Guía para principiantes sobre métodos de inferencia causal: ensayos controlados aleatorios, diferencias en diferencias, control sintético y pruebas A/B
Este artículo está dirigido a principiantes que desean una introducción completa a la causalidad y los métodos de inferencia causal, explicada con un mínimo de matemáticas.
Cuando se trata de causalidad, simplemente no podemos evitar esta afirmación clásica: “La correlación no implica causa.” Un ejemplo clásico es que, aunque las ventas de helados y los incidentes de ahogamiento estén correlacionados, uno no causa el otro. Probablemente haya oído muchos ejemplos similares que ilustran la diferencia entre ambos. Si bien estos ejemplos suelen ser sencillos, la distinción puede volverse borrosa en los análisis reales.
Sin una comprensión clara de cómo se mide la causalidad, es fácil hacer inferencias causales incorrectas. En este sentido, una pregunta que me hacen a menudo es: “Sí, sabemos que correlación no significa causalidad, pero ¿qué pasa con un análisis de regresión?”. La respuesta breve es que la regresión lineal, por defecto, no proporciona ninguna afirmación causal a menos que tomemos las medidas adecuadas; aquí es donde entran en juego los métodos de inferencia causal.