En el ámbito de la medicina, la economía y las ciencias sociales, es fundamental estimar los efectos causales a partir de datos observacionales. Sin embargo, la privacidad de los datos es un aspecto crítico que debe ser considerado en todo momento. Es por ello que se ha propuesto un innovador y generalizado marco para la estimación diferencialmente privada de los efectos promedio de tratamiento (ATE).
Este enfoque, que no requiere fuertes suposiciones estructurales sobre el proceso generador de datos o los modelos utilizados, permite evitar la encriptación directa de componentes molestos. En lugar de eso, se separa la estimación de los componentes molestos de la protección de la privacidad, lo que facilita el uso de modelos de caja negra flexibles y de vanguardia. La privacidad diferencial se logra mediante la perturbación exclusiva de predicciones y pasos de agregación dentro de un esquema de división en pliegues con técnicas de conjunto.
Este marco se implementa para tres estimadores clásicos -- la Fórmula G, el ponderado de propensión inversa (IPW), y el IPW aumentado (AIPW). Además, se proporcionan garantías formales de utilidad y privacidad, junto con intervalos de confianza encriptados. Los resultados empíricos en datos sintéticos y reales demuestran que estos métodos mantienen un rendimiento competitivo bajo presupuestos de privacidad realistas.
En Q2BSTUDIO, empresa especializada en el desarrollo de aplicaciones de software a medida e inteligencia artificial, comprendemos la importancia de la privacidad y la seguridad en el tratamiento de datos. Nuestros servicios abarcan desde el desarrollo de aplicaciones personalizadas hasta la implementación de soluciones en la nube con AWS y Azure, pasando por la ciberseguridad y la inteligencia de negocio con Power BI.
