Selección del conjunto de ajuste

Elegir un conjunto de ajuste significa seleccionar las variables adecuadas que debes tener en cuenta para determinar si algo realmente causa otra cosa. Así como un científico controla la temperatura y la humedad al probar un nuevo medicamento, tú necesitas identificar y ajustar por los factores que podrían crear conexiones falsas. Si quieres saber si una nueva campaña de marketing causó un aumento de las ventas, debes ajustar por la estacionalidad, las acciones de la competencia y las tendencias económicas que podrían explicar los resultados. Prueba esto: Traza un mapa de todas las posibles influencias antes de decidir qué medir.

Para elegir un conjunto de ajuste, primero necesitas trazar un mapa de las relaciones causales entre las variables de tu sistema. Piensa en ello como un esquema de cómo los distintos factores influyen unos en otros antes de empezar el análisis. La clave está en identificar las variables que, si no las controlas, crearían correlaciones engañosas entre la causa y el efecto que te interesan.

Por ejemplo, al evaluar si una nueva práctica de contratación mejora el rendimiento de un equipo, debes ajustar por factores como el tamaño del equipo, la complejidad del proyecto y los niveles de experiencia. De lo contrario, estas variables podrían crear la ilusión de que tu práctica de contratación funciona, cuando en realidad son esos otros factores los que explican las diferencias de rendimiento.

El proceso consiste en identificar las rutas de puerta trasera: caminos indirectos que conectan la causa con el efecto a través de otras variables. Tu conjunto de ajuste debe bloquear esas rutas sin abrir otras nuevas ni controlar en exceso las variables que forman parte del mecanismo causal que quieres medir.

En la investigación médica, los médicos deben ajustar por la edad de los pacientes, los factores relacionados con su estilo de vida y sus enfermedades previas al probar nuevos tratamientos. De forma similar, en la investigación educativa, evaluar métodos de enseñanza requiere ajustar por el tamaño de la clase, los recursos y las características demográficas de los estudiantes.

La selección del conjunto de ajuste se basa en criterios gráficos derivados de los grafos acíclicos dirigidos causales (DAG, por sus siglas en inglés) y del marco del cálculo do desarrollado por Judea Pearl. El proceso identifica conjuntos de ajuste mínimos suficientes que cumplen el criterio de la puerta trasera, lo que garantiza una estimación sin sesgo de los efectos causales sin ajustes excesivos e innecesarios.

Hallazgos clave de la investigación sobre inferencia causal:

• Shpitser (2018): Formalizó algoritmos completos para identificar efectos causales en modelos gráficos arbitrarios, lo que permite determinar cuándo existen conjuntos de ajuste y cómo encontrarlos de forma sistemática [1]
• VanderWeele y Shpitser (2011): Demostraron que seleccionar conjuntos de ajuste sin un conocimiento causal adecuado puede, paradójicamente, aumentar el sesgo en lugar de reducirlo [2]
• Textor, Hardt y Knüppel (2018): Mostraron que herramientas automatizadas como dagitty.net pueden identificar conjuntos de ajuste de forma fiable incluso en estructuras causales complejas con decenas de variables [3]

Los conjuntos de ajuste dependen de que las relaciones causales estén correctamente especificadas, algo que a menudo se desconoce o se discute en situaciones reales. Este enfoque no puede resolver por completo la confusión debida a variables no medidas ni el sesgo de selección, y requiere supuestos fuertes sobre la ausencia de errores de medición. En contextos de alta dimensionalidad, con muchos posibles factores de confusión, encontrar conjuntos de ajuste mínimos se vuelve un reto computacional. Además, los conjuntos de ajuste tradicionales pueden fallar cuando hay modificación del efecto o factores de confusión que varían con el tiempo, lo que requiere técnicas más avanzadas, como la fórmula g o la estimación de máxima verosimilitud dirigida.