12 Investigación observacional causal
Este capítulo forma parte de un libro en desarrollo activo y todavía no ha pasado por la revisión del autor. El contenido puede cambiar a medida que avanza la revisión.
La decisión de investigación. Si tu comparación observacional se ganó la palabra porque o tiene que detenerse en asociado con. Lo resuelves nombrando el único factor de confusión del que depende la comparación y escribiendo el argumento de identificación que cierra la puerta trasera, o admitiendo por escrito que no tienes ninguno.
12.1 Por qué importa esta decisión
La decisión sobre la mesa: si tu comparación se ganó la palabra porque.
Imagina a quien asesora tu tesis leyendo tu primer borrador. Escribiste: «al grupo tratado le fue mejor, así que el tratamiento funcionó». Su respuesta es la oración que vas a escuchar el resto de tu vida investigadora: «Después no es porque. Muéstrame el mundo en el que no fueron tratados, o admite que estás adivinando». Casi toda pregunta que vale la pena prohíbe el experimento limpio. No puedes asignarle una enfermedad a una persona, una guerra a un país ni un microbio intestinal a un animal salvaje. Así que el verdadero oficio de quien investiga con honestidad es decidir, en voz alta y por escrito, cuándo una comparación observada es lo bastante confiable como para cargar una causa. Si te equivocas, un artículo afirma más de lo que sus datos sostienen. Si aciertas, una afirmación modesta y acotada se vuelve creíble.
12.2 El concepto
Empieza por el mundo que falta.
- Contrafactual: el resultado que habría ocurrido bajo la opción que no se tomó. Ejemplo: cuánto habría vivido una persona bebedora de café si no hubiera tomado café. Nunca lo ves, porque sí tomó café.
Una afirmación causal es una afirmación sobre un contrafactual. El problema es un villano que se esconde dentro de casi toda comparación observacional.
- Factor de confusión: un tercer factor que empuja a la vez sobre quién recibe el tratamiento y sobre el resultado. Ejemplo: un estilo de vida saludable eleva tanto la probabilidad de un hábito diario de café como la longevidad, así que las personas que toman café parecen vivir más incluso si el café no hizo nada.
Puedes dibujar el problema. Un diagrama causal es un dibujo de flechas donde cada flecha significa «esto influye directamente sobre aquello». Ahí, el factor de confusión crea una puerta trasera: un camino tramposo que vincula tratamiento y resultado y que pasa por el factor de confusión en vez de por un efecto real. Una comparación cruda ve ambos caminos a la vez y culpa al tratamiento por el trabajo del factor de confusión.
Dos movimientos cierran la puerta trasera sin experimento.
- Selección sobre observables: identificar un efecto ajustando por un conjunto de factores de confusión medidos que sea suficiente para bloquear todos los caminos de la puerta trasera. Ejemplo: comparar a quienes toman café con quienes no dentro del mismo grupo de estilo de vida, porque el estilo de vida es lo que empuja a ambos. Funciona solo para los factores de confusión que de verdad puedes ver, y la palabra suficiente está haciendo trabajo real: la meta es el conjunto correcto, no el más largo.
- Experimento natural: una situación en la que una fuerza parecida al azar y fuera del control de cualquiera decidió quién fue tratado, volviendo la asignación como si fuera aleatoria (creíblemente parecida al lanzamiento de una moneda). Ejemplo: una lotería de visas decide quién hace un viaje, así que quienes ganan y quienes pierden se diferencian solo por suerte.
Una advertencia antes de que el primer movimiento te tiente a ajustar por todo lo que hay en el archivo. Ajustar no es gratis, y ajustar por la variable equivocada fabrica sesgo en lugar de quitarlo. Un mediador es una variable sentada en el propio camino causal: el café puede actuar sobre la longevidad en parte vía presión arterial, así que ajustar por presión arterial tira parte del mismísimo efecto que estás estimando. Un colisionador es una variable que el tratamiento y el desenlace empujan a la vez: el hábito del café y la vida larga pueden, cada uno, subir la probabilidad de aparecer en un estudio de “envejecimiento saludable”, así que ajustar por la participación en el estudio crea entre ellos un vínculo que no existe en ninguna parte del mundo. Dibuja el diagrama primero; ajusta por causas comunes, y deja en paz a mediadores y colisionadores.
Sea cual sea el movimiento que uses, le debes a quien te lee un argumento de identificación: tu razón escrita de que la comparación recupera un efecto real. Todo diseño de esta familia se apoya en una lista corta de supuestos estructurales que los datos nunca confirman del todo, solo vuelven plausibles. La selección sobre observables necesita que el conjunto de ajuste sea suficiente y que los grupos se superpongan. Una lotería de visas necesita que el sorteo sea genuinamente aleatorio y toque la longevidad solo a través del viaje. Nombra la lista de tu diseño; una frase por supuesto alcanza. Cuando no puedes construir ese argumento con honestidad, llegaste al límite del lenguaje causal, el punto a partir del cual tu evidencia deja de ganarse el porque y tiene que pasar a asociado con. La falla más común aquí también tiene nombre. La imitación de diseño (design mimicry) es tomar prestado el vocabulario («experimento natural», «diferencias en diferencias») para decorar una comparación cuyo supuesto nunca se argumentó. La palabra no es el argumento.
