Intervenciones no agenciales para la mediación causal en presencia de confusión intermedia

Resumen Enfoques recientes en inferencia causal se han centrado en efectos causales definidos como contrastes entre la distribución de resultados contrafactuales bajo intervenciones hipotéticas en los nodos de un modelo gráfico. En este artículo, desarrollamos una teoría para efectos causales definidos con respecto a un tipo diferente de intervención, una que altera la información propagada a través de las aristas del gráfico. Estas intervenciones de transferencia de información pueden ser más útiles que las intervenciones en nodos en contextos en los que las causas no son manipulables, por ejemplo, al considerar la raza o la genética como causas. Además, las intervenciones de transferencia de información nos permiten definir descomposiciones específicas de trayectoria que se identifican en presencia de confusión mediador-resultado inducida por el tratamiento, un problema práctico cuya solución general sigue siendo esquiva. Demostramos que los efectos propuestos proporcionan pruebas estadísticas válidas de mecanismos, a diferencia de los métodos populares basados en intervenciones aleatorias sobre el mediador. Proponemos estimadores no paramétricos eficientes para una versión de covarianza de los efectos propuestos, utilizando regresión adaptativa a los datos acoplada con teoría de eficiencia semiparamétrica para abordar el sesgo de especificación del modelo mientras se mantiene la n-consistencia y la normalidad asintótica. Ilustramos el uso de nuestros métodos en dos ejemplos utilizando datos disponibles públicamente.