[general_dat] Defensa de tesis de Constanza de Galvagni

[Matías López]

Estimados y estimadas,

Tengo el placer de invitarles a la defensa de Tesis de Licenciatura en
Ciencia de Datos de Constanza de Galvagni.

*Título:* Causal Machine Learning para evaluación de efectos causales
heterogéneos
*Cuándo:* Jueves 27 de noviembre a las 14 hs
*Dónde: *Aula 1308, Edificio 0+infinito, Ciudad Universitaria, UBA.

*Director:* Matías López-Rosenfeld
*Co Director:* Gustavo Landfried

*Jurado:*
- Lucía Babino
- Tobías Carreira Munich
- Victoria Paternostro

*Resumen del trabajo:*

Esta tesis realiza una comparación de modelos de aprendizaje automático
para la estimación de efectos causales que varían entre individuos. La
motivación central consistió en extender los análisis del influyente
artículo de Jennifer Hill "Bayesian Nonparametric Modeling for Causal
Inference" (2011) a un conjunto de modelos más modernos, que incluyen
Bayesian Additive Regression Trees (BART), Causal Forest (CF) y Bayesian
Causal Forest (BCF).

La evaluación de modelos se basó en el uso de datasets semi-sintéticos,
construidos a partir de covariables reales del estudio "Infant Health and
Development Program" (IHDP). Siguiendo el enfoque de Hill, se simularon los
resultados para crear escenarios controlados donde los efectos causales
verdaderos eran conocidos. Se diseñaron diferentes tipos de superficies de
respuesta, con el objetivo de evaluar efectos causales tanto homogéneos
como heterogéneos. El rendimiento de los modelos se midió utilizando
métricas como el error absoluto para el efecto promedio (ATE), el error
cuadrático medio del efecto causal individual (ITE) y la cobertura de los
intervalos de confianza estimados para los efectos causales individuales.

En la estimación del efecto causal promedio (ATE), todos los modelos
alcanzaron un desempeño satisfactorio, siendo BART el más destacado en
todos los escenarios. En cambio, BCF mostró un rendimiento desigual, con
buenos resultados en ciertas zonas del espacio de datos y un desempeño
deficiente en otras, mientras que CF presentó un poder predictivo limitado
y un error superior al de los demás métodos.

La tesis concluye enfatizando que la evaluación de modelos causales
alternativos es un prerrequisito ineludible, tanto para la selección de
variables de control previa a la estimación como para la toma de decisiones
posterior. Se argumenta que la disciplina de la inferencia causal está
actualmente limitada por el alto costo computacional de evaluar estas
estructuras causales, y postula que su futuro depende del desarrollo de
métodos eficientes que permitan ponderar la probabilidad de diferentes
modelos a la luz de la evidencia empírica.

*Palabras clave:* Inferencia Causal, Efectos Causales Heterogéneos, Machine
Learning Causal, Bayesian Additive Regression Trees, Causal Forest,
Bayesian Causal Forest, Dataset IHDP.


Saludos.

Matías.