12.3 Un ejemplo resuelto
Lleva esto a un laboratorio de biología. Estudias ratones derivados de poblaciones silvestres y notas un patrón llamativo: los individuos cuyo intestino lleva una bacteria particular que digiere fibra son, en promedio, más delgados que los ratones sin ella. El titular se escribe solo: «el microbio causa delgadez». ¿Apostarías una tesis a eso?
Dibuja primero tres cajas: microbio, delgadez y una tercera para cualquier cosa que pueda impulsar ambas. Esa tercera caja se llena rápido. La dieta es un factor de confusión. Los ratones que forrajean plantas altas en fibra a la vez albergan más de la bacteria que digiere fibra y se mantienen más delgados por razones ajenas al microbio. La dieta apunta a las dos cajas, abriendo una puerta trasera, así que una comparación ingenua entre con microbio y sin microbio mide sobre todo la brecha de dieta y se la acredita a la bacteria. Una colonia de diez mil ratones volvería ese número equivocado bellamente preciso y no menos equivocado, porque una muestra más grande achica el ruido, no la confusión.
Ahora el arreglo. Si registraste la dieta de cada ratón, usa selección sobre observables: compara portadores con no portadores dentro del grupo de alta fibra, luego dentro del grupo de baja fibra, y promedia las dos diferencias honestas por dieta. Si la brecha se derrumba hacia cero, el microbio era sobre todo un pasajero de la dieta. La trampa es honesta: esto funciona solo para el factor de confusión que mediste. Si los ratones también difieren en un rasgo no registrado, digamos un temperamento que impulsa tanto el forrajeo como el metabolismo, ese rasgo mantiene abierta la puerta trasera y «controlamos por dieta» no es identificación. Entonces tu afirmación defendible es que el microbio está asociado con la delgadez, y la pregunta causal espera una intervención real, como colonizar ratones genéticamente idénticos y alimentados de forma idéntica. Ese límite es lo que este capítulo te enseña a ver y a decir.
12.4 El laboratorio en Colab
Este capítulo tiene su propio cuaderno de acompañamiento: ábrelo en Colab con la insignia de arriba. El cuaderno reúne los prompts y el código del capítulo y termina con el espacio de trabajo Ahora te toca a ti, para que completes el paso del capítulo en tu proyecto sin salir de Colab. El laboratorio de aula completo detrás de este capítulo es el cuaderno del curso nb06 — Observational causal research (investigación observacional causal) (abrir en Colab), parte del curso de acompañamiento presentado en el apéndice Para docentes. Allí construirás un mundo pequeño donde tú fijas el efecto verdadero del café, plantarás un factor de confusión oculto y verás cómo una comparación ingenua infla un verdadero +1,0 hasta cerca de +3,1, para después recuperar la verdad ajustando por el factor de confusión que sí puedes ver. Luego analizarás un experimento natural real, la lotería de visas del Hajj de Clingingsmith, Khwaja y Kremer (RDSS cap. 16), como una diferencia de medias, y enunciarás exactamente qué te permite afirmar su asignación como si fuera aleatoria, y sobre quiénes.
12.5 Prompts de IA recomendados
Comprométete primero con tu propia respuesta cada vez, y solo después delega. Trata cada uno de estos como el movimiento de apertura de un bucle de IA (el ciclo prompt → respuesta → interrogación → refinamiento → nueva ejecución), no como una pregunta suelta. Pregunta, lee, nombra la única cosa que la respuesta entendió mal sobre tu contexto y vuelve a preguntar con esa corrección en la mano. En las preguntas causales la segunda pasada importa más que en ninguna otra parte de este libro, porque la primera respuesta casi siempre acepta tu encuadre, y tu encuadre es justamente lo que hay que atacar.
Localizar un diseño real (comprométete primero con tu propia apuesta sobre la palanca).
Act as a research librarian in biology. Find peer-reviewed observational studies
that used a natural experiment or a discontinuity to estimate the causal effect of
a gut microbe on a host trait. For each: title, authors, year, venue, and the
as-if-random source. Only include work you are confident exists; mark anything
uncertain.Después de ejecutarlo, verifica (contrarresta la fabricación confiada): abre cada fuente y lee tú la línea antes de citarla, que es lectura de la fuente primaria. Descarta las que no puedas encontrar.
Listar los factores de confusión que hay que verificar (haz primero tu propia lista).
