The big data era advanced the possibility of studying emergent phenomena in the real world, often occurring by systems with high-order, non-trivial interactions. One of the main questions for these complex systems is to understand how their collective organization influences the dynamic processes. Although such a study is fundamental to developing the policies of controlling dynamical processes from changes in the network structure, in practice, the only information available is multivariate data recorded from variables with unknown topology. Such a scenario can be explored using information theory and causality tools to quantify an individuals influence and infer a causal structure among them. In other words, we can make reverse engineering to obtain a causal model via data. However, a methodology to deal with emergent causes when extracting information is an open question. If not performed correctly, it can compromise basic assumptions in causal modeling resulting in a spurious view of the organization of complex systems. This thesis is dedicated to investigating fundamental problems regarding the capture of emergence phenomena from high-order complex systems joining techniques from causal manipulative approaches and multivariate information theory. Based on our results, we defend a paradigm shift when dealing with multivariate data in causal modeling by considering the task of a system description by moving scales as a fundamental issue instead of a mathematical artifice.

A era do big data avançou a possibilidade de estudar fenômenos emergentes no mundo real, muitas vezes ocorrendo por sistemas com interações não triviais de alta ordem. Uma das principais questões para esses sistemas complexos é entender como sua organização coletiva influencia os processos dinâmicos. Embora tal estudo seja fundamental para desenvolver a política de controle de processos dinâmicos a partir de mudanças na estrutura da rede, na prática, a única informação disponível são dados multivariados registrados de variáveis com topologia desconhecida. Tal cenário pode ser explorado usando a teoria da informação e ferramentas de causalidade para quantificar a influência de um indivíduo e inferir uma estrutura causal entre eles. Em outras palavras, podemos fazer engenharia reversa para obter um modelo causal via dados. No entanto, uma metodologia para lidar com causas emergentes ao extrair informações é uma questão em aberto. Se não executada corretamente, pode comprometer suposições básicas na modelagem causal, resultando em uma visão espúria da organização de sistemas complexos. Esta tese é dedicada à investigar problemas fundamentais relacionados a captura de fenômenos de emergência em sistemas complexos de alta ordem conciliando técnicas de teorias de causalidade e informação multivariada. Com base em nossos resultados, defendemos uma mudança de paradigma ao lidar com dados multivariados na modelagem causal, considerando a tarefa de descrição de um sistema ao mover escalas como uma questão fundamental ao invés de um artifício matemático.