invariante
Principio de aprendizaje que busca representaciones donde los predictores del resultado permanecen invariantes a través de diferentes entornos, sirviendo como proxy para el aprendizaje de mecanismos causales robustos a cambios de distribución.
G-computación con ML
Método de estimación causal paramétrico que utiliza modelos ML avanzados (gradient boosting, redes neuronales) para aproximar la distribución condicional del resultado, permitiendo simular intervenciones y estimar los efectos causales marginales.
Descubrimiento de Efectos de Tratamiento Heterogéneos
Proceso que utiliza algoritmos ML para identificar automáticamente subgrupos que presentan respuestas al tratamiento significativamente diferentes, combinando clustering y estimación de efectos para personalizar intervenciones.