Supuesto de suficiencia causal

La conclusión de que las luces nocturnas causan miopía es falsa porque pasa por alto una causa común oculta. Los padres con miopía tienen más probabilidades de usar luces nocturnas para sus hijos y transmitirles genes relacionados con la miopía. El supuesto de suficiencia causal consiste en creer que has identificado y medido todas esas causas comunes importantes. Si pasas por alto alguna, como la genética de los padres, podrías sacar una conclusión equivocada a partir de una correlación.

Pregúntate: Cuando veo una correlación, ¿qué factor sin medir podría estar causando ambas cosas?

El supuesto de suficiencia causal es una base fundamental para establecer relaciones de causa y efecto. Significa que, para cualquier par de variables que estudies (por ejemplo, una acción y un resultado), no hay «factores de confusión» sin medir: factores externos ocultos que influyen en ambas.

Piensa que intentas tener un «sistema cerrado» para tu análisis. Si hay una fuga —una causa común sin medir—, su influencia puede filtrarse y crear una relación engañosa entre las variables que sí estás observando. Incumplir este supuesto es una de las formas más comunes de confundir correlación con causalidad.

Por ejemplo, una empresa podría observar que los empleados que participan en un programa voluntario de bienestar faltan menos días por enfermedad. ¿El programa mejora su salud? Es posible, pero es más probable que los empleados que ya se preocupan por su salud y toman la iniciativa sean quienes se inscriben en el programa y, de por sí, faltan menos días por enfermedad. Esa preocupación previa por la salud es el factor de confusión que no se ha medido.

Del mismo modo, un análisis podría mostrar que las ciudades con más orquestas sinfónicas tienen menos desempleo. En vez de concluir que las orquestas crean empleo, resulta más plausible que una economía local sólida (una causa común) favorezca tanto las artes como un alto nivel de empleo. Tener presente este supuesto nos obliga a pensar de forma crítica en lo que no vemos en los datos.

En la inferencia causal moderna, este concepto se formaliza mediante grafos acíclicos dirigidos (DAG, por sus siglas en inglés). Se distinguen dos ideas relacionadas. Un sistema se considera globalmente «causalmente suficiente» si no hay causas comunes sin medir para ningún par de variables del modelo. Sin embargo, para estimar un efecto causal específico (por ejemplo, el de un tratamiento sobre un resultado), se necesita un supuesto más concreto: la «ausencia de confusión no medida» entre ese par específico. Esto significa que se han medido todas las causas comunes del tratamiento y del resultado, lo que permite controlar su influencia en el análisis.

• Pearl presenta el supuesto de ausencia de confusión no medida como un requisito para pasar de la observación a la intervención; sin él, no se puede predecir de forma fiable el efecto de una nueva política o acción [1]. (2018)
• Hernán y Robins destacan que este supuesto no puede comprobarse y debe justificarse con conocimientos especializados sobre el tema, ya que ninguna prueba estadística puede demostrar la ausencia de una variable sin medir [2]. (2020)
• El nuevo análisis del estudio sobre las luces nocturnas es un ejemplo clásico de incumplimiento del supuesto inicial: la miopía de los padres era el factor de confusión sin medir que explicaba la correlación original [3]. (2000)

El supuesto de ausencia de confusión no medida casi nunca se cumple a la perfección en los sistemas complejos del mundo real. Como no se puede comprobar con los datos observados, los investigadores deben justificar que resulta plausible a partir de sus conocimientos sobre el tema. Para abordar este desafío, se han desarrollado «análisis de sensibilidad» que evalúan formalmente hasta qué punto una conclusión se mantiene ante posibles factores de confusión sin medir. Por ejemplo, los métodos de Rosenbaum evalúan qué tan fuerte tendría que ser un factor de confusión sin medir para cambiar la conclusión de un estudio [5]. Más recientemente, se introdujo el valor E como una medida intuitiva: representa la fuerza mínima de asociación que una variable sin medir tendría que tener tanto con el tratamiento como con el resultado para explicar el efecto observado sin atribuirlo al tratamiento [6].