Mengapa grafik kausal diperlukan — dan mengapa sering kali tidak ada
Pertanyaan kontrafaktual terdengar sederhana: "apa yang akan terjadi jika pasien menerima perawatan yang berbeda", "bagaimana permintaan akan berubah jika kita menaikkan harga". Kesulitannya adalah jawabannya tidak dapat diturunkan hanya dari korelasi yang teramati. Diperlukan model tentang bagaimana variabel-variabel saling memengaruhi — yaitu struktur kausal.
Resep klasik dalam literatur identifikasi nonparametrik adalah sebagai berikut: ambil grafik kausal yang sepenuhnya ditentukan, tambahkan asumsi tentang bentuk mekanismenya — lalu hitung besaran yang diminati atau rentang yang dapat diterimanya. Cara ini bekerja dengan andal, tetapi bergantung pada kemewahan yang hampir tidak pernah dimiliki seorang analis. Ranah masalahnya baru dipelajari sebagian, sebagian keterkaitannya masih diperdebatkan, sebagian variabel bahkan tidak diukur sama sekali. Grafik lengkap dalam situasi seperti itu bukanlah titik awal, melainkan ideal yang tak terjangkau.
Justru kesenjangan antara teori dan praktik inilah yang coba dijembatani oleh Eric Rossetto dan Alessandro Antonucci dalam artikel Partial Identification under Causal Orders by Linear Programming (arXiv:2608.24427). Langkah mereka bukan "melengkapi grafik dengan cara apa pun", melainkan meninggalkan sama sekali persyaratan untuk memilikinya sebagai masukan.
Kueri itu sendiri memberi petunjuk struktur
Pengamatan kunci para penulis dapat dirumuskan sebagai berikut: kueri kontrafaktual bukanlah pertanyaan netral, melainkan objek dengan logika internalnya sendiri. Ketika kita bertanya "apa yang akan terjadi jika variabel X mengambil nilai x", kita sudah secara implisit menyusun variabel-variabel dalam suatu hubungan tertentu: yang satu mendahului yang lain, yang satu bergantung pada yang lain, yang ketiga tetap menjadi kondisi latar.
Hal ini diformalkan melalui urutan topologis. Dalam grafik kausal biasa, urutan semacam itu ditentukan secara menyeluruh dan tunggal: jika ada panah dari A ke B, maka A datang lebih dulu. Namun untuk identifikasi, keterurutan penuh tidak diperlukan. Cukup dengan urutan parsial — sekumpulan hubungan "lebih dulu" yang tidak mencakup semua pasangan variabel. Pasangan lainnya cukup dibiarkan tak terurut, dan itu tidak menghalangi.
Hasil utama karya ini adalah bahwa setiap kueri kontrafaktual menghasilkan justru urutan topologis semacam itu — dalam kasus umum bersifat parsial — atas variabel-variabel yang tercakup di dalamnya. Terlebih lagi, urutan ini tidak perlu ditebak atau dimasukkan secara manual: ia diekstraksi dari rumusan pertanyaannya sendiri. Pakar domain tidak lagi perlu menjawab pertanyaan yang tidak nyaman "gambarkan seluruh grafik"; cukup menyetujui apa yang tersirat dari perumusan masalahnya.
Dari urutan ke program linear
Selanjutnya dimulai bagian teknis, yang menjadi alasan utama semua ini dilakukan. Adanya urutan memungkinkan kueri dituliskan dalam bentuk terparameterisasi yang eksplisit. Parameter di sini bukanlah sembarang parameter, melainkan yang tunduk pada struktur: parameter tersebut mendeskripsikan distribusi dan mekanisme sedemikian rupa sehingga konsisten baik dengan data yang teramati maupun dengan urutan yang diturunkan.
Setelah reparameterisasi semacam itu, tugas identifikasi berhenti menjadi tugas tentang fungsi dan berubah menjadi tugas tentang bilangan. Yakni — menjadi program linear: kita perlu meminimalkan dan memaksimalkan fungsional linear pada himpunan yang ditentukan oleh kendala-kendala linear. Nilai minimum dan maksimum itulah yang memberikan batas bawah dan batas atas besaran yang diminati.
Peralihan semacam ini bernilai bukan hanya karena keanggunannya. Pemrograman linear adalah bidang yang telah dipelajari dengan baik dengan pemecah (solver) yang andal, dan mengubah tugas ke dalam bentuk ini berarti batas-batas tersebut benar-benar dapat dihitung, bukan sekadar dibuktikan keberadaannya. Skema ini bekerja untuk kueri kontrafaktual sembarang, termasuk yang bersarang: kueri di mana skenario hipotetis itu sendiri mengandung skenario hipotetis lain di dalamnya. Penyarangan selalu menjadi momok bagi metode yang ada, karena menuntut penanganan simultan terhadap beberapa "lapisan" dunia.
