Efecto causal

Un efecto causal es la diferencia entre el resultado tras una acción y el resultado contrafactual: lo que habría ocurrido sin esa acción. Por ejemplo, el efecto causal de tomar aspirina es el alivio que sientes en comparación con el dolor de cabeza que seguirías teniendo. Como no podemos observar el resultado contrafactual, tenemos que buscar formas ingeniosas de estimarlo. Prueba esto: Cuando veas un cambio, pregúntate qué habría ocurrido de forma plausible si no se hubiera tomado ninguna medida.

Para entender un efecto causal, la clave está en el concepto de resultado contrafactual. Como no podemos observar una misma situación con y sin una intervención al mismo tiempo, tenemos que buscar formas de aproximarnos a ese escenario de «¿qué habría pasado si…?».

Por eso, la correlación no implica causalidad. Observar que el tráfico disminuyó después de instalar carriles para bicicletas no demuestra que estos fueran la causa. Quizá la ciudad también puso en marcha una nueva línea de autobús, o una empresa con muchos empleados adoptó una política de trabajo a distancia. Estas son variables de confusión que ofrecen explicaciones alternativas del resultado.

Para aislar un efecto causal, los investigadores utilizan métodos que permiten crear un grupo de comparación creíble. El método de referencia es el ensayo controlado aleatorizado (ECA). Por ejemplo, una empresa utiliza una prueba A/B para medir el efecto causal de un nuevo botón en su sitio web. Al mostrar al azar el botón nuevo a la mitad de sus usuarios (grupo de tratamiento) y el antiguo a la otra mitad (grupo de control), puede aislar el impacto del botón en los clics, ya que, en promedio, todos los demás factores son iguales entre los grupos.

En la vida diaria, podemos aplicar esta forma de pensar buscando experimentos naturales o grupos de comparación. Antes de concluir que tu nueva campaña de marketing provocó un aumento repentino de las ventas, comprueba si tu principal competidor se quedó sin existencias al mismo tiempo. El problema de tu competidor ofrece una explicación alternativa sólida de tu éxito, lo que deja en duda el efecto causal de tu campaña.

La inferencia causal moderna se basa en el marco de resultados potenciales, que define un efecto causal como la diferencia entre un resultado con un tratamiento y su resultado potencial sin él (el contrafactual). El principal desafío es que el resultado contrafactual no se puede observar, lo que convierte esta cuestión en un problema de datos faltantes. Entre las principales contribuciones a este campo se encuentran:

• Rubin (1974): Formalizó el modelo de resultados potenciales, definió el efecto causal individual y planteó el desafío central como un problema de datos faltantes. [1]
• Pearl (2009): Desarrolló un marco gráfico complementario que utiliza grafos acíclicos dirigidos (DAG, por sus siglas en inglés) para hacer explícitos los supuestos causales e identificar variables de confusión. [2]
• Angrist y Pischke (2009): Impulsaron la «revolución de la credibilidad» al promover métodos empíricos sólidos, como los experimentos naturales, para estimar de forma creíble los efectos causales a partir de datos del mundo real. [3]

La principal limitación es el problema fundamental de la inferencia causal: para cualquier persona, nunca podemos observar al mismo tiempo su resultado con tratamiento y su resultado sin tratamiento. Todos los métodos estadísticos, incluidos los ensayos aleatorizados, intentan estimar el efecto causal promedio en una población, en lugar del efecto preciso en una sola persona. Además, la solidez de las afirmaciones causales depende de los supuestos en los que se basan; si no tienes en cuenta una variable de confusión clave, tu estimación del efecto será incorrecta.