Condicionamiento en un colisionador

El condicionamiento en un colisionador es un error común que crea una relación falsa entre una causa y un efecto. Ocurre cuando filtras tus datos según algo que es un resultado común de la causa y el efecto que estudias. Por ejemplo, si una universidad encuesta solo a sus donantes para averiguar si un seminario especial mejora los salarios, los resultados estarán sesgados. ¿Por qué? Porque tanto tener un salario alto (que permite donar) como haber asistido al seminario (que genera gratitud) influyen en la decisión de donar, lo que crea una relación engañosa dentro del grupo de donantes.

Prueba esto: Pregúntate si el grupo que analizas se eligió según un factor en el que podrían haber influido tanto tu «causa» como tu «efecto».

El condicionamiento en un colisionador es un error sutil pero de gran impacto que provoca un tipo específico de sesgo de selección. Este sesgo no surge de una causa común oculta (confusión), sino del propio acto de seleccionar o filtrar los datos para analizarlos.

El principio es el siguiente: si filtras tus datos según una variable que es un efecto común (un «colisionador») de la causa y el resultado que estudias, puedes crear una relación estadística que no existe en la población general. Este acto de «condicionar en un colisionador» abre una vía estadística espuria, es decir, que no refleja una relación causal.

Un ejemplo clásico es la paradoja de Berkson. Si estudias solo a pacientes hospitalizados, podrías encontrar una relación espuria entre dos enfermedades que no están relacionadas. Un paciente puede estar hospitalizado por un caso grave de la enfermedad A o por un caso grave de la enfermedad B. Por eso, dentro del grupo de pacientes hospitalizados, quienes no tienen la enfermedad A tienen más probabilidades de estar allí por la enfermedad B. Así se crea una asociación estadística falsa entre ambas enfermedades.

Otro ejemplo es el estudio del talento y la belleza entre actores famosos. La fama suele ser resultado de un gran talento o de una gran belleza (o de ambos). Si solo estudias a actores famosos, estás seleccionando según un colisionador. Dentro de este grupo, podrías encontrar que los actores más atractivos tienen menos talento: si carecían de talento, tuvieron que haber sido excepcionalmente atractivos para alcanzar la fama. Esto crea una relación artificial en la que una cualidad parece compensar la falta de la otra, algo que no ocurre en la población general.

El condicionamiento en un colisionador es un concepto fundamental de los modelos causales estructurales. Permite identificar cuándo la selección de un subconjunto de datos genera una asociación no causal conocida como sesgo de colisionador. [1]

• El sesgo surge cuando un análisis se restringe según una variable de selección que es un efecto común (un «colisionador») del tratamiento y el resultado; este acto de condicionamiento abre una vía estadística espuria entre ambos. [2] (2004)
• Esta forma de sesgo supone una amenaza importante en ciertos diseños de estudio, como los estudios de casos y controles en hospitales, donde la selección depende de factores relacionados tanto con la exposición como con el resultado, o los estudios longitudinales en los que tanto el tratamiento como el resultado influyen en el abandono de los participantes. [3] (2014)
• Los investigadores usan grafos acíclicos dirigidos (DAG, por sus siglas en inglés) para representar sus supuestos sobre las relaciones causales y aplicar visualmente este principio. Así pueden detectar posibles sesgos de selección antes del análisis. [4] (2020)

La principal limitación de este principio es que depende de un grafo causal correctamente especificado. Si las relaciones causales que supones entre las variables son incorrectas, las orientaciones que obtengas al aplicar este principio también lo serán. Además, permite identificar la posibilidad de que exista un sesgo, pero no cuantifica su magnitud ni su dirección. En sistemas muy complejos, identificar cada variable relevante y su relación con el mecanismo de selección puede ser prácticamente imposible.