Para descubrir relaciones causales, ¡deje de intentar inventar una máquina del tiempo y ejecute un experimento! Comprender las relaciones causales ofrece el conocimiento necesario para producir los resultados deseados a través de la acción. En este artículo, voy a ilustrar el poder del diseño experimental mediante el uso de un ejercicio conceptual basado en el tiempo. Mi objetivo es convencerlo de que se puede aprender más sobre la causalidad a través de la experimentación que usar una máquina del tiempo.
¿Por qué las máquinas de tiempo son útiles en un experimento de pensamiento causal?
El uso de una máquina del tiempo para un experimento mental se siente ridículo, y en muchos sentidos lo es. Pero también tiene una característica que lo hace valioso para explorar los resultados hipotéticos. Las máquinas de tiempo podrían darnos algo que nosotros, en nuestro estado de tiempo, no podemos ver: contrafactuales. Como su nombre lo indica, un contrafactual es algo que no sucedió. No son observables por definición porque nunca ocurrieron. Contrafactuales lo que hubiera sucedido en diferentes circunstancias. Dan respuestas a preguntas como: “¿Me habría enfermado si no comiera ese sushi de la estación de servicio?” Sin embargo, si tuviéramos una máquina del tiempo, podríamos revertir el reloj, hacer algo diferente y ver qué sucede. En el caso del sushi, podría reiniciar el día, no comer el sushi y ver si todavía me enfermo. En otras palabras, podríamos observar los contrafactuales inobservables.
Los contrafactuales aprendidos por la máquina del tiempo podrían compararse con lo que realmente sucedió (podríamos llamarlo un “hecho”, supongo …) para comprender el impacto de una intervención. Para nuestro desafortunado ejemplo de sushi, yo enfermo es el “hecho”, en realidad sucedió. Si tuviera una máquina del tiempo, podría rebobinar el tiempo, no comer el sushi y observar qué lo haría sucedió, este es el contrafactual. Entonces podría comparar lo hecho con el contador hecho para establecer la causalidad. Digamos que volví en el tiempo, mantuve todo en mi día igual, excepto comer el sushi. Si todavía me enfermé (real = contrafactual), sé que el sushi no causó la enfermedad porque habría estado enfermo de cualquier manera. Sin embargo, si no me enfermé (real ≠ contrafactual), entonces puedo concluir que el sushi causado mi enfermedad. ¡Con una máquina del tiempo, establecer la causalidad para eventos individuales sería tan fácil!
¡A primera vista, parece que nuestra máquina del tiempo también es una máquina de deducir de causalidad increíble! Ser capaz de observar contrafactuales sería muy poderoso, pero en realidad podemos hacer deducciones causales más útiles utilizando experimentos bien diseñados. Lo cual es genial porque, las máquinas de tiempo no existen, ¡pero los experimentos bien diseñados sí! Entremos en cómo los experimentos diseñados pueden ser mejores que usar una máquina del tiempo.
La causalidad de los eventos individuales no es generalizable
Si bien una máquina del tiempo respondería muchas preguntas causales impulsadas por la curiosidad, los aprendizajes que obtendríamos al observar los contrafactuales no serían generalizables para otras situaciones similares, similares (pero no las mismas). En mi ejemplo de sushi, satisfaría mi curiosidad al entender si el sushi me enfermaba, pero el conocimiento que obtuve no serviría ningún propósito pragmático para decisiones futuras. Todo lo que sé es que en ese específico díaa ese tipo específico gasolineraa ese tipo específico tiempoque específico servicio de sushi hecho a mí enfermo. No sé qué pasaría si cambiara alguna de las circunstancias en negrita.
Podemos ganar generalizable Conocimiento, que no obtendríamos de la máquina del tiempo, diseñando un experimento. ¡El conocimiento generalizable es muy útil porque puede ayudarnos a tomar buenas decisiones en el futuro!
Imagine que ejecuté un experimento que asignó al azar múltiples almas valientes para comer sushi de la estación de servicio o sushi de restaurantes. Este experimento me diría que en promedio, la estación de servicio, sushi, hace que las personas sean más enfermas que el restaurante sushi. Este ya es una mejora del enfoque de la ‘máquina del tiempo’ porque los resultados se aplican a la población de personas que probé en lugar de mí solo me aplicaba.
