inferencia causal – causal inference

Inferencia Causal

Primary Disciplinary Field(s): Estadística, Filosofía de la Ciencia, Econometría, Epidemiología, Ciencias de la Computación.

1. Definición Central

La inferencia causal es la disciplina científica y metodológica dedicada a determinar si una relación observada entre dos o más variables es meramente una asociación estadística o si, por el contrario, existe un mecanismo subyacente donde la variación en una variable (la causa) es responsable de la variación en otra (el efecto). Su objetivo fundamental es ir más allá de la correlación —que simplemente describe patrones de datos— para establecer la existencia, magnitud y dirección de las relaciones de causa y efecto. Este campo es crucial porque la toma de decisiones informada, ya sea en medicina, políticas públicas o ingeniería, requiere saber qué sucede cuando se realiza una intervención, no solo qué variables tienden a moverse juntas.

A diferencia de la estadística predictiva tradicional, que se enfoca en estimar el valor de una variable dados los valores de otras (es decir, $P(Y|X)$), la inferencia causal se centra en la estimación de las consecuencias de una intervención o acción (denotada por la notación $P(Y|do(X))$ introducida por Judea Pearl). Esta distinción es vital: la predicción se basa en datos observacionales pasados, mientras que la causalidad busca simular un mundo contrafactual, donde la variable causal ha sido manipulada intencionalmente. Este enfoque requiere la imposición de supuestos causales, que a menudo no pueden ser probados estadísticamente, sino que deben estar basados en el conocimiento previo del dominio.

En esencia, la inferencia causal busca responder preguntas del tipo: “¿Cuál sería el resultado si yo cambiara X?” o “¿Qué porcentaje de un evento Y se debe a la ocurrencia previa de X?”. La respuesta a estas preguntas requiere la construcción de modelos estructurales que representen los mecanismos de generación de datos, distinguiendo claramente entre las variables que son meros indicadores y aquellas que actúan como verdaderos motores de cambio. Esta dependencia de modelos teóricos previos es lo que separa a la inferencia causal de la simple minería de datos.

2. Desarrollo Histórico y Modelos Fundacionales

Las raíces de la inferencia causal se encuentran en la filosofía, particularmente en la obra de David Hume, quien argumentó que la causalidad nunca se observa directamente, sino que se infiere a través de la contigüidad, la prioridad temporal y la conjunción constante. Este escepticismo sentó las bases para la necesidad de métodos rigurosos. Sin embargo, el desarrollo moderno de la inferencia causal como disciplina estadística y metodológica ocurrió principalmente en el siglo XX, impulsado por la necesidad de evaluar tratamientos en la agricultura y la medicina.

Una contribución fundamental provino de Ronald Fisher en la década de 1920, quien formalizó el concepto del diseño experimental. Fisher estableció que la aleatorización era el mecanismo primario para asegurar que los grupos de tratamiento y control fuesen comparables, eliminando así el efecto de las variables de confusión no observadas. Este principio de aleatorización, aunque poderoso, se limitaba a contextos donde la manipulación era éticamente y prácticamente viable.

Más tarde, en la década de 1970, el estadístico Donald Rubin formalizó el Modelo de Resultados Potenciales (MOP), basándose en trabajos previos de Jerzy Neyman. El MOP proporcionó el marco matemático para definir el efecto causal individual como la diferencia entre el resultado que una unidad (individuo, parcela, etc.) tendría si recibiera el tratamiento y el resultado que tendría si no lo recibiera. Paralelamente, en los campos de la inteligencia artificial y la informática, Judea Pearl desarrolló el marco de los Gráficos Acíclicos Dirigidos (DAGs) y el cálculo do, ofreciendo una herramienta gráfica para representar los supuestos causales y derivar condiciones de identificabilidad en datos no experimentales. La convergencia de estos marcos (MOP y DAGs) ha impulsado la sofisticación de la inferencia causal en las últimas décadas.

3. El Problema Fundamental de la Inferencia Causal

El desafío central que enfrenta esta disciplina es conocido como el Problema Fundamental de la Inferencia Causal. Este problema surge porque, para cualquier unidad de estudio (un paciente, un país, una empresa), solo podemos observar uno de los posibles resultados contrafactuales. Por ejemplo, si un paciente recibe un nuevo fármaco, observamos su resultado bajo el tratamiento; el resultado que habría tenido si no hubiera recibido el fármaco (el contrafactual) es inherentemente inobservable.

