Inferencia causal por asimilación

Por qué importa rastrear las causas hacia atrás

Cuando preguntamos qué causó una tormenta, un desplome del mercado o una crisis convulsiva, normalmente miramos hacia atrás en el tiempo e intentamos conectar los puntos. Sin embargo, la mayoría de las herramientas matemáticas para la “inferencia causal” en realidad hacen avanzar el tiempo: preguntan cómo las condiciones de hoy moldean los resultados de mañana, promediando sobre registros largos. Este artículo introduce una nueva forma de pensar que en cambio refleja nuestra intuición. Presenta la inferencia causal por asimilación (ACI), un marco que usa técnicas al estilo de los pronósticos meteorológicos para rastrear causas hacia atrás desde sus efectos observados, momento a momento, incluso en sistemas ruidosos y complejos como el clima o el cerebro.

Un nuevo enfoque sobre causa y efecto

Los métodos causales tradicionales suelen dividirse en dos campos. Las técnicas basadas en datos buscan patrones en series temporales multivariantes largas, preguntando si añadir información sobre una variable mejora la predicción de otra. Los enfoques basados en modelos, comunes en física y clima, usan ecuaciones y las ejecutan hacia adelante desde puntos de partida ligeramente diferentes para ver cómo cambian los resultados. Ambas estrategias tienen inconvenientes: se enfrentan a relaciones que cambian rápidamente, registros cortos y sistemas de dimensión muy alta. ACI toma otra vía. Trata la causalidad como un problema inverso: en lugar de empujar causas hacia adelante para ver sus efectos, extrae información hacia atrás a partir de efectos observados para inferir sus causas más probables. Para ello se apoya en la asimilación bayesiana de datos, la misma familia de métodos usada para fusionar modelos meteorológicos con observaciones recientes.

En la práctica, ACI asume que podemos observar al menos una variable “efecto” a lo largo del tiempo y que disponemos de un modelo matemático (posiblemente turbulento y estocástico) que describe cómo interactúan las variables del sistema. Aunque algunas causas potenciales nunca se midan directamente, están representadas en el modelo. ACI usa dos sabores de estimación de estado comúnmente empleados en asimilación de datos: el filtrado, que estima el estado del sistema usando datos hasta el presente, y el suavizado, que además emplea datos del futuro. Si añadir información futura sobre el efecto observado ajusta marcadamente nuestras estimaciones de una causa candidata en un instante dado, ACI interpreta esta reducción de incertidumbre como una señal de que la candidata realmente influyó en el efecto en ese momento.

Siguiendo roles que cambian en el tiempo

Una fortaleza clave de ACI es que sigue las relaciones causales conforme evolucionan. Muchos sistemas reales exhiben intermitencia: largos tramos de calma interrumpidos por estallidos de intensa actividad, durante los cuales los impulsores y los respondedores pueden intercambiar roles. Los autores ilustran esto usando un modelo compacto de dos variables que imita la variabilidad atmosférica y sus ocasionales eventos extremos. En este ejemplo solo se observa una variable. ACI revela cuándo la variable oculta asociada se convierte temporalmente en una fuente de “anti-amortiguamiento” que inyecta energía en la variable observada, desencadenando grandes desviaciones. Durante estas fases, la medida ACI se dispara y la influencia inferida se extiende mucho hacia el futuro. Una vez que el evento extremo alcanza su pico y la variable observada comienza a decaer, la fuerza causal desde la variable oculta colapsa, señalando un cambio de roles: el antiguo efecto ahora amortigua fuertemente a su previo impulsor.

Para ir más allá de la simple pregunta de “quién influye a quién”, ACI introduce el rango de influencia causal (CIR). Esta magnitud responde a una versión temporal de una pregunta familiar: ¿por cuánto tiempo una causa dada moldea de manera significativa el futuro de un efecto? Técnicamente, el CIR se define observando con qué rapidez se satura el beneficio de añadir más observaciones futuras. Si datos nuevos a tiempos muy lejanos apenas mejoran nuestra estimación de una causa pasada, se considera que su influencia se ha desvanecido. Los autores proponen tanto CIRs basados en umbrales (“subjetivos”) como un CIR “objetivo” que promedia sobre todos los umbrales, análogo a cómo los físicos convierten correlaciones ruidosas en un único tiempo de decorrelación. Esto ofrece una manera matemáticamente fundamentada de hablar sobre hasta qué punto, en el tiempo, se propaguen los impactos causales.

