¿Qué es la inferencia causal?
La inferencia causal es el conjunto de conceptos, diseños y métodos usados para responder preguntas sobre el efecto que una intervención, tratamiento o exposición tendría sobre un resultado, comparando escenarios contrafactuales o intervenciones alternativas. A diferencia de una asociación estadística, una afirmación causal exige especificar qué efecto se quiere estimar, qué diseño o fuente de variación permite identificarlo y bajo qué supuestos. Los experimentos aleatorizados son una vía para la inferencia causal; con datos observacionales también puede intentarse mediante diseños y métodos apropiados, pero la validez depende de supuestos defendibles. No equivale a correlación, predicción, atribución ni experimentación.
- ¿Qué es la inferencia causal?
- Qué significa contrafactual
- Definir, identificar y estimar
- Experimentos y datos observacionales
- Qué papel cumplen los supuestos
- Métodos de inferencia causal
- Causalidad vs. correlación y predicción
- Inferencia causal en marketing
- Inferencia causal vs. incrementalidad y atribución
- Errores frecuentes
- Preguntas frecuentes
- Referencias clave
¿Qué es la inferencia causal?
La inferencia causal intenta responder una pregunta que los datos observados, por sí solos, no resuelven: ¿qué habría cambiado si la intervención o exposición hubiera sido diferente?
En el enfoque de resultados potenciales, un efecto causal se expresa como contraste entre resultados que una misma unidad podría tener bajo alternativas distintas. En los modelos causales estructurales y grafos causales, las intervenciones y relaciones entre variables se representan mediante otra formalización. Ambos enfoques buscan separar asociaciones observadas de afirmaciones sobre efectos de intervenir. Imbens revisa estas dos tradiciones como marcos diferentes para el trabajo causal empírico.
La dificultad fundamental es que no observamos simultáneamente todos los escenarios posibles para la misma unidad. Por eso una inferencia causal necesita diseño, comparación y supuestos, no sólo una técnica estadística.
Qué significa contrafactual.
Un contrafactual es el resultado que habría ocurrido bajo una alternativa distinta de la que efectivamente ocurrió. Si una persona vio una campaña y compró, el contrafactual relevante podría ser qué habría pasado con esa misma persona, en ese mismo contexto, si no hubiera sido expuesta.
Ese segundo resultado no puede observarse directamente para la misma persona en el mismo momento. La inferencia causal intenta construir una comparación válida a nivel de población, grupo o unidad definida utilizando asignación aleatoria, variación cuasiexperimental o supuestos que conecten los datos observados con los resultados contrafactuales.
Por eso “comparar expuestos contra no expuestos” no es automáticamente causal. Esos grupos pueden diferir antes de la exposición en intención, comportamiento, geografía, ingreso, propensión de compra u otras variables que también afectan el resultado.
Definir, identificar y estimar son problemas distintos.
Definir el efecto
Qué intervención, alternativa, población, resultado y horizonte forman la pregunta causal. Sin una pregunta suficientemente precisa, el efecto puede quedar mal definido.
Especificar qué se quiere conocer
Puede ser un efecto promedio, un efecto sobre quienes recibieron el tratamiento, un efecto por segmento u otra cantidad causal. El estimando debe existir antes del estimador.
Conectar el efecto con datos observables
Se determina qué diseño y supuestos permiten expresar la cantidad causal mediante información que sí puede observarse.
Calcular el efecto identificado
Se elige un estimador y se cuantifica incertidumbre. Un modelo sofisticado no corrige una estrategia de identificación inválida.
Identificación y estimación suelen confundirse. Identificar significa justificar que el efecto causal puede recuperarse a partir de los datos y supuestos disponibles. Estimar significa calcularlo con una muestra concreta. Pearl define precisamente la identificación como la posibilidad de reducir una expresión causal a cantidades observables bajo un modelo causal. citeturn843002search44
Experimentos aleatorizados y estudios observacionales.
EXPERIMENTO ALEATORIZADO
La asignación aleatoria crea, en expectativa, grupos comparables respecto de factores previos observados y no observados. Eso puede permitir atribuir diferencias posteriores a la intervención, dentro del diseño y del estimando definidos.
DATOS OBSERVACIONALES
La exposición no fue asignada aleatoriamente. La identificación depende de estructura adicional: variables medidas, discontinuidades, cambios de política, instrumentos, tendencias, controles o supuestos específicos del diseño.
Un experimento no garantiza automáticamente cualquier afirmación causal. Importan cumplimiento, pérdidas de seguimiento, interferencia entre unidades, medición, generalización y qué efecto se está estimando. Del mismo modo, “observacional” no significa “sin posibilidad de causalidad”: existen diseños observacionales y cuasiexperimentales capaces de sostener inferencias causales cuando sus condiciones son defendibles.
En publicidad digital, Gordon y coautores compararon estimaciones observacionales con grandes experimentos de campo y encontraron que los métodos observacionales utilizados no siempre recuperaban los efectos experimentales, incluso con abundantes variables de control. Es una buena advertencia contra la idea de que “más datos” resuelven por sí solos la identificación causal. citeturn914327search1
Los supuestos no son un defecto: son parte de la afirmación causal.
