Causa y efecto. Entendemos este concepto desde una edad temprana. Tira de la cuerda de un juguete y el juguete lo sigue. Naturalmente, las cosas se vuelven mucho más complicadas a medida que el sistema crece, a medida que aumenta el número de variables y a medida que el ruido entra en escena. Finalmente, puede ser casi imposible saber si una variable está causando el efecto o simplemente está correlacionada o asociada con él.
Consideremos un ejemplo de la ciencia climática. Los expertos que estudian los patrones de circulación atmosférica a gran escala y sus efectos en el clima global querrán saber cómo estos sistemas pueden cambiar con las estaciones más cálidas. Aquí entran en juego muchas variables: temperatura y presión del aire y del océano, corrientes oceánicas y profundidad, e incluso los detalles de la rotación de la Tierra a lo largo del tiempo. Pero ¿qué variables causan qué efectos medidos?
Aquí es donde entra en juego la teoría de la información como marco para construir la causalidad. Adrián Lozano-Durán, profesor asociado de aeroespacial en Caltech, y los miembros de su grupo tanto en Caltech como en el MIT han desarrollado un método que puede usarse para determinar la causalidad incluso en sistemas tan complejos.
La nueva herramienta matemática puede descubrir las contribuciones que cada variable de un sistema hace a un efecto medido, tanto individualmente como, lo que es más importante, en combinación. El equipo describe su nuevo método, llamado descomposición de causalidad sinérgica-única-redundante (SURD), en un artículo publicado hoy en la revista el 1 de noviembre. Comunicaciones de la naturaleza.
El nuevo modelo se puede utilizar en cualquier situación en la que los científicos intenten determinar la verdadera causa o causas de un efecto medido. Esto podría ser cualquier cosa, desde desencadenar la caída del mercado de valores en 2008 hasta la contribución de varios factores de riesgo a la insuficiencia cardíaca, en la que la variabilidad oceánica afecta a las poblaciones de determinadas especies de peces, hasta su fallo. ¿De qué propiedades mecánicas son responsables? Contenido
“La inferencia causal es muy multidisciplinaria y tiene potencial para avances en muchos campos”, dice Álvaro Martínez-Sánchez, estudiante graduado del MIT en el grupo de Lozano-Durán y autor principal del nuevo artículo.
Para el grupo de Lozano-Durán, SURD será de gran utilidad en el diseño de sistemas aeroespaciales. Por ejemplo, al identificar qué variable aumenta la resistencia de un avión, el método puede ayudar a los ingenieros a mejorar el diseño del vehículo.
“Los métodos anteriores sólo indicaban qué parte de la causa proviene de una variable u otra”, explica Lozano-Duran. “Lo que es único de nuestro método es la capacidad de obtener una imagen completa de todo lo que causa el efecto”.
El nuevo método también evita la identificación errónea de la causa. Esto se debe en gran medida a que va más allá de simplemente cuantificar el efecto producido por cada variable de forma independiente. Además de lo que los autores llaman “causalidad única”, la metodología incluye dos nuevos tipos de causalidad, a saber, causalidad redundante y sinérgica.
La causalidad redundante ocurre cuando más de una variable produce un efecto medido, pero no todas las variables son necesarias para alcanzar el mismo resultado. Por ejemplo, un estudiante puede obtener buenas calificaciones en una clase porque es muy inteligente o porque es muy trabajador. Ambos pueden dar lugar a buenas notas, pero sólo uno es necesario. Dos variables son redundantes.
La causalidad sinérgica, por otro lado, involucra múltiples variables que deben trabajar juntas para producir un efecto. No todas las variables producirán el mismo resultado por sí solas. Por ejemplo, un paciente toma el fármaco A, pero no se recupera de su enfermedad. De manera similar, cuando toma el fármaco B, no ve ninguna mejora. Pero cuando toma ambos medicamentos se recupera por completo. Los medicamentos A y B son compatibles.
SURD descompone matemáticamente la contribución de cada variable en un sistema en sus componentes causales únicos, redundantes y covariables. La suma de todas estas contribuciones debe satisfacer la ecuación de conservación de la información que luego puede usarse para detectar la existencia de causalidad latente, es decir, variables que no pueden medirse o no se consideran importantes. (Si la causalidad oculta resulta ser demasiado alta, los investigadores saben que necesitan revisar las variables incluidas en su análisis).
Para probar el nuevo método, el equipo de Lozano-Duran utilizó SURD para analizar 16 casos de validación: escenarios con soluciones conocidas que los investigadores utilizan comúnmente para determinar la causalidad presentarán desafíos importantes.
“Nuestro método le dará constantemente una respuesta significativa en todos estos casos”, dice Gonzalo Aranez, investigador postdoctoral en Graduate Aerospace Laboratories de Caltech, quien también es autor del artículo. “Otros métodos mezclan actividades que no deberían mezclarse y a veces se confunden. Por ejemplo, identifican una causa falsa positiva que no existe”.
En el artículo, el equipo utilizó SURD para estudiar la creación de turbulencias cuando el aire fluye alrededor de una pared. En este caso, el aire fluye más rápido en altitudes más bajas, más cerca de la pared y en altitudes más altas. Anteriormente, algunas teorías sobre lo que está sucediendo en este escenario han sugerido que el flujo en altura afecta lo que sucede cerca de la pared y no al revés. Otras teorías han sugerido exactamente lo contrario: que el flujo de aire cerca de la pared afecta lo que sucede arriba.
“Analizamos las dos señales con SURD para entender cómo se produce la interacción”, dice Lozano Durán. “Resulta que la causalidad se produce a velocidades muy lejanas. Además, existe cierta sinergia donde las señales interactúan para producir otro tipo de causalidad. Método”.
