Inferencia causal

Sinopsis

La inferencia causal pregunta qué sucedería con un resultado si se modificara un tratamiento, una política o una exposición mientras que otras condiciones pertinentes se mantuvieron comparables. Debido a que la misma unidad no puede ser observada simultáneamente en dos alternativas, los investigadores combinan supuestos explícitos, diseño de estudio y modelos estadísticos para estimar contrastes contrafactuales de evidencia incompleta.

Fundaciones técnicas

El marco de los potenciales resultados define la respuesta de una unidad bajo cada nivel de tratamiento y expresa un efecto de tratamiento promedio como contraste entre esas cantidades contrafactuales. Los modelos causales gráficos representan variables y relaciones estructurales dirigidas, utilizando la separación d para determinar qué independencia condicional sigue de un gráfico. Los dos formalismos se reúnen mediante hipótesis como la coherencia, la intercambiabilidad y la positividad. La identificación es distinta de la estimación: primero se prueba que el efecto objetivo puede ser escrito como una funcional de la distribución de datos observados, y sólo entonces se elige un estimador para ese funcional.

Cómo funciona

Una pregunta causal define la intervención, la población objetivo, el resultado y el horizonte temporal. La asignación aleatoria puede equilibrar las causas conocidas y desconocidas en promedio. En datos observacionales, ajuste, emparejamiento, ponderación, variables instrumentales o diseños cuasi-experimentales intentan reconstruir una comparación válida bloqueando caminos no-causal sin condicionar variables que introducen sesgo de selección.

Métodos de medición e investigación

Los juicios aleatorios estiman los efectos de intención de tratar bajo reglas de adherencia y falta de validez fijadas por adelantado. Los estudios observacionales utilizan la estandarización, el ponderado de la probabilidad inversa, los estimadores coincidentes o doblemente robustos después de definir un ajuste admisible. Los diseños de regresión-descontinuidad y diferencia en diferencias instrumentales explotan fuentes específicas de variación de cuasi-arreba, cada una con exclusión separada, continuidad o hipótesis de tendencia paralela. Los diagnósticos examinan la superposición, el equilibrio covariado y la dependencia de los modelos, mientras que los controles negativos y los modos de prueba de placebo seleccionados de fallo. Los intervalos de confianza abordan la variación de muestreo pero no incluyen automáticamente la incertidumbre sobre el gráfico causal o la confusión inconforme.

Principales ideas

• La asociación se convierte en evidencia causal sólo mediante supuestos vinculados a un diseño defensible.
• Un gráfico acíclico dirigido puede exponer a los confundadores, mediadores y colisionadores antes de comenzar el modelado.
• El análisis de sensibilidad debe cuantificar cómo el sesgo no medido podría cambiar la conclusión.

Frontera de investigación actual

La investigación actual combina el aprendizaje flexible de la máquina con puntajes ortogonales, aprendizaje específico y ajuste cruzado para que los modelos de molestias puedan ser complejos sin predominio de la inferencia de efectos de tratamiento. Los métodos de efectos heterogéneos estiman cómo los beneficios y los daños varían entre grupos, pero el descubrimiento de subgrupos requiere control de multiplicidad y validación externa. Los métodos de transportabilidad formalizan si los resultados de los ensayos se aplican a una nueva población, mientras que el descubrimiento causal busca estructura gráfica bajo supuestos que rara vez se satisfacen perfectamente. Entre las fronteras importantes cabe mencionar la interferencia en las redes, los regímenes de tratamiento dinámico, los análisis longitudinales de confusión y sensibilidad que informan de la fuerza que debe tener una causa común omitida para revertir una decisión.

¿Por qué importa?

Las estimaciones causales fiables guían las decisiones sobre medicina, política pública, educación y productos en las que la predicción no puede identificar el efecto de una acción. El marco también hace que los desacuerdos sean auditables separando las cantidades respaldadas por los datos de las hipótesis.

Límites y preguntas abiertas

Los efectos causales no pueden transportarse a través de poblaciones, períodos o condiciones de aplicación. Las violaciones de la sensibilidad, la interferencia entre unidades, el error de medición y la confusión inconformable pueden hacer una estimación débil o imposible de recuperar de los datos disponibles.