DAG frente a resultados potenciales

Los DAG y los resultados potenciales son dos marcos clave para entender la causalidad. El enfoque de resultados potenciales plantea la pregunta «¿qué habría pasado si…?» y compara lo que ocurrió (por ejemplo, las ventas tras un anuncio) con lo que habría ocurrido sin ese anuncio. Los DAG son mapas visuales de todos los factores y sus vínculos causales. El mapa (DAG) es crucial porque te muestra qué debes tener en cuenta (como las acciones de la competencia) para hacer una comparación justa mediante los resultados potenciales.

Prueba esto: Cuando te plantees una pregunta causal, intenta primero dibujar un mapa de todas las influencias en juego.

Dos perspectivas sobre la causalidad

Piensa en los DAG y los resultados potenciales como dos herramientas distintas pero complementarias para una misma tarea: aclarar las relaciones de causa y efecto. Ambas trabajan juntas y te ayudan a precisar las preguntas causales.

La máquina del «¿qué habría pasado si…?»: resultados potenciales

El marco de resultados potenciales, también conocido como modelo causal de Rubin, formaliza el pensamiento contrafactual. Para cualquier individuo (una persona, una empresa, una ciudad), plantea dos estados potenciales: el resultado si recibe un «tratamiento» (por ejemplo, ve un anuncio) y el resultado si no lo recibe. El efecto causal es la diferencia entre esos dos estados. El problema fundamental de la inferencia causal es que solo podemos observar uno de esos resultados para cada individuo.

El mapa causal: grafos dirigidos acíclicos (DAG)

Un DAG es una herramienta visual para representar tus supuestos sobre cómo funciona el mundo. Cada «nodo» es una variable (como «Campaña publicitaria» o «Ventas»), y cada flecha indica la dirección de una influencia causal. Se llaman «acíclicos» porque una variable no puede causarse a sí misma mediante un ciclo. La fuerza de un DAG está en que te obliga a expresar claramente la estructura de un problema. Así te ayuda a detectar caminos ocultos y variables de confusión que podrían llevarte a conclusiones equivocadas.

Cómo trabajan juntos

El DAG proporciona el mapa necesario para responder a la pregunta que plantea el marco de resultados potenciales. Por ejemplo, en un estudio sobre si un programa de tutorías mejora las calificaciones en los exámenes, un DAG te ayuda a identificar que la Motivación de los padres podría influir tanto en que un niño se inscriba en las tutorías como en sus Calificaciones en los exámenes. Esta es una variable de confusión. Al detectarla en el mapa, sabes que debes ajustar el análisis para tenerla en cuenta y crear una comparación justa entre el resultado potencial con tutorías y el resultado potencial sin ellas.

Los modelos de resultados potenciales (Neyman-Rubin) y gráficos (Pearl) se desarrollaron por separado, pero hoy se consideran matemáticamente compatibles. En la práctica se usan ambos: los resultados potenciales para definir la pregunta «¿qué habría pasado si…?» y los DAG para trazar los supuestos necesarios para responderla con datos.

• Pearl (2009): Introdujo un marco gráfico formal que usa DAG para representar supuestos causales y proporciona reglas («cálculo do») para determinar si un efecto causal es identificable a partir de los datos. [1]
• Rubin (1974): Definió el efecto causal como la diferencia entre los resultados potenciales de un individuo bajo tratamiento y bajo control, planteando la causalidad como un problema de datos faltantes. [2]
• Hernán y Robins (2020): Muestran cómo los DAG ofrecen un lenguaje visual claro para expresar los supuestos de independencia necesarios para estimar los efectos causales promedio definidos dentro del marco de resultados potenciales. [3]

Ninguno de los dos marcos es infalible. La validez de un DAG depende de supuestos sobre la estructura causal que no se pueden comprobar; un grafo incorrecto lleva a conclusiones incorrectas. El modelo de resultados potenciales puede resultar difícil de manejar cuando hay tratamientos complejos, múltiples versiones de un tratamiento o interferencia: cuando el tratamiento de una unidad afecta al resultado de otra (efectos indirectos).