Categoría
Experimentación e inferencia causal
Explora 36 guías gratuitas sobre modelos mentales en Experimentación e inferencia causal.
3 guías
Amenazas a la validez
Pérdida de participantes y datos faltantes
Si los participantes abandonan un estudio o faltan datos, el grupo restante puede dejar de representar la muestra original y distorsionar las conclusiones sobre causa y efecto.
Leer guíaInterferencia, efectos indirectos y SUTVA
Cuando el tratamiento de una persona afecta el resultado de otra, pone en duda supuestos básicos sobre los efectos causales en los experimentos.
Leer guíaIncumplimiento e intención de tratar
Si los participantes cambian de tratamiento o abandonan el estudio, métodos específicos como la intención de tratar y las variables instrumentales ayudan a recuperar el verdadero efecto causal.
Leer guía6 guías
Causalidad y contrafactuales
Contrafactuales y DAG
Usar mapas visuales de causas (DAG) para responder con rigor a preguntas sobre qué habría pasado en situaciones que nunca ocurrieron.
Leer guíaDAG frente a resultados potenciales
Dos marcos complementarios para entender causa y efecto: uno traza relaciones (DAG) y el otro plantea escenarios de «qué habría pasado si…» (resultados potenciales).
Leer guíaIntercambiabilidad e ignorabilidad
Entiende el principio de comparar en igualdad de condiciones, clave para determinar la verdadera relación de causa y efecto en cualquier comparación.
Leer guíaMarco de resultados potenciales
Un marco para definir los efectos causales comparando lo que ocurrió con lo que habría ocurrido en otras circunstancias.
Leer guíaGrafos de intervención de un solo mundo
Un grafo que muestra variables contrafactuales para una única intervención y permite razonar con precisión sobre «qué pasaría si…».
Leer guíaEfecto causal
El impacto específico de una acción en un resultado, medido al comparar lo que ocurrió con lo que habría ocurrido sin esa acción.
Leer guía2 guías
Confusión y sesgos
Confusión dependiente del tiempo
Un tipo de confusión en el que las variables que influyen en la exposición y el resultado se ven afectadas por exposiciones previas, lo que plantea un dilema para los métodos habituales de ajuste.
Leer guíaConfusión no observada
El error de suponer una relación directa entre dos cosas cuando un factor oculto que no se ha medido influye en ambas.
Leer guía4 guías
Contrastes y potencia estadística
Efectos heterogéneos del tratamiento
Estudio de cómo los tratamientos afectan de distinta manera a diferentes personas o grupos, más allá de los promedios, para entender quiénes se benefician más.
Leer guíaAnálisis de potencia y tamaño muestral
Método estadístico para calcular la muestra mínima necesaria para que un estudio tenga una alta probabilidad de detectar un efecto real de un tamaño específico.
Leer guíaPrerregistro y planes de análisis
Documentar tus hipótesis y métodos de análisis antes de recopilar datos te ayuda a distinguir los hallazgos reales de los patrones fortuitos que encuentras después.
Leer guíaPruebas secuenciales
Un enfoque flexible para tomar decisiones que te permite analizar la evidencia a medida que llega y detenerte antes de lo previsto cuando la respuesta está clara.
Leer guía13 guías
Diagramas causales (DAG)
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 guía3 guías
Diseños cuasiexperimentales
Diferencias en diferencias
Método para estimar efectos causales comparando los cambios a lo largo del tiempo entre un grupo de tratamiento y uno de control.
Leer guíaVariables instrumentales
Un método ingenioso para descubrir verdaderas relaciones de causa y efecto cuando no puedes realizar un experimento controlado.
Leer guíaDiseño de regresión discontinua
Método de investigación que estima efectos causales al comparar resultados justo por encima y por debajo de un umbral de asignación de un tratamiento.
Leer guía5 guías
Ensayos controlados aleatorizados
Aleatorización por bloques y estratificada
Técnicas avanzadas de aleatorización que equilibran los grupos según factores importantes y evitan desequilibrios por azar al asignar participantes.
Leer guíaDiseño de resultados y métricas
Aprende a definir objetivos claros y medibles para cualquier experimento o proyecto y saber si realmente estás teniendo éxito.
Leer guíaÉtica de la investigación y comités IRB
Marco esencial de pautas éticas, consentimiento informado y supervisión de los comités de revisión institucional que protege a quienes participan en estudios de investigación.
Leer guíaExperimentos aleatorizados
Método para determinar relaciones de causa y efecto mediante la asignación al azar de participantes a grupos de tratamiento o de control.
Leer guíaUnidad de aleatorización y agrupamiento
Entiende por qué elegir qué asignar al azar —personas o grupos— es una decisión clave que puede determinar el éxito o el fracaso de un experimento.
Leer guía