Cada diseño causal necesita condiciones que conecten los datos observados con la pregunta contrafactual. No existe una lista única válida para todos los métodos.
Intervención suficientemente definida
Debe estar claro qué significa cambiar la exposición o tratamiento. Hernán y Robins enfatizan que preguntas causales vagas producen contrafactuales igualmente vagos. citeturn843002search46
Comparabilidad o exchangeability
En muchos diseños de ajuste observacional se necesita que, dadas ciertas variables, los grupos puedan compararse como si la asignación relevante no dependiera de otros factores que también afectan el resultado.
Positividad o soporte
Para ciertas estrategias de identificación debe existir posibilidad suficiente de observar las alternativas relevantes dentro de los perfiles que se quieren comparar. Sin solapamiento, el efecto puede depender de extrapolación.
Supuestos propios del diseño
Diferencias en diferencias, variables instrumentales, regresión discontinua o control sintético requieren condiciones distintas. La credibilidad proviene de justificar esas condiciones, no de nombrar el método.
Hernán y Robins muestran, por ejemplo, que métodos como estandarización y ponderación por probabilidad inversa identifican ciertos efectos bajo condiciones como exchangeability y positivity, además de otras condiciones del problema. Eso no convierte esas condiciones en requisitos universales para toda inferencia causal. citeturn843002search45
Métodos y diseños frecuentes de inferencia causal.
No existe un ranking universal. La elección depende de cómo se asignó la exposición, qué datos existen y qué supuestos son plausibles.
Experimentos aleatorizados
A/B tests, holdouts, geoexperimentos y otros diseños donde la intervención se asigna aleatoriamente bajo un protocolo definido.
Ajuste por covariables y g-methods
Regresión, estandarización, propensity scores, ponderación por probabilidad inversa y métodos doblemente robustos pueden utilizarse en determinados problemas observacionales bajo supuestos apropiados.
Diseños cuasiexperimentales
Diferencias en diferencias, regresión discontinua, variables instrumentales y experimentos naturales explotan fuentes particulares de variación para identificar efectos bajo condiciones específicas.
Control sintético y extensiones
Construyen comparadores a partir de combinaciones de unidades no tratadas y son útiles en determinados análisis de intervenciones agregadas o series de tiempo. Athey e Imbens incluyen control sintético y regresión discontinua entre las estrategias relevantes de evaluación causal. citeturn914327search0
Modelos causales estructurales y grafos
Los DAG y modelos estructurales ayudan a representar supuestos, intervenciones, caminos causales y condiciones de identificación. Un grafo no demuestra causalidad: hace explícita una estructura causal asumida que después debe justificarse.
Inferencia causal vs. correlación y predicción.
CORRELACIÓN
Describe cómo varían juntas dos variables. Puede ser útil para descripción o predicción sin establecer qué ocurriría bajo una intervención.
PREDICCIÓN
Busca anticipar un resultado a partir de información disponible. Un predictor puede funcionar muy bien aunque no sea una causa manipulable del resultado.
INFERENCIA CAUSAL
Pregunta por el cambio esperado en un resultado bajo alternativas de intervención o exposición. Necesita una estructura que justifique la interpretación causal.
Un modelo de machine learning puede predecir quién comprará sin decir qué acción hará que compre. Del mismo modo, que quienes reciben más emails compren más no demuestra que enviar más emails cause más compras: la selección de quién recibe esos mensajes puede explicar parte o toda la asociación.
Para qué sirve la inferencia causal en marketing.
Medir incrementalidad
Estimar cuánto cambió una conversión, venta, visita u otro resultado debido a una campaña o intervención respecto de un contrafactual relevante.
Evaluar promociones y pricing
Distinguir el efecto de una acción comercial de diferencias preexistentes entre personas, tiendas, mercados o períodos que recibieron distintas condiciones.
Decidir asignación de inversión
Separar canales que capturan demanda ya existente de intervenciones que realmente modifican el resultado que interesa.
Evaluar producto y experiencia
Estimar efectos de cambios de onboarding, mensajes, funcionalidades o políticas cuando la pregunta es qué habría ocurrido bajo otra versión de la intervención.
La causalidad es particularmente importante en marketing porque exposición y comportamiento suelen ser endógenos: las personas con mayor probabilidad de comprar también pueden ser las que tienen mayor probabilidad de ver, buscar o recibir determinados estímulos.
Inferencia causal vs. incrementalidad, experimentación y atribución.
INCREMENTALIDAD
Es el efecto causal adicional de una intervención respecto de una alternativa o ausencia de intervención. La incrementalidad es una cantidad causal; inferencia causal es el marco para definirla, identificarla y estimarla.
EXPERIMENTACIÓN
Es un método de investigación que manipula deliberadamente factores o intervenciones. La experimentación puede producir evidencia causal fuerte, pero la inferencia causal también abarca preguntas y diseños no experimentales.
