Thread by @AlfonsoPic1

CAUSALIDAD 101 -PARTE 2-
Estábamos con un inglés añejo, y pretendíamos ver cómo sus ideas daban el salto a la aplicación. Os adelanto que van regulín.

2| Para nosotros, la idea que subyacía en los trabajos de Stuart Mill es un ideal que sabemos del todo inalcanzable (él también lo sabía). Como empirista convencido que era, creía que la mejor inferencia indudablemente era la contrafactual.

3| Si quiero saber si mi alivio del dolor de espalda se debe al paracetamol que he tomado, nada mejor que compararme conmigo mismo, sometido a los mismos tiempos, estímulos, experiencias…etc, pero sin tomar la medicación.

4| Como no disponemos de universos paralelos que nos permitan dicha comparación entre los dos Alfonsos, me tengo que conformar con compararme con un control que sea lo más parecido posible a mí.

5| Fisher* (un campeón de la estadística) atacó duramente la premisa de Stuart Mill porque era “un requerimiento totalmente imposible” (quizás Fisher no pensó en los actuales estudios con gemelos, o desechó la idea de que incluso ellos fueran “idénticos”).
*era gruñón 🤫

6| Para aislar la relación entre causa y efecto, nada mejor que la aleatorización. Esta se convierte en la piedra angular de los llamados experimentos, y de hecho, cuando no es posible, no podemos hablar de experimentación.

7| Fisher no era nada tonto (era un genio) y sabía que la aleatorización no iba a hacer que las unidades a compara fueran iguales por ensalmo, pero SÍ haría que la condición experimental no se asociara con las particularidades de cada una de las unidades.

8| En campos como la medicina, la psicología, y otros muchos donde no hay una auténtica aleatorización, hablamos de cuasi-experimentos. Sí, controlamos niveles de la variable (o variables) que consideramos causa, y esperamos bloquear toda influencia...

9|...(o introducirla de modo controlado) exógena y endógena, pero no contamos con un proceso aleatorio de inicio que nos ayudaría tanto, TAAAANTO, a extraer conclusiones de las que confiar respecto a la inferencia de la relación causal.

10| Por otro lado, para muchos de nosotros, ratas de biblioteca y laboratorio, podría parecer que la manipulación sobre la variable independiente (o variable input, o variable de interés, o como se quiera llamar) es el corazón de la causalidad. Sin ella somos con estos de aquí 👇

11| Así puede creerse por ejemplo con el modelo causal de Rubin, pero ¿es este el bueno? ¿Nos quedamos con el modelo causal de Rubin y a los demás que les den?
Pues depende.

12| Siendo bioestadísticos que diseñan, supervisan, y analizan estudios biomédicos (por poner un ejemplo), el modelo de Rubin nos viene estupendamente. A mí es el que me enseñaron 🤷‍♂️.

13| Ah no, que somos científicos sociales que trabajamos con medidas observaciones en modelos complejos que llamamos “de ecuaciones estructurales”. Pues en ese caso, autores como Judea Pearl nos proporcionan un medio natural que puede ser conveniente.
Ojo: hay furor con este eh

14| ¿A qué problemas se enfrentan algunas de estas concepciones de la causalidad? ¿Queremos ponernos críticos y aprender un modelo de causalidad único basado en el análisis bayesiano?-CONTINUARÁ-

Por cierto, sé que hay algún econometrista por aquí. Se preguntará "¿y el modelo de Granger-Sims?" Pues también es práctico según el caso. En él la causalidad deviene de la predicción. Su axioma es "el pasado y el presente quizás causen el futuro, pero no a la inversa".