La inferencia causal es el proceso de determinar el efecto real e independiente de un fenómeno particular que es un componente de un sistema mayor. La principal diferencia entre la inferencia causal y la inferencia de asociación es que la inferencia causal analiza la respuesta de una variable de efecto cuando se cambia una variable de causa del efecto. [1] [2] La ciencia de por qué ocurren las cosas se llama etiología . Se dice que la inferencia causal proporciona la evidencia de la causalidad teorizada por el razonamiento causal .
La inferencia causal se estudia ampliamente en todas las ciencias. Varias innovaciones en el desarrollo e implementación de metodología diseñada para determinar la causalidad han proliferado en las últimas décadas. La inferencia causal sigue siendo especialmente difícil cuando la experimentación es difícil o imposible, lo que es común en la mayoría de las ciencias.
Los enfoques de la inferencia causal son ampliamente aplicables a todos los tipos de disciplinas científicas, y muchos métodos de inferencia causal que fueron diseñados para ciertas disciplinas han encontrado uso en otras disciplinas. Este artículo describe el proceso básico detrás de la inferencia causal y detalla algunas de las pruebas más convencionales utilizadas en diferentes disciplinas; sin embargo, esto no debe confundirse con una sugerencia de que estos métodos se aplican solo a esas disciplinas, simplemente que son las más comúnmente utilizadas en esa disciplina.
La inferencia causal es difícil de realizar y existe un debate importante entre los científicos sobre la forma adecuada de determinar la causalidad. A pesar de otras innovaciones, persiste la preocupación de que los científicos atribuyan erróneamente los resultados correlativos como causales, del uso de metodologías incorrectas por parte de los científicos y de la manipulación deliberada de los resultados analíticos por parte de los científicos para obtener estimaciones estadísticamente significativas. Se suscita especial preocupación en el uso de modelos de regresión, especialmente modelos de regresión lineal.
Definición
Inferir la causa de algo se ha descrito como:
- "... razonando hasta la conclusión de que algo es, o es probable que sea, la causa de otra cosa". [3]
- "Identificación de la causa o causas de un fenómeno, mediante el establecimiento de covariación de causa y efecto, una relación de orden temporal con la causa que precede al efecto y la eliminación de causas alternativas plausibles". [4]
Metodología
General
La inferencia causal se lleva a cabo mediante el estudio de sistemas en los que se sospecha que la medida de una variable afecta la medida de otra. La inferencia causal se realiza con respecto al método científico . El primer paso de la inferencia causal es formular una hipótesis nula falsable , que posteriormente se prueba con métodos estadísticos . La inferencia estadística frecuente es el uso de métodos estadísticos para determinar la probabilidad de que los datos ocurran bajo la hipótesis nula por azar: la inferencia bayesiana se usa para determinar el efecto de una variable independiente. [5] La inferencia estadística en general se usa para determinar la diferencia entre las variaciones en los datos originales que son variaciones aleatorias o el efecto de un mecanismo causal bien especificado. En particular, la correlación no implica causalidad , por lo que el estudio de la causalidad se ocupa tanto del estudio de los posibles mecanismos causales como de la variación entre los datos. [ cita requerida ] Un estándar de inferencia causal que se busca con frecuencia es un experimento en el que el tratamiento se asigna al azar pero todos los demás factores de confusión se mantienen constantes. La mayoría de los esfuerzos en la inferencia causal tienen como objetivo replicar las condiciones experimentales.
Los estudios epidemiológicos emplean diferentes métodos epidemiológicos para recopilar y medir la evidencia de los factores de riesgo y el efecto y diferentes formas de medir la asociación entre los dos. Los resultados de una revisión de 2020 de los métodos para la inferencia causal encontraron que usar la literatura existente para los programas de capacitación clínica puede ser un desafío. Esto se debe a que los artículos publicados a menudo asumen una formación técnica avanzada, pueden estar escritos desde múltiples perspectivas estadísticas, epidemiológicas, informáticas o filosóficas, los enfoques metodológicos continúan expandiéndose rápidamente y muchos aspectos de la inferencia causal reciben una cobertura limitada. [6]
Los marcos comunes para la inferencia causal son el modelado de ecuaciones estructurales y el modelo causal de Rubin . [ cita requerida ]
Experimental
La verificación experimental de los mecanismos causales es posible utilizando métodos experimentales. La principal motivación detrás de un experimento es mantener constantes otras variables experimentales mientras se manipula a propósito la variable de interés. Si el experimento produce efectos estadísticamente significativos como resultado de que solo se manipula la variable de tratamiento, hay motivos para creer que se puede asignar un efecto causal a la variable de tratamiento, asumiendo que se han cumplido otros estándares para el diseño experimental.