I claim a gut microbe causes leanness in wild mice. List traits that plausibly raise
both microbe presence and leanness, in a table with the trait and the direction it
would bias a naive comparison. Then, as a hostile reviewer, name the one trait you
are most likely wrong to include and the important one you left out.Después de ejecutarlo, verifica (contrarresta la ilusión de exhaustividad): compara la lista con la que redactaste primero y mapea cada rasgo a un camino de puerta trasera (rasgo → microbio, rasgo → delgadez). Un rasgo con una sola flecha no es un factor de confusión.
Red team a la oración causal que escribiste (escribe tú la oración; no dejes que la IA la redacte).
Here is a causal sentence I wrote: "[paste your sentence]." Act as a hostile peer
reviewer. Name every place it over-reaches or claims more than my observational
design identifies. Do not rewrite it for me; list the weaknesses so I fix them.Después de ejecutarlo, verifica (contrarresta el acuerdo complaciente): si todas las objeciones son suaves, insiste con «supón que la oración es incorrecta; nombra el peor defecto». El elogio sin una objeción es una señal de alerta.
Tres decisiones son solo tuyas. Si tu diseño identifica un efecto causal es un juicio sobre cómo se asignó realmente el tratamiento, y solo tú lo sabes. Cuál factor de confusión amenaza más tu comparación depende del mecanismo, que un modelo no puede ver en tus datos. Y si tu hallazgo se gana el porque o tiene que detenerse en asociado con es toda la destreza de este capítulo. Una herramienta llamará encantada «experimento natural» a tu comparación porque tú escribiste esas palabras. Ganarse el porque es tu firma, no la del modelo.
12.6 Un caso de falla de la IA
Pegas tu comparación de ratones en un chatbot y preguntas: «¿Es esto un experimento natural, y puedo decir que el microbio causa delgadez?». Responde con un sí seguro y bien formateado: tu montaje «se parece a un experimento natural», la diferencia «puede leerse causalmente», el escrito «se ve riguroso». Esto son dos fallas con nombre propio a la vez: método plausible pero equivocado (plausible-but-wrong-method), pegarle una etiqueta de diseño a una comparación cuyo supuesto clave claramente falla, y cambio silencioso de alcance (silent scope change), ascender asociado con a porque con un tono de haber zanjado la cuestión. La fluidez no es evidencia. La atrapas rechazando la etiqueta y haciendo la única pregunta que el modelo no puede responder por ti: ¿cómo se asignó realmente el tratamiento? No hubo lotería, ni punto de corte, ni fuerza externa que decidiera qué ratones llevaban el microbio. Se ordenaron solos por dieta y comportamiento, así que no hay asignación como si fuera aleatoria, la puerta trasera sigue abierta y el porque no está ganado. Di asociado con, y registra por qué.
12.7 Ahora te toca a ti
Tu diseño está declarado y diagnosticado. Este capítulo de ruta es donde una pregunta causal obtiene por escrito su argumento de identificación, o recibe en su lugar un límite honesto.
- Decide en cuál caso estás. Si tu indagación pregunta qué pasaría si algo cambiara, y nadie aleatorizó el cambio, esta es tu ruta. Si tu indagación es descriptiva, predictiva o genuinamente experimental, no lo es, y entonces corres el ejercicio del paso 6.
- Si esta es tu ruta, escribe tu pregunta causal como exactamente dos cosas: un tratamiento (lo que varía) y un resultado (lo que mides). Una oración, sin rodeos.
- Dibuja el diagrama causal. Pon tratamiento y resultado en los extremos y agrega cada tercera variable que se te ocurra que empuje sobre ambos. Encierra en un círculo el factor de confusión que más temes. Después escribe, en una línea, si puedes medirlo.
- Nombra tu palanca y su precio. Selección sobre observables, un experimento natural, diferencias en diferencias, regresión discontinua o variables instrumentales, y debajo la lista corta de supuestos estructurales en los que se apoya, cada uno en lenguaje llano con el que alguien escéptico pueda discutir. Empieza por el que más dudas te dé. Si no tienes palanca, escribe en su lugar la oración del límite del lenguaje causal: qué muestra tu comparación y qué porque estás declinando afirmar.
- Anota un número que volverías a calcular por una segunda vía para comprobar cualquier estimación que te entregue alguien de tu equipo o una IA, y di qué resultado te haría abandonar por completo la lectura causal.
- Si esta no es tu ruta, corre el ejercicio de clasificación. Escribe de todos modos la versión causal de tu pregunta, nombra el factor de confusión del que dependería y di qué supuesto tendrías que defender para responderla. Saber qué no estás afirmando vale tanto como saber qué sí.
- Registra todo en tu AI Research Ledger (registro de investigación con IA) y verifica con un método nombrado de la Guía de Verificación; el diagrama causal es el método construido para este capítulo, y la simulación con un factor de confusión que plantas tú es la segunda comprobación fuerte. Una IA revisora puede atacar el supuesto junto a ti; la decisión de conservar el porque o replegarse a asociado con es tuya.