Modelos causales estructurales (SCM)

Un modelo causal estructural (SCM) es un plano de la realidad que muestra cómo se conectan distintos factores mediante relaciones de causa y efecto. Combina un diagrama que muestra qué causa qué con reglas que especifican cómo cada causa produce su efecto. Por ejemplo, un modelo del rendimiento de los cultivos podría mostrar flechas desde «Lluvia» y «Fertilizante» hacia «Rendimiento», con reglas que definan cuánto aumenta el rendimiento por cada pulgada de lluvia. Este plano te permite predecir qué ocurre si cambias activamente un factor, como añadir más fertilizante.

Prueba esto: Piensa en un problema que estés afrontando, enumera los factores clave que intervienen y dibuja flechas para mostrar cuáles causan directamente otros.

Un modelo causal estructural (SCM) ofrece una descripción completa de las relaciones causales de un sistema mediante dos componentes clave: un grafo y un conjunto de funciones.

El primer componente es un grafo causal, normalmente un grafo dirigido acíclico (DAG). En él, los nodos representan variables y las flechas indican relaciones causales directas, formando un mapa cualitativo del sistema.

El segundo componente son las funciones estructurales. Cada función especifica exactamente cómo las causas directas de una variable (sus padres en el grafo) y los factores no observados determinan su valor. Así, añade detalles cuantitativos.

Por ejemplo, un SCM de marketing podría modelar el abandono de clientes. Un grafo podría mostrar que el Precio influye en la Satisfacción, que a su vez influye en el Abandono. Las funciones correspondientes cuantificarían la fuerza de estas relaciones.

En salud pública, un modelo podría mostrar cómo la Tasa de vacunación afecta a la Tasa de infección. Esto permitiría a quienes diseñan las políticas simular el impacto de una nueva campaña de concienciación antes de ponerla en marcha.

La principal ventaja de los SCM es que permiten modelar intervenciones. Al simular un cambio en una variable (por ejemplo, aumentar el precio), podemos observar los efectos que se propagan por todo el sistema. Esto permite analizar de forma sólida escenarios del tipo «qué pasaría si…» e ir más allá de la simple correlación.

Judea Pearl formalizó los SCM, que ofrecen un lenguaje matemático para el razonamiento causal al unir grafos con ecuaciones estructurales. Estas definen formalmente conceptos como la confusión, la intervención y los contrafactuales. Entre las principales líneas de investigación se incluyen:

• Establecer el cálculo do, un conjunto de reglas para identificar efectos causales a partir de datos que distingue entre observación («ver») e intervención («hacer»). [1] (2009)
• Usar los SCM como base de algoritmos de descubrimiento causal que buscan aprender estructuras causales directamente de los datos observacionales. [2] (2017)
• Desarrollar métodos de transportabilidad, que evalúan si los hallazgos causales de una población o un contexto pueden generalizarse a otro. [3] (2016)

La validez de un SCM depende del grafo causal que se asume. Una conexión ausente, una flecha invertida o un factor de confusión no medido pueden producir resultados sesgados. Especificar la forma matemática correcta de las funciones estructurales también supone un gran reto. A menudo obliga a recurrir a supuestos simplificadores, como la linealidad, que pueden no reflejar la realidad.