Seberapa sempit batas-batasnya
Memperoleh batas semacam apa pun tidaklah sulit — pertanyaannya adalah apakah batas itu berguna. Jika intervalnya mencakup hampir seluruh rentang nilai yang dapat dibayangkan, manfaatnya sedikit.
Para penulis menjawab hal ini dengan pembuktian ketatnya. Ide konstruksinya: untuk setiap batas dibangun model kausal struktural yang mencapainya. Model semacam itu wajib kompatibel dengan dua hal sekaligus — dengan distribusi data yang teramati dan dengan urutan yang tersirat dari kueri. Jika model tersebut ada, berarti batas itu tidak artifisial: ia tidak dapat digeser ke dalam tanpa kehilangan konsistensi dengan informasi yang tersedia. Berarti intervalnya sesempit yang mungkin secara prinsip di bawah asumsi yang diberikan.
Ini adalah pergeseran penting dalam status hasilnya. Ini bukan tentang "perkiraan kasar", dan bukan tentang "dalam kasus terburuk bisa apa saja". Ini tentang deskripsi ketidakpastian yang jujur: inilah semua yang dapat dinyatakan, tidak lebih.
Kaitan dengan kerangka klasik
Karya ini diposisikan sebagai generalisasi dari pendekatan Tian dan Pearl, yang diusulkan pada tahun 2000 untuk probabilitas kausalitas. Kerangka itu juga mampu menghasilkan interval alih-alih estimasi titik, tetapi terikat pada kelas besaran tertentu dan menuntut struktur yang diketahui. Hasil baru ini memperluas kelas kueri dan menghapus persyaratan untuk mengetahui grafik secara menyeluruh. Berguna untuk mengingat kesinambungan ini: yang ada di hadapan kita bukanlah penemuan dari nol, melainkan perluasan yang cermat dari apa yang sudah teruji oleh waktu.
Pengujian pada contoh-contoh yang sudah dikenal
Untuk menunjukkan bahwa metode ini bukanlah hal eksotis, para penulis kembali ke beberapa kasus yang telah dibahas dalam literatur sebelumnya, dan menjalankannya melalui prosedur mereka. Kondisi eksperimennya ketat: grafik kausal sama sekali tidak diberikan sebagai masukan. Sebagai gantinya — hanya urutan yang tersirat dari rumusan kueri.
Hasil yang dilaporkan para peneliti adalah bahwa interval yang diperoleh tetap informatif. Dengan kata lain, melepaskan grafik lengkap tidak mengubah kesimpulan menjadi "segala sesuatu mungkin" yang tanpa isi. Ini mungkin kesimpulan paling praktis dari artikel ini: harga dari ketidaktahuan ternyata lebih rendah daripada yang biasa diduga.
Apa yang ini ubah bagi praktik
Nilai praktisnya bermuara pada beberapa poin.
- Ambang masuk menurun. Tidak perlu mendeskripsikan seluruh sistem secara menyeluruh — cukup menyetujui urutan yang sudah tersirat dari perumusan masalahnya.
- Ketidakpastian menjadi terlihat. Alih-alih estimasi titik yang menyembunyikan asumsi sembarang, analis memperoleh interval dan memahami di mana tepatnya batas pengetahuannya.
- Tersedia basis perkakas. Reduksi ke program linear berarti perhitungan dapat diotomatisasi dengan sarana standar, bukan menulis pemecah tersendiri untuk setiap kelas kueri.
- Kelas pertanyaan yang diperbolehkan meluas. Konstruksi kontrafaktual bersarang, yang sebelumnya menuntut teori tersendiri, kini masuk ke dalam skema umum.
Apa yang tidak dijanjikan oleh metode ini
Perlu juga ditandai batasannya. Pertama, urutan parsial tetap harus diekstraksi dengan benar: jika dari rumusan kueri diturunkan hubungan pendahuluan yang keliru, validitas batas-batasnya hilang. Kedua, lebar interval secara langsung bergantung pada seberapa kaya data yang teramati dan berapa banyak hubungan yang berhasil ditetapkan: semakin jarang urutannya, semakin lebar jawabannya. Metode ini tidak menggantikan pengetahuan tentang ranah masalah — ia memungkinkan bekerja dengan fragmen-fragmentnya alih-alih keseluruhan yang tidak ada.
Panjang artikel ini adalah 15 halaman teks utama, dilengkapi tiga lampiran, tiga gambar, dan tiga tabel, sehingga detail teknis pembuktiannya diletakkan di luar pemaparan utama dan tersedia secara terpisah. Bagi mereka yang berkecimpung dalam inferensi kausal pada data nyata dengan lubang-lubang dalam deskripsi sistem, ini mungkin berita yang lebih menarik daripada estimasi titik lain dengan asumsi yang tidak dinyatakan.
