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

Ejemplo prácticopython
# 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

Temas relacionados

Fichas de herramientas