Probando el método en extremos climáticos

El artículo aplica luego ACI a un modelo más realista de seis variables de la Oscilación del Niño–Sur (ENSO), un fenómeno climático que reconfigura el tiempo global al calentar y enfriar periódicamente el Pacífico tropical. Este modelo conceptual reproduce la rica diversidad de sabores de El Niño, incluidos eventos centrados en el Pacífico oriental o central, junto con sus contrapartes La Niña. Usando datos sintéticos del modelo, los autores examinan cómo distintos ingredientes físicos—las temperaturas de la superficie del mar en el Pacífico central, la profundidad de la capa cálida en el oeste y los vientos que fluctúan rápidamente—impulsan conjuntamente las anomalías de temperatura en el Pacífico oriental, la señal distintiva de El Niño.

ACI revela una imagen matizada y resuelta en el tiempo consistente con la teoría establecida de ENSO. Para eventos fuertes de El Niño en el Pacífico oriental, las temperaturas del Pacífico central emergen como el motor causal dominante, con su señal ACI alcanzando un pico ligeramente antes del máximo de calentamiento oriental, reflejando la propagación hacia el este de aguas cálidas. Las anomalías del viento muestran una influencia más ruidosa pero robusta y casi instantánea, acorde con su papel en empujar aguas cálidas y alterar el intercambio de calor. Los cambios en la termoclina del Pacífico occidental, aunque importantes, ejercen una influencia más indirecta y temprana: sus valores ACI alcanzan picos meses antes del evento, haciendo eco de la visión de “recarga–descarga” en la que el calor subsuperficial se acumula, afecta las temperaturas centrales y solo entonces llega al este. Las estimaciones de CIR cuantifican estas diferencias: las temperaturas centrales mantienen el alcance causal más largo, los vientos el más corto y la profundidad subsuperficial un alcance intermedio. De manera notable, cuando ACI se aplica a observaciones ENSO reales y escasas usando un modelo imperfecto, aún recupera patrones causales cualitativamente similares.

Mirando hacia adelante: usos más amplios y preguntas abiertas

Más allá de estos bancos de prueba, los autores sostienen que ACI es apto para muchos sistemas complejos donde solo hay una única realización y registros cortos disponibles, pero existe algún modelo de la dinámica: ejemplos incluyen el clima a gran escala, redes ecológicas, el cerebro e incluso infraestructuras diseñadas. Dado que ACI puede incorporar técnicas de asimilación eficientes basadas en conjuntos, está pensada para escalar a problemas de muy alta dimensión, evitando parte de la maldición de la dimensionalidad que entorpece los métodos tradicionales de flujo de información. El marco también se extiende a situaciones con muchas variables “de fondo” mediante la eliminación cuidadosa de su incertidumbre observacional del análisis, de modo que los vínculos causales inferidos no sean meros efectos secundarios de influencias compartidas o mediadores.

Qué significa esto en términos simples

En lenguaje cotidiano, ACI ofrece una forma de observar causas en acción en tiempo real, en lugar de promediarlas en un diagrama estático. Al tomar prestadas herramientas de la predicción del tiempo, plantea una pregunta pragmática: ¿ayuda saber qué ocurrirá con una cantidad observable en el futuro cercano a acotar lo que un impulsor no visto estaba haciendo justo antes? Si la respuesta es sí, ACI etiqueta a ese impulsor como causal en ese momento y estima cuánto dura la huella que deja. Esta visión retrospectiva, basada en la incertidumbre, convierte la causalidad en una señal medible en sistemas complejos y ruidosos. Aunque persisten desafíos—especialmente el trato con modelos imperfectos y el ruido de medida—el enfoque abre un camino hacia explicaciones más precisas y resueltas en el tiempo de eventos extremos en el clima y otros campos donde entender quién empujó a quién, y cuándo, puede tener consecuencias prácticas profundas.

Cita: Andreou, M., Chen, N. & Bollt, E. Assimilative causal inference. Nat Commun 17, 1854 (2026). https://doi.org/10.1038/s41467-026-68568-0

Palabras clave: inferencia causal, asimilación bayesiana de datos, sistemas dinámicos complejos, eventos climáticos extremos, Oscilación del Sur de El Niño