Este artículo aborda el problema de la identificación de efectos directos controlados (EDC) en diversos campos científicos. Los métodos existentes permiten identificar EDC a partir de grafos acíclicos causales dirigidos (GDA), pero en la práctica, la estructura subyacente suele ser desconocida. Este artículo aborda este problema utilizando grafos esenciales, que representan clases de equivalencia de Markov de GDA con el mismo conjunto de d-separados. Sin embargo, el aprendizaje del grafo esencial completo requiere un alto nivel de computación y, a menudo, se basa en suposiciones sólidas que no se han verificado. Por lo tanto, este artículo caracteriza las clases locales de grafos definidos por variables objetivo y presenta una representación gráfica denominada grafo esencial local (GEL) para representar estas clases. A continuación, proponemos un nuevo algoritmo, LocPC, diseñado para recuperar los GEL de las distribuciones observadas utilizando únicamente pruebas de independencia condicional local. Basándonos en LocPC, proponemos un algoritmo, LocPC-CDE, que descubre un subconjunto de GEL necesarios y suficientes para identificar EDC sin tener que obtener el grafo esencial completo. En comparación con los métodos globales, el algoritmo propuesto requiere menos pruebas de independencia condicional y funciona con supuestos más débiles, manteniendo al mismo tiempo las garantías teóricas. Estudios de simulación demuestran la eficacia de este enfoque.
