Inferencia Causal
Estimar el efecto real de una intervención cuando un experimento controlado no es posible ni ético.
ÁreaExperimentación y Causalidad
DificultadAvanzado
Tiempo de aprendizaje6-8 semanas
¿Qué puedes lograr dominando este tema?
- Distinguir correlación de causalidad usando marcos formales (DAGs, contrafactuales)
- Estimar el efecto causal de una intervención a partir de datos puramente observacionales
- Identificar y controlar variables de confusión que distorsionan un análisis
Descripción
Cuando no se puede aleatorizar (no es posible asignar aleatoriamente quién fuma o quién recibe un aumento de sueldo), la inferencia causal ofrece un marco formal (variables instrumentales, matching, diferencias en diferencias, DAGs) para estimar efectos causales a partir de datos puramente observacionales.
Casos de uso
- Evaluación de políticas públicas sin posibilidad de experimento aleatorizado
- Medición del impacto real de una campaña de marketing pasada
- Análisis de causas raíz en incidentes complejos
- Investigación económica y de ciencias sociales
Ejemplo práctico
# Diferencias en diferencias
import statsmodels.formula.api as smf
modelo = smf.ols("resultado ~ tratamiento * post", data=df).fit()
print(modelo.summary())Ventajas y limitaciones
Ventajas
- Permite estimar efectos causales sin necesidad de un experimento controlado
- Marco riguroso para evitar conclusiones espurias por variables de confusión
- Cada vez más integrado en herramientas de ML modernas
Limitaciones
- Depende de supuestos fuertes (y a menudo no verificables) sobre las variables de confusión
- Curva de aprendizaje considerablemente más pronunciada que la estadística descriptiva
Herramientas relacionadas
Librerías y plataformas más comunes para practicar este tema.
- DoWhy
- R (causal inference)
- Statsmodels