Causalidad frente a correlación
Asociación estadística
Dos variables están correlacionadas cuando tienden a moverse juntas. Es una propiedad medible, pero no dice nada de quién provoca a quién, ni de si hay una tercera causa común.
Qué es causar
A causar se asocia la idea de que intervenir sobre X cambia Y. La causalidad es sobre lo que pasaría si manipuláramos, no solo sobre lo que observamos juntos.
Variables de confusión
- Una tercera causa que influye en X e Y a la vez.
- Crea una asociación espuria entre ellas.
- Controlarla es la clave para no atribuir de más.
Colinos y pseudocorrelación
Series con tendencia común correlacionan aunque no tengan relación. Sin retirar la tendencia o sin un mecanismo, la correlación puede ser puro espejismo estadístico.
Causalidad inversa
A veces la flecha va al revés: no es que el ejercicio adelgace, sino que quien adelgaza se apunta al gimnasio. La dirección del efecto importa.
Sesgo de selección
- Quien se expone a X no es comparable a quien no.
- La diferencia observada puede deberse a quién elige.
- Compara manzanas con peras disfrazadas.
El problema de la inferencia causal
En datos observacionales nunca vemos el mismo sujeto con y sin tratamiento. Falta el contrafactual: qué habría pasado de no mediar X.
Cómo se establece causalidad
- Manipular la causa (experimentar) y aislar el efecto.
- O controlar confundentes con diseño o estadística.
- Una teoría y un mecanismo que lo respalden.
Grafos causales
Representar variables y flechas ayuda a razonar qué controlar, qué no, y por dónde fluye la influencia. Hace explícitos supuestos que de otra forma quedan ocultos.
Controlar la variable correcta
No todo confundente debe controlarse; algunos son colisiones o descendientes que introducirían sesgo. Controlar de más también daña.
En aprendizaje automático
Un modelo predictivo capta correlaciones, no causas. Sirve para anticipar, no para decidir qué intervenir, salvo que se modele explícitamente el efecto causal.
Errores frecuentes
- Concluir que X causa Y solo porque suben y bajan juntas.
- Omitir una tercera variable que explica por completo la asociación.
- Invertir el sentido: atribuir a X un efecto que en realidad produce Y sobre X.
Ejemplo resuelto: los suplementos y la longevidad
Un estudio observacional halla que quien toma suplementos vive más. Pero esas personas suelen cuidarse más, hacer ejercicio y tener más recursos: esa forma de vida es la confundente que explica gran parte de la diferencia. Solo un experimento aleatorizado, o un control cuidadoso de esas variables, permitiría aislar el efecto real del suplemento.
- constatar la asociación entre las dos variables
- buscar terceros factores que influyan en ambas
- controlar las confundentes o aleatorizar
- fijar la dirección temporal del supuesto efecto
- aportar un mecanismo que respalde la causalidad
¿Para qué sirve en la realidad?
Decidir qué intervenir —una campaña, un precio, un tratamiento— exige saber qué causa qué: confundir correlación con causalidad lleva a gastar en palancas que no mueven nada o a culpar a quien solo era una señal. La inferencia causal es el antídoto.
Una variable de confusión es:
Una correlación alta y significativa entre dos variables demuestra que una causa la otra.
Causalidad
Ordena el razonamiento para atribuir causalidad:
Asociacion
Confundentes
Direccion
Mecanismo
Correlación no implica causalidad
Principio que alerta contra atribuir causa a la asociación.
Une cada noción causal con su definición:
Causalidad
# Causalidad frente a correlación ## Trampas ### confundentes ### causalidad inversa ### selección ## Establecer causa ### experimentar ### controlar ### mecanismo ## Razonar ### grafos causales ### contrafactuales ### dirección ## Modelos ### predicen asociación ### no captan causas ### requieren diseño
Confusión (estadística)
Error por una tercera variable que distorsiona la relación entre otras dos.
Un estudio halla que quien toma suplementos vive más. Nombra un posible confundente y una causalidad inversa que explicarían el resultado sin efecto real.