El Propensity Score (PS) es una puntuación de balanceo que reduce el sesgo de selección en estudios observacionales al modelar la probabilidad de asignación a un grupo de tratamiento (o exposición) versus un grupo de control, condicional a un conjunto de covariables observadas. Se calcula típicamente usando regresión logística, donde la variable dependiente es la asignación al grupo (tratamiento vs. control) y las variables independientes son las covariables pre-tratamiento. El objetivo es crear grupos de tratamiento y control que sean comparables en términos de estas covariables, como si hubieran sido asignados aleatoriamente, permitiendo una inferencia causal más robusta.
En el mundo real, los Propensity Scores son ampliamente utilizados en campos como la medicina, la economía, las ciencias sociales y, cada vez más, en la ingeniería de datos y Machine Learning para evaluar el impacto causal de intervenciones. Por ejemplo, en sistemas de recomendación, se pueden usar para estimar el efecto causal de mostrar un producto específico a un usuario, ajustando por características del usuario y del producto. Plataformas de A/B testing o personalización que no pueden realizar una aleatorización perfecta (ej., por limitaciones éticas o técnicas) pueden emplear PS para ajustar por sesgos. Herramientas estadísticas como R (paquetes como 'MatchIt') y Python (librerías como 'scikit-learn' para el modelado y 'DoWhy' o 'CausalML' para la inferencia causal) ofrecen implementaciones para calcular y utilizar Propensity Scores.
Para un Arquitecto de Sistemas, entender los Propensity Scores es crucial al diseñar sistemas de experimentación, personalización o análisis de impacto que operan con datos observacionales. Permite diseñar pipelines de datos que capturen las covariables necesarias y seleccionar modelos predictivos adecuados para estimar los scores. La elección de las covariables es un trade-off crítico: incluir demasiadas puede llevar a sobreajuste o a la 'maldición de la dimensionalidad', mientras que muy pocas pueden dejar sesgos residuales. Un arquitecto debe considerar la escalabilidad de los modelos de PS, la latencia para su cálculo en sistemas en tiempo real y la interpretabilidad de los resultados. Además, es fundamental para validar la robustez de las inferencias causales, informando decisiones estratégicas sobre la implementación de nuevas características o políticas basadas en datos no experimentales.