¡Pero podría ser más inteligente sobre el diseño del experimento para obtener aún más conocimiento! En lugar de simplemente asignar a las personas a la estación de servicio o al sushi de restaurantes, podría asignar a las personas que especifican estaciones de servicio en momentos específicos o el restaurante en momentos específicos. Al agregar estas dos nuevas variables (tiempo y ubicación de la estación de servicio), no solo puedo aprender si el sushi de la estación de servicio enferma a las personas con más frecuencia, también puedo aprender si hay diferencias entre las tres estaciones de servicio que sirven sushi en mi ciudad y si la hora del día también tiene un impacto.
En este experimento, no observo directamente los contrafactuales, pero la asignación aleatoria ayuda a los factores de confusión al promedio para que pueda estimar el efecto promedio del tratamiento (ATE) casi como si pudiera observar contrafactuales.
¿Cómo se diferencian los aprendizajes del experimento de mis aprendizajes de máquina del tiempo? El experimento es (1) usando múltiples personas, (2) múltiples porciones de sushi, (3) múltiples estaciones de servicio y (4) varias veces del día. Como resultado, puedo quitar muchas ideas causales que yo y otras personas podemos usar. Por ejemplo, entendería que en general, la estación de servicio sushi deja a las personas más enfermas que el restaurante sushi en mi ciudad. También aprendería si algunas estaciones de servicio hacen que las personas sean más enfermas que otras y si comprar sushi en algunos momentos es peor que otras. Este conocimiento puede ayudarme y otras personas toman decisiones futuras. ¡Es mucho más útil que saber que el sushi de una estación de servicio y una vez me enfermaron!
Además de todas las variables que podemos controlar, podemos incluir covariables en nuestro análisis. Las covariables son factores que no podemos controlar pero que son importantes. En este ejemplo, las covariables podrían ser cosas como afecciones médicas o edad anteriores. Al incluir covariables en el análisis, también podemos aprender si hay algún efecto de interacción entre las covariables y los tratamientos.
A continuación se muestra un resumen que compara lo que podríamos aprender con una máquina del tiempo con lo que podemos aprender con los experimentos.
Ahora que entendemos la rica profundidad de las relaciones causales que podemos entender utilizando la experimentación, pasemos a discutir cómo la variedad de resultados en un experimento es más poderoso que un solo resultado (el único contrafactual) que observaríamos con una ejecución de tiempo de máquina.
Los experimentos diseñados cuantifican las relaciones causales; Los contrafactuales individuales no
La observación directa de un solo contrafactual no da idea de la fuerza de la relación causal general. Si retrocedo en el tiempo después de que me enfermé una vez para probar si el sushi me enfermaba, aprendería que lo hizo, o no causó mi enfermedad. ¡Todavía no tendría idea de la probabilidad de que me enferme si satisface mi anhelo de sushi en una estación de servicio nuevamente en el futuro! ¿Es determinista, es decir, se enfermará cada vez que coma sushi de la estación de servicio? ¿Es probabilístico, me enfermaré el cincuenta por ciento del tiempo? Simplemente no tengo suficiente información para saber.
El experimento que diseñamos en la sección anterior no solo nos ayudaría a comprender si El sushi de la estación de servicio enferma a las personas, también ayudaría a cuantificar la relación. Por ejemplo, el experimento podría encontrar que, en promedio, comer sushi de la estación de servicio te hace cinco veces más probabilidades de enfermarte que el sushi del restaurante.
El diseño experimental se generaliza mejor, y ¡También cuantifica mejor la relación causal! Si volvemos en el tiempo y miramos un contrafactual, no podemos saber la probabilidad de observar el mismo resultado en condiciones similares, ¡con la experimentación que podemos!
Envolverlo
Mi objetivo al escribir este artículo era discutir por qué todavía usaría un diseño experimental para aprender sobre las relaciones causales, incluso si tuviera una máquina del tiempo que me permitiera observar contrafactuales.
Las principales razones por las que el diseño experimental es mejor es porque:
- Genera aprendizajes causales generalizables (a diferencia de un caso específico)
- Proporciona la fortaleza de las relaciones para informar las decisiones futuras.
¡Espero que este experimento mental profundice su comprensión de las fortalezas del diseño experimental!