Glosario IA
El diccionario completo de la Inteligencia Artificial
Grafos acíclicos dirigidos
Representación matemática de las relaciones causales donde los nodos son variables y las aristas orientadas indican la influencia directa de una variable sobre otra. Los DAGs permiten visualizar y analizar la estructura causal subyacente de las decisiones de la IA.
Método de Rubin
Marco formal para la inferencia causal basado en los resultados potenciales, donde cada unidad tiene resultados hipotéticos bajo diferentes tratamientos. Este modelo permite definir con precisión los efectos causales como diferencias entre resultados potenciales.
Sesgo de confusión
Error sistemático en la estimación causal debido a variables que influyen simultáneamente en el tratamiento y el resultado, creando asociaciones falsas. La identificación y el control de los factores de confusión son esenciales para una inferencia causal válida.
Métodos de emparejamiento
Técnicas de emparejamiento de unidades tratadas y no tratadas basándose en características observables para crear grupos comparables en estudios observacionales. Estos métodos permiten estimar los efectos causales eliminando las diferencias sistemáticas entre grupos.
Doble diferencia
Estrategia de identificación causal que compara los cambios en los resultados a lo largo del tiempo entre un grupo tratado y un grupo de control. Este método controla las tendencias comunes y las características invariantes en el tiempo.
Regresión por discontinuidad
Diseño cuasi-experimental que explota los umbrales de tratamiento para identificar los efectos causales locales alrededor de los puntos de corte. Este método compara las unidades justo a ambos lados del umbral para aislar el impacto causal del tratamiento.
Criterio de Pearl
Conjunto de reglas formales que permiten determinar si un efecto causal puede ser identificado a partir de un grafo causal y datos observacionales. Este do-calculus proporciona un marco matemático para manipular las expresiones causales en los modelos gráficos.
Modelos estructurales causales
Representaciones matemáticas que combinan ecuaciones estructurales y grafos para modelar los mecanismos generativos de los datos. Estos modelos permiten simular intervenciones y calcular efectos causales contrafactuales.
Efecto heterogéneo del tratamiento
Variación del efecto causal de un tratamiento entre diferentes subgrupos o individuos de la población. El análisis de la heterogeneidad permite identificar para quién el tratamiento es más o menos eficaz.
Contrafactual por vecinos más cercanos
Método de generación de explicaciones contrafactuales basado en la búsqueda de ejemplos similares en el espacio de características con predicciones diferentes. Este enfoque proporciona explicaciones intuitivas basadas en casos reales o cercanos.
Análisis de rutas causales
Técnica que descompone el efecto total de una variable en efectos directos e indirectos a través de mediadores especificados. Este análisis permite comprender los mecanismos por los cuales una variable influye en un resultado en los sistemas de IA.