Formalmente, si $Y_1$ es el resultado potencial bajo tratamiento y $Y_0$ es el resultado potencial sin tratamiento, el efecto causal individual es $tau = Y_1 – Y_0$. Dado que solo podemos observar $Y_1$ o $Y_0$, pero nunca ambos para el mismo individuo al mismo tiempo, $tau$ no puede ser calculado directamente. Esta imposibilidad de observación directa obliga a la inferencia causal a operar en el dominio de la probabilidad y los promedios.

La solución práctica adoptada por la estadística es estimar el Efecto Causal Promedio (ATE). Esto implica comparar el resultado promedio de un grupo que recibió el tratamiento con el resultado promedio de un grupo de control. Para que esta comparación sea válida, los dos grupos deben ser intercambiables, es decir, deben ser idénticos en todos los aspectos relevantes excepto por la recepción del tratamiento. La aleatorización garantiza esta intercambiabilidad en los ensayos controlados aleatorios (RCTs), pero en estudios observacionales, esta intercambiabilidad debe ser asumida o lograda mediante métodos estadísticos complejos que controlen el sesgo de confusión.

4. Marcos Teóricos Clave y Supuestos

La práctica moderna de la inferencia causal se apoya en varios marcos teóricos, cada uno con fortalezas particulares para abordar diferentes tipos de problemas y datos.

• Modelo de Resultados Potenciales (MOP):

El MOP, también conocido como el marco de Neyman-Rubin, es el enfoque dominante en la econometría y la bioestadística. Se basa en la idea de que cada unidad tiene un conjunto fijo de resultados potenciales. Su éxito depende de supuestos clave, siendo el más importante la Ignorabilidad (o Asignación de Tratamiento Ignorable), que establece que, dadas ciertas covariables, la asignación del tratamiento es independiente de los resultados potenciales. Otro supuesto crucial es el Supuesto de Valor de Tratamiento Unitario Estable (SUTVA), que requiere que el resultado de una unidad dependa solo de su propio estado de tratamiento y no de los tratamientos de otras unidades, descartando efectos de contagio o interferencia.

• Gráficos Acíclicos Dirigidos (DAGs) y Cálculo Do:

Desarrollado por Judea Pearl, este marco es poderoso para la representación visual de las relaciones causales supuestas entre variables. Un DAG es un diagrama que utiliza nodos (variables) y flechas dirigidas (relaciones causales) y no contiene ciclos. La estructura del DAG codifica todos los supuestos causales del investigador. Herramientas como el criterio de la Puerta Trasera (Backdoor Criterion) permiten identificar, a partir del gráfico, qué conjuntos de variables de confusión deben ser controladas estadísticamente para aislar el efecto causal de interés. El cálculo do proporciona un lenguaje formal para manipular expresiones de probabilidad bajo intervención.

5. Métodos de Identificación y Estimación

La identificación se refiere a la posibilidad teórica de estimar el efecto causal a partir de datos observados, mientras que la estimación es el proceso estadístico real. Cuando los experimentos aleatorios no son posibles, se recurre a métodos cuasi-experimentales y observacionales que intentan replicar las condiciones de un RCT.

1. Experimentos Controlados Aleatorios (RCTs): El estándar de oro. La aleatorización garantiza la intercambiabilidad entre grupos, haciendo que el ATE sea directamente estimable como la diferencia simple de medias.
2. Variables Instrumentales (IV): Utilizado cuando hay confusión no observada. Requiere una variable “instrumento” que afecte al tratamiento, pero que solo afecte al resultado a través del tratamiento. Depende de supuestos fuertes y no verificables, como el de exclusión.
3. Regresión Discontinua (RD): Aplica cuando la asignación al tratamiento es determinada rígidamente por un umbral en una variable continua (la variable de asignación). Permite estimar el efecto causal justo en el punto de corte, asumiendo que las unidades cercanas al umbral son intercambiables.
4. Métodos Basados en Propensity Scores: Incluyen el Apareamiento por Propensity Score (PSM). Estos métodos intentan controlar el sesgo de confusión observada creando grupos de tratamiento y control que tienen una probabilidad similar de haber recibido el tratamiento, logrando así la condición de ignorabilidad condicional.

6. Retos Metodológicos y Tipos de Sesgo

La inferencia causal es inherentemente vulnerable a varios tipos de sesgo que pueden llevar a conclusiones erróneas si no se abordan adecuadamente.

El reto más significativo es el sesgo de confusión (confounding bias). Un confusor es una variable que afecta tanto a la causa como al efecto, creando una asociación espuria. Por ejemplo, si un estudio compara a personas que beben café con las que no lo hacen, y resulta que los bebedores de café también tienden a fumar (el confusor), una asociación entre el café y una enfermedad pulmonar podría ser erróneamente interpretada como causal. La clave para la inferencia causal es identificar y controlar todos los confusores relevantes, lo que requiere un conocimiento profundo del contexto.

