Criterio de la puerta delantera

El criterio de la puerta delantera permite identificar un efecto causal en algunos casos, incluso cuando hay factores ocultos que afectan a ambas variables, si una variable mediadora observable adecuada cumple las condiciones del criterio. El ejemplo clásico: demostrar que fumar causa cáncer mostrando que fumar produce depósitos de alquitrán y que estos causan cáncer, aunque pueda haber factores genéticos ocultos que influyan tanto en fumar como en desarrollar cáncer. Prueba esto: Cuando necesites demostrar causalidad, pero no puedas medir todas las influencias ocultas, busca un paso intermedio que puedas medir y que conecte la causa con el efecto.

El criterio de la puerta delantera resuelve un problema fundamental de la inferencia causal: ¿cómo podemos estimar efectos causales cuando hay variables importantes que no se han medido? La idea clave es que, a veces, podemos estimar un efecto de forma indirecta al dividirlo en dos efectos más pequeños, cada uno de los cuales puede estimarse con datos observables.

Para usar el criterio de la puerta delantera, deben cumplirse tres condiciones. Primero, debe haber una variable presente en todas las rutas dirigidas —secuencias de vínculos de causa y efecto que llevan de una variable a otra— entre la causa y el efecto: una mediadora completa. Esto significa que la causa influye en el efecto SOLO a través de esta variable intermedia. Segundo, no debe haber confusión por variables no medidas entre la causa y la mediadora; es decir, no debe haber variables ocultas que influyan en ambas. Tercero, la variable que representa la causa original debe bloquear todas las conexiones ocultas entre la mediadora y el resultado.

Cuando se cumplen estas condiciones, la estimación tiene dos pasos: primero, estimar el efecto del tratamiento sobre la mediadora; segundo, estimar el efecto de la mediadora sobre el resultado, controlando por el tratamiento. Combina los dos efectos estimados mediante la fórmula de ajuste de la puerta delantera, una regla matemática que los combina calculando promedios para todos los valores posibles de la mediadora y sumando sus contribuciones. Esto funciona porque la primera relación está libre de influencias ocultas, según la segunda condición. En la segunda relación, controlar por el tratamiento original permite eliminar la confusión, según la tercera condición. La confusión es la distorsión que se produce cuando una tercera variable influye tanto en la causa como en el efecto.

En una empresa, este enfoque podría ayudar a evaluar un programa de capacitación en atención al cliente. Podrías comprobar si la capacitación aumenta las puntuaciones de los agentes en pruebas de conocimiento del producto y después observar si las puntuaciones más altas se correlacionan con mejores valoraciones de satisfacción del cliente. Esto sería posible incluso si no puedes medir la capacidad innata o la motivación, que podrían influir tanto en quién participa como en su desempeño. En política educativa, podrías usar este enfoque para evaluar si los cambios en el plan de estudios mejoran los resultados de aprendizaje. Para ello, seguirías medidas intermedias, como la participación del alumnado o la comprensión de conceptos, aunque las variables del entorno familiar no se observen. El enfoque es valioso precisamente porque funciona con limitaciones de datos propias de la realidad, sin exigir una medición perfecta de todas las variables relevantes.

Pearl formalizó el criterio de la puerta delantera (2000, segunda edición en 2009) como parte de su desarrollo del cálculo do. Este criterio gráfico permite identificar efectos causales en presencia de factores de confusión no observados [1]. Cuando se cumple el criterio de la puerta delantera, el efecto causal puede estimarse mediante la fórmula de ajuste de la puerta delantera: P(Y|do(X)) = Σ_z P(z|X) ⋅ Σ_{x'} P(Y|z, x') P(x') [2].

• Pearl (2009): El criterio de la puerta delantera permite identificar efectos causales cuando existe mediación completa y se cumplen ciertas condiciones gráficas, incluso con factores de confusión no observados que, de otro modo, harían imposible la identificación [1].
• Pearl, Glymour y Jewell (2016): La fórmula de la puerta delantera encadena dos cantidades identificables —el efecto del tratamiento sobre la mediadora y el efecto de la mediadora sobre el resultado— para recuperar un efecto global que no puede identificarse directamente [2].
• Bellemare, Bloem y Wexler (2020): El criterio de la puerta delantera tiene aplicaciones importantes en la investigación económica y en las ciencias sociales cuando no es viable realizar ensayos controlados aleatorizados y quedan factores de confusión clave sin medir [3].

El criterio de la puerta delantera exige supuestos fuertes que no siempre se cumplen en la práctica. Primero, requiere mediación completa: no puede haber rutas directas del tratamiento al resultado, algo que a menudo es poco realista. Segundo, exige que la variable de tratamiento bloquee todas las rutas de puerta trasera entre la mediadora y el resultado. Esto puede fallar si hay otros factores de confusión que afectan tanto a la mediadora como al resultado. Tercero, el enfoque puede ser estadísticamente poco eficiente cuando la mediadora tiene una relación débil con el tratamiento o con el resultado, ya que los errores de estimación se acumulan al multiplicar los dos efectos estimados. Cuarto, el criterio requiere conocer con certeza la estructura causal correcta. Especificar mal la dirección de las flechas causales u omitir variables relevantes puede producir estimaciones sesgadas. Por último, cuando hay varias mediadoras, la fórmula estándar de la puerta delantera no se aplica directamente y hacen falta extensiones más complejas.