Conjunto de métodos y supuestos empleados para estimar el efecto de una intervención o exposición sobre un resultado en términos contrafactuales, utilizando diseños experimentales, cuasi-experimentales, modelos estructurales o criterios gráficos para pasar de asociaciones observadas a afirmaciones causales.

Principio

La inferencia causal se apoya en articular contrastes contrafactuales, especificar supuestos de identificación (aleatorización, ignorabilidad, restricciones de exclusión, continuidad) y emplear diseños o ajustes estadísticos para estimar efectos causales dejando explícitas las suposiciones no verificables.

Demostración

Un ensayo aleatorizado que asigna la participación en un programa de formación proporciona una estimación no sesgada del efecto del programa sobre los salarios; cuando la aleatorización no es factible, una estrategia de variable instrumental puede usar la proximidad a centros de formación como instrumento, o un Difference-in-Differences compara resultados antes/después entre grupos tratados y de control tras un cambio de política.

Aplicación incorrecta

Interpretar un coeficiente de regresión en datos observacionales como efecto causal sin evaluar la confusión, usar un instrumento débil o inválido, o condicionar sobre variables posteriores al tratamiento induciendo sesgos.

Consecuencia

Si los supuestos de identificación son creíbles y se cumplen, la inferencia causal produce estimaciones que permiten responder preguntas contrafactuales y fundamentar decisiones de política, como los impactos esperados al escalar una intervención o redistribuir recursos.

Inversión

Modelado orientado a la predicción que optimiza la exactitud fuera de muestra sin interpretar coeficientes como causales; convertir inferencia causal en afirmaciones predictivas ignora el propósito contrafactual y puede inducir decisiones erróneas.

Límite

Se aplica a afirmaciones sobre intervenciones o exposiciones; no se deduce automáticamente de una asociación; muchos métodos causales requieren supuestos inherentemente no verificables con los datos observados y pueden ser sensibles a la especificación del modelo y a la selección de la muestra.

Tensión semántica

A menudo se confunde con modelado predictivo o análisis asociacional; la tensión está entre asociación (lo observado) y causalidad (lo que ocurriría bajo una intervención) y entre estrategias de identificación basadas en diseño frente a las basadas en modelos.

Síntesis

La inferencia causal es el conjunto de herramientas y el marco de razonamiento que combina diseño de estudio, supuestos y estrategias de estimación para responder preguntas contrafactuales sobre intervenciones, siempre condicionando las conclusiones a supuestos de identificación explícitos y a la evaluación de su plausibilidad.