Otro problema importante es el sesgo de selección (selection bias). Este ocurre cuando la muestra analizada no es representativa de la población de interés o cuando la participación en el estudio o en el tratamiento está relacionada con el resultado potencial. Un tipo particular de sesgo de selección en la inferencia causal es el sesgo de colisión (collider bias), que ocurre cuando se condiciona sobre una variable que es un efecto común de la causa y el resultado (un “colisionador”), abriendo caminos causales espurios que de otra forma estarían bloqueados.

Finalmente, la endogeneidad se refiere a situaciones donde la variable causal está determinada por factores que también influyen en el resultado, o cuando la causalidad es bidireccional. Este es un desafío común en econometría y requiere el uso de técnicas avanzadas como Variables Instrumentales o modelos de ecuaciones estructurales para intentar aislar la dirección del efecto causal. Sin supuestos creíbles y justificados, la inferencia causal a partir de datos observacionales puede ser altamente inestable.

7. Aplicaciones en Diversas Disciplinas

La capacidad de establecer causalidad ha transformado la metodología de investigación en numerosas áreas, pasando de la simple descripción a la prescripción de acciones.

En la Epidemiología y Salud Pública, la inferencia causal es esencial para determinar si un factor de riesgo (ej. tabaquismo) causa una enfermedad o si una intervención médica (ej. vacuna) es efectiva. Los criterios de Bradford Hill, aunque no son una prueba estadística, proporcionan un marco conceptual para evaluar la plausibilidad de una relación causal en la salud. Estos criterios incluyen la fuerza de la asociación, la consistencia, la especificidad, la temporalidad y la plausibilidad biológica.

En la Economía y la Evaluación de Políticas Públicas, la inferencia causal permite evaluar el impacto de las decisiones gubernamentales. Por ejemplo, utilizando métodos cuasi-experimentales, los investigadores pueden determinar si un aumento en el salario mínimo causó una disminución en el empleo, o si un programa de capacitación laboral realmente mejora los ingresos a largo plazo. Este rigor ha llevado a un enfoque basado en la evidencia para el diseño de políticas.

Más recientemente, en las Ciencias de la Computación e Inteligencia Artificial, la inferencia causal está impulsando la próxima generación de Machine Learning. Mientras que los modelos de aprendizaje automático son excelentes en la predicción (asociación), carecen de la capacidad de razonar sobre intervenciones y escenarios contrafactuales. La integración de los DAGs y el cálculo do busca crear sistemas de IA que no solo predigan qué sucederá, sino que también entiendan por qué sucede y qué debe cambiarse para obtener un resultado deseado, un campo conocido como el Machine Learning Causal.

8. Debates Filosóficos y Críticas

A pesar de su sofisticación metodológica, la inferencia causal sigue siendo objeto de debates filosóficos y críticas, principalmente en torno a la naturaleza de los supuestos requeridos.

Una crítica central se relaciona con la dependencia de la identificabilidad. Los métodos causales en estudios observacionales dependen de supuestos fuertes (como la ignorabilidad o la validez del instrumento) que, por definición, no pueden ser probados con los datos. La validez de la conclusión causal recae enteramente en la credibilidad de estos supuestos no verificables, lo que hace que la inferencia sea más un arte dependiente del conocimiento del dominio que una ciencia puramente estadística.

Otro debate importante se centra en la heterogeneidad de los efectos. El ATE (Efecto Causal Promedio) puede ocultar variaciones significativas en cómo el tratamiento afecta a diferentes subgrupos de la población. La inferencia causal moderna busca ir más allá del ATE para estimar el Efecto Causal Promedio Condicional (CATE), pero esto añade complejidad y requisitos de datos. Críticos argumentan que, al enfocarse en el promedio, se pierde información crucial sobre los mecanismos causales específicos que operan a nivel individual.

Finalmente, existe la crítica sobre la extrapolación y la validez externa. Un efecto causal identificado en un contexto específico (un ensayo clínico en una ubicación particular) no garantiza que el mismo efecto se mantenga en una población o entorno diferente. La causalidad es local y contextual, y la extrapolación de hallazgos causales sigue siendo uno de los mayores desafíos en la aplicación práctica de la inferencia causal.

9. Lecturas Adicionales

• Modelo de Resultado Potencial (Wikipedia)
• Judea Pearl (Wikipedia)
• Donald Rubin (Wikipedia)
• David Hume (Wikipedia)
• Ronald Fisher (Wikipedia)