ATRIBUCIÓN
Distribuye crédito por un resultado entre canales o puntos de contacto mediante reglas o modelos. Una atribución puede ser útil sin tener interpretación causal.
Esta separación evita una confusión común: observar que una plataforma atribuye una venta a un anuncio no prueba que la venta haya sido causada por ese anuncio.
Errores frecuentes en inferencia causal.
Confundir correlación con causalidad
Una diferencia entre grupos puede deberse a selección, confusión, causalidad inversa u otros mecanismos además de la intervención estudiada.
Empezar por el método y no por la pregunta
“Hacer un propensity score” o “usar difference-in-differences” no define qué efecto se quiere estimar ni por qué ese diseño sería válido.
Confundir identificación con ajuste estadístico
Agregar muchas covariables o usar machine learning no crea por sí mismo la variación exógena ni los supuestos necesarios para una interpretación causal.
Tratar los supuestos como detalles técnicos
La conclusión causal sólo es tan defendible como el diseño y las condiciones que conectan los datos observados con el contrafactual.
Interpretar un DAG como prueba
Un grafo causal formaliza supuestos sobre relaciones y puede ayudar a decidir qué ajustar; no demuestra que esas relaciones sean verdaderas.
Usar significancia estadística como evidencia de causalidad
Un resultado estadísticamente significativo puede provenir de un diseño no causal. La significancia estadística no reemplaza identificación ni validez causal.
Preguntas frecuentes sobre inferencia causal.
¿Qué es la inferencia causal?
La inferencia causal es el conjunto de conceptos, diseños y métodos usados para responder preguntas sobre el efecto que una intervención, tratamiento o exposición tendría sobre un resultado, comparando escenarios contrafactuales o intervenciones alternativas. A diferencia de una asociación estadística, una afirmación causal exige especificar qué efecto se quiere estimar, qué diseño o fuente de variación permite identificarlo y bajo qué supuestos. Los experimentos aleatorizados son una vía para la inferencia causal; con datos observacionales también puede intentarse mediante diseños y métodos apropiados, pero la validez depende de supuestos defendibles. No equivale a correlación, predicción, atribución ni experimentación.
¿Cuál es la diferencia entre correlación e inferencia causal?
La correlación describe una asociación entre variables observadas. La inferencia causal intenta responder qué cambiaría en un resultado si una intervención, tratamiento o exposición fuera diferente. Para interpretar una diferencia como causal se necesita un diseño y supuestos que permitan descartar o controlar explicaciones alternativas; una correlación, por sí sola, no alcanza.
¿La inferencia causal requiere un experimento aleatorizado?
No siempre. La aleatorización es una herramienta especialmente fuerte porque puede crear grupos comparables en expectativa y facilitar la identificación de un efecto causal. Cuando no es posible experimentar, pueden utilizarse diseños observacionales o cuasiexperimentales, pero cada enfoque necesita supuestos específicos y evidencia que los haga plausibles.
¿Qué es un contrafactual en inferencia causal?
Es el resultado que habría ocurrido bajo una intervención o exposición alternativa a la observada. Para una misma unidad no pueden observarse simultáneamente todos sus resultados potenciales, por lo que la inferencia causal utiliza diseño, comparación y supuestos para estimar efectos a nivel poblacional o en grupos definidos.
¿Cuál es la diferencia entre inferencia causal e incrementalidad?
La incrementalidad es un tipo de efecto causal: cuánto cambia un resultado debido a una intervención respecto de lo que habría ocurrido sin ella o bajo otra alternativa. La inferencia causal es el marco más amplio que define, identifica y estima ese tipo de efectos mediante experimentos u otros diseños.
¿Cuál es la diferencia entre inferencia causal y atribución?
La atribución asigna crédito por un resultado a canales, puntos de contacto u otras causas propuestas mediante una regla o modelo. Ese crédito no es necesariamente causal. La inferencia causal exige una comparación contrafactual o una intervención bien definida y supuestos que permitan interpretar la diferencia como efecto de esa intervención.
Referencias clave.
Hernán, M. A. & Robins, J. M. (2020, edición online actualizada). Causal Inference: What If. Chapman & Hall/CRC.
Pearl, J. (2009). Causality: Models, Reasoning, and Inference. Cambridge University Press.
Pearl, J., Glymour, M. & Jewell, N. P. (2016). Causal Inference in Statistics: A Primer. Wiley.
Imbens, G. W. (2020). Potential Outcome and Directed Acyclic Graph Approaches to Causality. Journal of Economic Literature, 58(4), 1129–1179.
Athey, S. & Imbens, G. W. (2017). The State of Applied Econometrics: Causality and Policy Evaluation. Journal of Economic Perspectives, 31(2), 3–32.
Gordon, B. R., Zettelmeyer, F., Bhargava, N. & Chapsky, D. (2019). A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook. Marketing Science, 38(2), 193–225.
Términos relacionados