Saltar al contenido principal
LibreTexts Español

6.6: Causalidad

  • Page ID
    152357
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Objetivos de aprendizaje

    • Explicar cómo la experimentación permite inferencias causales
    • Explicar el papel de las variables no medidas
    • Explicar el problema de la “tercera variable”
    • Explicar cómo se puede inferir la causalidad en diseños no experimentales

    El concepto de causalidad es complejo en la filosofía de la ciencia. Dado que una cobertura completa de este tema está mucho más allá del alcance de este texto, nos enfocamos en dos temas específicos:

    1. el establecimiento de causalidad en experimentos
    2. el establecimiento de causalidad en diseños no experimentales

    Enciclopedia de filosofía de Stanford: Temas de causalidad

    Establecimiento de la causalidad en experimentos

    Considera un experimento simple en el que los sujetos son muestreados aleatoriamente de una población y luego asignados aleatoriamente ya sea al grupo experimental o al grupo control. Supongamos que las medias de condición sobre la variable dependiente diferían. ¿Significa esto que el tratamiento causó la diferencia?

    Para concretar esta discusión, supongamos que el grupo experimental recibió un medicamento para el insomnio, el grupo control recibió un placebo, y la variable dependiente fue el número de minutos que el sujeto durmió esa noche. Un obstáculo obvio para inferir la causalidad es que hay muchas variables sin medir que afectan cuántas horas duerme alguien. Entre ellos se encuentran la cantidad de estrés bajo la persona, los factores fisiológicos y genéticos, la cantidad de cafeína que consumió, la cantidad de sueño que consiguieron la noche anterior, etc. quizás las diferencias entre los grupos sobre estos factores son las responsables de la diferencia en el número de minutos dormidos.

    Al principio puede parecer que la asignación aleatoria elimina las diferencias en las variables no medidas. Sin embargo, este no es el caso. La asignación aleatoria asegura que las diferencias en las variables no medidas son diferencias de azar. No asegura que no haya diferencias. Quizás, por casualidad, muchos sujetos en el grupo de control estaban bajo alto estrés y este estrés dificultaba más conciliar el sueño. El hecho de que el mayor estrés en el grupo control se debió al azar no significa que no pudiera ser responsable de la diferencia entre el grupo testigo y el experimental. En otras palabras, la diferencia observada en “minutos dormidos” podría haberse debido a una diferencia casual entre el grupo control y el grupo experimental más que por el efecto del fármaco.

    Este problema parece intratable ya que, por definición, es imposible medir una “variable no medida” del mismo modo que es imposible medir y controlar todas las variables que afectan a la variable dependiente. Sin embargo, aunque es imposible evaluar el efecto de una sola variable no medida, es posible evaluar los efectos combinados de todas las variables no medidas. Dado que todas las personas en una condición dada son tratadas igual en el experimento, las diferencias en sus puntuaciones sobre la variable dependiente deben deberse a las variables no medidas. Por lo tanto, una medida de las diferencias entre los sujetos dentro de una condición es una medida de la suma total de los efectos de las variables no medidas. La medida más común de las diferencias es la varianza. Mediante el uso de la varianza dentro de la condición para evaluar los efectos de las variables no medidas, los métodos estadísticos determinan la probabilidad de que estas variables no medidas puedan producir una diferencia entre condiciones tan grande o mayor que la diferencia obtenida en el experimento. Si esa probabilidad es baja, entonces se infiere (por eso lo llaman estadística inferencial) que el tratamiento tuvo un efecto y que las diferencias no se deben del todo al azar. Por supuesto, siempre hay alguna probabilidad distinta de cero de que la diferencia se haya producido por casualidad por lo que la certeza total no es una posibilidad.

    Causalidad en diseños no experimentales

    Es casi un cliché que la correlación no signifique causalidad. La principal falacia al inferir causalidad a partir de la correlación se denomina “problema de la tercera variable” y significa que una tercera variable es responsable de la correlación entre otras dos variables. Un excelente ejemplo utilizado por Li (\(1975\)) para ilustrar este punto es la correlación positiva en Taiwán\(1970's\) entre el uso de anticonceptivos y el número de aparatos eléctricos en la propia casa. Por supuesto, el uso de anticonceptivos no te induce a comprar aparatos eléctricos o viceversa. En cambio, la tercera variable del nivel educativo afecta a ambas.

    ¿La posibilidad de un problema de tercera variable hace imposible hacer inferencias causales sin hacer un experimento? Un enfoque es simplemente asumir que no se tiene un problema de tercera variable. Este enfoque, aunque común, no es muy satisfactorio. Sin embargo, tenga en cuenta que la asunción de ningún problema de tercera variable puede estar oculta detrás de un modelo causal complejo que contiene matemáticas sofisticadas y elegantes.

    Un mejor enfoque aunque, ciertamente más difícil, es encontrar evidencia convergente. Este fue el enfoque adoptado para concluir que el tabaquismo causa cáncer. El análisis incluyó evidencia convergente de estudios retrospectivos, estudios prospectivos, estudios de laboratorio con animales y entendimientos teóricos de las causas del cáncer.

    Un segundo problema es determinar la dirección de la causalidad. Una correlación entre dos variables no indica qué variable está causando cuál. Por ejemplo, Reinhart y Rogoff (\(2010\)) encontraron una fuerte correlación entre la deuda pública y el crecimiento del PIB. Aunque algunos han argumentado que la deuda pública frena el crecimiento, la mayoría de las evidencias apoyan la alternativa de que el crecimiento lento aumenta la deuda

    Excelente video sobre la causalidad con evidencia de que fumar causa cáncer (Ver Capítulo 11)

    1. Li, C. (1975) Análisis de ruta: Un cebador. Prensa de boj, Pacific Grove. CA.
    2. Reinhart, C. M. y Rogoff, K. S. (2010). Crecimiento en un Tiempo de Deuda. Documento de Trabajo 15639, Oficina Nacional de Investigaciones Económicas, http://www.nber.org/papers/w15639

    This page titled 6.6: Causalidad is shared under a Public Domain license and was authored, remixed, and/or curated by David Lane via source content that was edited to the style and standards of the LibreTexts platform; a detailed edit history is available upon request.