Guías
Diagramas causales (DAG)
Explora 13 guías gratuitas sobre modelos mentales en Diagramas causales (DAG).
Guías de esta categoría
Sesgo de colisión y sesgo de selección
Descubre cómo condicionar el análisis a un resultado común puede crear correlaciones falsas y distorsionar tu visión de la realidad.
Leer guíaCausas comunes (factores de confusión)
Descubre cómo un tercer factor oculto puede crear una relación engañosa entre dos cosas que no están relacionadas.
Leer guíaErrores comunes al usar DAG
Errores evitables al dibujar e interpretar diagramas causales que pueden llevar a conclusiones sesgadas.
Leer guíaCorrelación frente a causalidad
Que dos cosas ocurran juntas no significa que una cause la otra: esta distinción clave te ayuda a evitar que las coincidencias en los datos te engañen.
Leer guíaDAG y modelos de regresión
Usa diagramas causales (DAG) como guía para construir modelos estadísticos de regresión más precisos y con menos sesgo.
Leer guíaBucles y ciclos de retroalimentación
Aprende a identificar y representar las cadenas de causa y efecto que amplifican o estabilizan los sistemas para mejorar tus predicciones e intervenciones.
Leer guíaSesgo en M
Una forma sutil de sesgo que surge al ajustar por una variable que parece un factor de confusión, pero es un colisionador, lo que abre vías causales espurias.
Leer guíaError de medición
Cuando los datos que medimos difieren de la realidad, el error de medición en nuestros diagramas causales puede ocultar, crear o invertir relaciones entre variables.
Leer guíaPredicción frente a causalidad en DAG
Los DAG pueden predecir resultados a partir de patrones, pero no demostrar que algo cause otra cosa sin suposiciones adicionales sobre cómo se relacionan realmente las variables.
Leer guíaModelos causales estructurales (SCM)
Un potente marco que combina diagramas y reglas sencillas para representar relaciones causales y predecir los efectos de las intervenciones.
Leer guíaComprobación de supuestos causales
Métodos para comprobar si los supuestos de un modelo causal se cumplen en datos observacionales, incluidas pruebas de independencia condicional y comprobaciones de falsación.
Leer guíaSupuesto de suficiencia causal
El supuesto crucial de que has medido e incluido en tu análisis todas las causas comunes que influyen tanto en un tratamiento como en un resultado.
Leer guíaSupuesto de positividad
El requisito de que cada persona haya tenido alguna posibilidad de recibir cada opción de tratamiento para que la comparación causal sea válida.
Leer guía