PARTE II · Explicar, decidir y aprender
7
Causalidad
de observar a intervenir
En este capítulo
Un grupo mejora su puntuación después de participar en un taller. La mejora se observa; el efecto del taller requiere otra comparación: qué habría ocurrido al mismo grupo, durante ese periodo, sin participar. Esa diferencia entre cambio y causa organiza las preguntas de este capítulo.
7.1. La comparación que falta#
Un grupo participa en un taller y mejora su puntuación de comprensión lectora. La mejora es observable. El efecto del taller exige una comparación adicional: qué habría ocurrido a ese mismo grupo, durante el mismo periodo, sin participar.
No basta con restar la puntuación anterior a la posterior. Entre ambas pueden cambiar la familiaridad con la prueba, el tiempo de estudio fuera del taller, la enseñanza ordinaria o las circunstancias del grupo. Una comparación temporal informa de un cambio; atribuirlo a una intervención añade una afirmación causal.
El lenguaje de resultados potenciales hace explícita la comparación. Sea
La dificultad es que, para esa situación, se observa uno de los dos resultados, no ambos. El otro es contrafactual: corresponde a una condición que no se realizó. No es necesariamente una ficción arbitraria; es la alternativa cuyo resultado se intenta inferir. El marco de resultados potenciales distingue ese efecto de la diferencia observada entre personas que recibieron tratamientos diferentes. Hernán y Robins, 2019, caps. 1–2
Si quienes se inscriben voluntariamente en el taller ya tienen más tiempo disponible o más interés, comparar sus resultados con los de quienes no se inscriben mezcla el efecto del taller con diferencias previas. La comparación correcta no requiere que las personas sean idénticas en todo. Requiere justificar que el procedimiento permite estimar qué resultados habrían tenido bajo la alternativa pertinente.
También hay que definir la intervención. «Recibir educación», «usar tecnología» o «mejorar la alimentación» abarcan acciones demasiado distintas para atribuirles un único efecto sin más precisión. Un taller con acompañamiento individual no es necesariamente la misma intervención que un video de igual duración. La etiqueta compartida puede ocultar mecanismos diferentes.
7.2. Asociación, predicción y causa#
La asociación significa que conocer una variable aporta información sobre la distribución de otra. Puede ser útil para predecir aunque no exista un efecto causal directo entre ellas. Un indicador que responde a un proceso puede anunciarlo sin producirlo.
En un modelo construido, una señal luminosa se enciende cuando una sala está ocupada. Observar la señal permite predecir ocupación. Cambiar la bombilla no determina cuántas personas entrarán. La relación informativa y la relación de intervención son distintas.
Esta distinción también permite entender la causalidad inversa. Dos variables pueden asociarse porque la segunda influye en la primera. Si los servicios con mayores dificultades reciben más recursos de apoyo, una asociación entre apoyo y malos resultados no demuestra que el apoyo produzca el problema. El problema puede haber activado la ayuda.
Otra posibilidad es una causa común. En un ejemplo construido, la celebración de un festival aumenta tanto las visitas al museo como las ventas de una tienda próxima. Las dos series ascienden juntas sin que sea necesario atribuir a las compras el incremento de visitantes.
El análisis causal necesita supuestos sobre el proceso generador de los datos. La distribución observada no determina, por sí sola y sin restricciones adicionales, cómo cambiaría el mundo bajo una intervención. Los modelos causales hacen explícita esa información adicional y permiten examinar sus consecuencias. Pearl, 2009, secc. 2
Decir «correlación no implica causalidad» no significa «la correlación nunca informa sobre causas». Las asociaciones pueden descartar modelos, motivar hipótesis y, junto con un diseño y supuestos defendibles, contribuir a estimar efectos. La advertencia se dirige al salto automático, no a la investigación causal.
7.3. Tres formas de conectar variables#
Los diagramas causales representan supuestos, no pruebas concluyentes. Una flecha de A a B afirma que A puede influir causalmente sobre B dentro del modelo. La ausencia de una flecha también importa: excluye una influencia directa que el modelo no representa.
A. CAUSA COMÚN B. MEDIACIÓN
Preparación previa Taller → Práctica → Resultado
↙ ↘
Participación Resultado
C. EFECTO COMÚN O COLISIONADOR
Habilidad musical → Admisión en un club ← Habilidad visualLos tres esquemas son ejemplos construidos. Las flechas expresan hipótesis de funcionamiento. «Controlar» estadísticamente una variable tiene consecuencias diferentes según su posición; el diagrama no establece que las hipótesis sean verdaderas.
En A, la preparación previa puede influir tanto en la participación como en el resultado. Comparar participantes y no participantes sin reconocerla puede mezclar su influencia con la del taller. Esta mezcla se denomina confusión. Ajustar por una causa común adecuadamente medida puede ayudar, pero otras causas comunes omitidas pueden permanecer.
En B, parte del efecto del taller podría producirse porque aumenta la práctica. La práctica es un mediador. Si el objetivo es estimar el efecto total del taller, eliminar estadísticamente toda diferencia de práctica puede bloquear precisamente una vía por la que funciona. Estimar un efecto directo, distinto del total, exige otra pregunta y supuestos adicionales.
