Volver al inicio

Disciplina II · Marco Analítico INSECAB

Inferencia Causal

La correlación describe asociaciones. La causalidad permite razonar sobre intervenciones. En medicina y salud pública, confundir ambas puede llevar a conclusiones erróneas con consecuencias reales.

Más allá de la asociación estadística

Es frecuente que los análisis biomédicos presenten asociaciones sin distinguirlas explícitamente de relaciones causales. La inferencia causal proporciona el marco formal para hacer esa distinción y comunicar con precisión qué está afirmando el estudio.

En INSECAB, la inferencia causal se integra de forma transversal en la formación. El objetivo es que cada decisión analítica —desde la construcción de un DAG hasta la interpretación de resultados— tenga una justificación causal explícita cuando corresponda.

El marco formal de la causalidad

Potencial outcomes (Rubin)

Marco contrafactual para definir rigurosamente el efecto causal de una exposición.

Do-calculus (Pearl)

Algebra causal para razonar sobre intervenciones en sistemas complejos.

Doble robustez

Estimadores diseñados para ofrecer consistencia si al menos uno de los dos modelos auxiliares está correctamente especificado.

Sesgo vs. confusión

Diagnóstico preciso de amenazas a la validez interna antes de cualquier análisis.

Métodos y aplicaciones


01

Grafos acíclicos dirigidos (DAGs)

Razonamiento causal explícito antes de modelar. Identificación de confusores, mediadores y colisionadores para elegir qué variables ajustar y cuáles no tocar.

02

Propensity Score y Matching

Control de confusión en estudios observacionales. Estimación de efectos causales mediante emparejamiento, ponderación IPTW y estratificación por score de propensión.

03

TMLE — Targeted Maximum Likelihood Estimation

Estimador de doble robustez para efectos de tratamiento promedio (ATE) y en tratados (ATT). Combinación de machine learning con teoría de la influencia semiparamétrica.

04

Variables instrumentales y diseños quasi-experimentales

Regresión discontinua, diferencia en diferencias y variables instrumentales para inferencia causal cuando la aleatorización no es posible.

05

Análisis de mediación y moderación

Descomposición de efectos totales en directos e indirectos. Identificación de los mecanismos causales que explican una asociación observada.