En C, la admisión depende de dos habilidades. Supóngase que, en una población ficticia, esas habilidades son independientes y el club admite a quien destaca en al menos una. Entre los admitidos, descubrir que alguien no destaca en música hace más probable que destaque en lo visual: de otro modo no habría entrado. Seleccionar por admisión crea una asociación que no estaba presente en la población.
Una variable que recibe flechas de dos variables en un recorrido se denomina colisionador en ese recorrido. Condicionar sobre ella, o en ciertas condiciones sobre sus consecuencias, puede abrir una asociación entre sus causas. Esta es una razón formal por la que añadir controles indiscriminadamente no garantiza mejorar una inferencia. Pearl, 2009, secc. 3.2–3.3
La lección no es memorizar dibujos. Antes de introducir una variable en un análisis hay que preguntar si precede a la intervención, si la intervención la modifica y si determina quién entra en los datos. La cantidad de controles es menos informativa que su justificación.
7.4. Qué consigue un experimento aleatorizado#
Un experimento puede asignar una intervención mediante un mecanismo aleatorio conocido. Si la asignación se implementa correctamente, las características previas no determinan sistemáticamente quién la recibe. Se rompe así una vía habitual de confusión: que las personas con determinados resultados potenciales sean precisamente las que seleccionan el tratamiento.
La intercambiabilidad expresa que, bajo las condiciones pertinentes, los grupos comparados tendrían distribuciones comparables de resultados potenciales si recibieran la misma intervención. La aleatorización ofrece una justificación por diseño para esa comparación; no garantiza igualdad exacta de todas las características en cada muestra finita. Hernán y Robins, 2019, cap. 2
Supóngase un taller con más solicitantes elegibles que plazas y una asignación por sorteo, aceptada de antemano y compatible con las obligaciones éticas de la institución. Comparar a quienes recibieron una oferta con quienes no la recibieron puede estimar el efecto de ofrecer el taller. No equivale automáticamente al efecto de completarlo.
Algunas personas invitadas pueden no asistir. Algunas no invitadas pueden buscar una alternativa. Comparar después solo a quienes asistieron con quienes no lo hicieron reintroduce una selección: asistir puede depender de motivación, horarios y dificultades. La pregunta inicial sobre la oferta y la pregunta sobre la participación efectiva no deben confundirse.
La aleatorización tampoco resuelve todo lo que sucede después. Si el grupo de comparación deja de responder a las evaluaciones con mayor frecuencia, la pérdida de seguimiento puede sesgar la comparación de quienes quedan. Si quien puntúa conoce el grupo y modifica sus criterios, aparece un problema de medición. El enmascaramiento, cuando es posible y apropiado, busca reducir influencias de ese tipo; no convierte cualquier evaluación en objetiva por decreto.
Debe distinguirse asignación aleatoria de muestreo aleatorio. La primera ayuda a comparar intervenciones dentro del estudio. El segundo ayuda a conectar una muestra con una población. Un experimento bien realizado con voluntarios de una institución puede identificar un efecto local sin representar automáticamente a todas las instituciones.
7.5. Investigar causas sin asignar al azar#
Muchas preguntas no admiten experimentos controlados: por razones éticas, históricas, materiales o de escala. Eso no obliga a elegir entre certeza experimental y mera opinión. Obliga a buscar comparaciones cuya lógica pueda defenderse y cuyos supuestos queden visibles.
Una estrategia es comparar unidades semejantes en causas comunes observadas. Emparejar o ajustar puede corregir diferencias medidas relevantes, pero no demuestra que no existan diferencias no medidas. La frase «se controlaron edad y educación» informa de dos decisiones; no certifica que se haya eliminado toda confusión.
Otra estrategia aprovecha una regla de asignación externa. En un ejemplo construido, un servicio se concede a partir de un umbral administrativo. Comparar unidades apenas por encima y por debajo puede aproximar una comparación local si no hay manipulación precisa del umbral y las demás causas del resultado cambian suavemente en su entorno. La discontinuidad relevante debe provenir de la intervención, no de otro cambio simultáneo. La conclusión local no describe necesariamente a unidades muy alejadas del umbral.
También pueden compararse cambios entre grupos. Supóngase que la puntuación media de un grupo pasa de 50 a 60 y la de un grupo de comparación de 40 a 46. La diferencia entre cambios es
Este razonamiento, conocido como diferencias en diferencias, no convierte cualquier gráfico de dos líneas en un experimento. Un acontecimiento que afecte solamente a uno de los grupos puede explicar el cambio diferencial. Examinar tendencias anteriores ayuda a evaluar plausibilidad, pero no demuestra una trayectoria contrafactual futura.
Las variables instrumentales buscan variación en una intervención causada por un factor que permita separar esa variación de otras causas del resultado. Una oferta aleatoria puede actuar como instrumento para estudiar participación, pero la interpretación requiere supuestos: por ejemplo, que la oferta no cambie el resultado por otra vía. Si una invitación aumenta la motivación incluso sin asistencia, esa condición necesita reconsiderarse.
Estos diseños no forman una escalera simple en la que un nombre metodológico garantice calidad. Su fuerza reside en el mecanismo de comparación, la pertinencia de los supuestos y la evaluación de alternativas. A veces permiten una estimación defendible; otras, solamente límites o conclusiones cualitativas.
7.6. Identificación, estimación y sensibilidad#
Una pregunta causal está identificada bajo un conjunto de supuestos cuando la información disponible permite determinar la cantidad causal buscada, al menos idealmente. Estimar consiste en calcularla con datos finitos, sujetos a variación y medición imperfecta.
La distinción evita una falsa solución frecuente. Un número enorme de registros puede reducir la incertidumbre de una asociación sin resolver una ambigüedad causal. Si dos modelos distintos producen los mismos datos observados pero predicen efectos diferentes al intervenir, añadir más datos del mismo tipo no elige necesariamente entre ellos.
En un ejemplo construido, dos explicaciones predicen que los usuarios más activos emplearán más una herramienta. Una afirma que la herramienta aumenta la actividad. Otra afirma que la actividad previa impulsa su uso. Observar más usuarios con la misma asociación puede mejorar su medición sin distinguir las direcciones. Harían falta una secuencia temporal más informativa, variación exógena, una intervención o restricciones adicionales justificadas.
Un análisis de sensibilidad examina cuánto cambia la conclusión al variar supuestos razonables: la presencia de una causa común no medida, la interpretación de datos faltantes o la forma de una relación. No convierte un supuesto falso en verdadero. Permite saber si la conclusión depende de una elección pequeña o sobrevive a alternativas relevantes.
La incertidumbre causal puede ser mayor que la incertidumbre estadística visible. Un intervalo calculado dentro de un modelo no suele contener, por sí solo, todo el desacuerdo entre modelos plausibles. Comunicar únicamente el intervalo puede ocultar la parte más importante de la duda.
7.7. Efectos medios, contextos e interacciones#
Un efecto medio de cero puede ocultar efectos positivos en unas unidades y negativos en otras. Tampoco un efecto medio positivo garantiza que cada persona se beneficie. El promedio describe la combinación de efectos en la población y bajo las condiciones estudiadas.
Supóngase un taller que ayuda a quienes dominan ciertos prerrequisitos y confunde a quienes todavía no los poseen. La misma duración y el mismo material no constituyen una experiencia equivalente para ambos grupos. La preparación puede modificar el efecto, no solamente confundir su estimación.
Trasladar una conclusión exige considerar esas diferencias. La validez interna se refiere a la credibilidad de la conclusión dentro del estudio. La validez externa se refiere a su aplicación más allá de las condiciones estudiadas. No son alternativas: un resultado mal identificado no se vuelve sólido por abarcar muchos lugares, y un resultado local sólido necesita razones para generalizarse.
Además, las intervenciones pueden afectar a personas distintas de sus destinatarias. Si los participantes comparten materiales con quienes no participaron, cambia la comparación. Si se amplía un servicio sin ampliar personal, su calidad puede variar. Si una política modifica precios, expectativas o comportamientos de otras instituciones, el efecto a gran escala puede diferir del de una prueba pequeña.
Por eso un mecanismo causal no debe reducirse a «A produce B» sin indicar condiciones. Importan la intensidad, la duración, la población, las alternativas y las interacciones. La comprensión del sistema del capítulo 8 permite formular parte de esas condiciones.
7.8. Explicar sin confundir causalidad con responsabilidad#
Identificar una causa no decide por sí mismo quién tiene responsabilidad moral o jurídica. Una acción, una omisión, una regla institucional y una condición material pueden contribuir al mismo resultado de formas distintas. La responsabilidad añade cuestiones de conocimiento, intención, deber, capacidad de actuar y normas aplicables.
Tampoco explicar una conducta la justifica. Mostrar que cierto incentivo favorece un comportamiento no demuestra que ese comportamiento sea aceptable ni que las personas carezcan de alternativas. En sentido inverso, condenar una conducta no identifica qué cambios reducirían su frecuencia.
Una explicación histórica puede reunir documentos, secuencias, mecanismos y comparaciones sin estimar un efecto numérico único. La exigencia sigue siendo distinguir lo documentado de la interpretación, considerar alternativas y no convertir el desenlace conocido en una necesidad retrospectiva.
La pregunta causal más útil suele ser más precisa que «¿cuál fue la causa?»: qué cambio, respecto de qué alternativa, habría modificado qué resultado, mediante qué mecanismo y bajo qué condiciones. Esa precisión no elimina la complejidad; permite trabajar con ella.
Pregunta de transferencia 7. Un taller voluntario obtiene mejores resultados que la ausencia de taller. Sus participantes tenían mayor preparación inicial. El informe ajusta por las horas de práctica realizadas después de comenzar el taller y afirma haber eliminado toda confusión. ¿Qué dos problemas distintos puede contener ese razonamiento?
Términos esenciales: contrafactual, resultado potencial, efecto causal, confusión, causalidad inversa, mediador, colisionador, aleatorización, intercambiabilidad, identificación, análisis de sensibilidad, validez interna, validez externa, modificación del efecto.