Cuasi-experimental
La verificación cuasi-experimental de los mecanismos causales se lleva a cabo cuando los métodos experimentales tradicionales no están disponibles. Esto puede ser el resultado de los costos prohibitivos de realizar un experimento, o la inviabilidad inherente de realizar un experimento, especialmente los experimentos que se refieren a sistemas grandes como las economías de los sistemas electorales, o para tratamientos que se considera que presentan un peligro para el pozo. -ser sujetos de prueba. Los cuasi-experimentos también pueden ocurrir cuando la información se retiene por razones legales.
Enfoques en epidemiología
La epidemiología estudia los patrones de salud y enfermedad en poblaciones definidas de seres vivos con el fin de inferir causas y efectos. Una asociación entre una exposición a un factor de riesgo putativo y una enfermedad puede sugerir, pero no es equivalente a causalidad porque la correlación no implica causalidad . Históricamente, los postulados de Koch se han utilizado desde el siglo XIX para decidir si un microorganismo fue la causa de una enfermedad. En el siglo XX, los criterios de Bradford Hill , descritos en 1965 [7], se han utilizado para evaluar la causalidad de variables ajenas a la microbiología, aunque incluso estos criterios no son formas exclusivas de determinar la causalidad.
En epidemiología molecular los fenómenos estudiados se encuentran a nivel de biología molecular , incluida la genética, donde los biomarcadores son evidencia de causas o efectos.
Una tendencia reciente [ ¿cuándo? ] es identificar la evidencia de la influencia de la exposición en la patología molecular dentro del tejido o las células enfermas , en el campo interdisciplinario emergente de la epidemiología patológica molecular (MPE). [se necesita una fuente de terceros ] Vincular la exposición a las firmas patológicas moleculares de la enfermedad puede ayudar a evaluar la causalidad. [se necesita una fuente de terceros ] Teniendo en cuenta la naturaleza inherente de la heterogeneidad de una enfermedad determinada, el principio de enfermedad única, el fenotipado y el subtipo de la enfermedad son tendencias en las ciencias biomédicas y de la salud pública , ejemplificadas como medicina personalizada y medicina de precisión . [se necesita una fuente de terceros ]
Enfoques en informática
La determinación de causa y efecto a partir de datos de observación conjunta para dos variables independientes del tiempo, digamos X e Y, se ha abordado utilizando la asimetría entre la evidencia para algún modelo en las direcciones, X → Y e Y → X. Los enfoques principales se basan en algoritmos modelos de teoría de la información y modelos de ruido. [ cita requerida ]
Modelos de ruido
Incorpore un término de ruido independiente en el modelo para comparar las evidencias de las dos direcciones.
Estos son algunos de los modelos de ruido para la hipótesis Y → X con el ruido E:
- Ruido aditivo: [8]
- Ruido lineal: [9]
- Post-no lineal: [10]
- Ruido heterocedástico:
- Ruido funcional: [11]
El supuesto común en estos modelos es:
- No hay otras causas de Y.
- X y E no tienen causas comunes.
- La distribución de la causa es independiente de los mecanismos causales.
En un nivel intuitivo, la idea es que la factorización de la distribución conjunta P (Causa, Efecto) en P (Causa) * P (Efecto | Causa) típicamente produce modelos de menor complejidad total que la factorización en P (Efecto) * P (Causa | Efecto). Aunque la noción de "complejidad" es intuitivamente atractiva, no es obvio cómo debería definirse con precisión. [11] Una familia diferente de métodos intenta descubrir "huellas" causales a partir de grandes cantidades de datos etiquetados y permitir la predicción de relaciones causales más flexibles. [12]
Enfoques en ciencias sociales
Ciencias Sociales
Las ciencias sociales en general se han movido cada vez más hacia la inclusión de marcos cuantitativos para evaluar la causalidad. Mucho de esto se ha descrito como un medio para proporcionar un mayor rigor a la metodología de las ciencias sociales. La ciencia política fue significativamente influenciada por la publicación de Designing Social Inquiry , por Gary King, Robert Keohane y Sidney Verba, en 1994. King, Keohane y Verba recomiendan que los investigadores apliquen métodos tanto cuantitativos como cualitativos y adopten el lenguaje de la inferencia estadística para ser más claros sobre sus temas de interés y unidades de análisis. [13] [14] Los defensores de los métodos cuantitativos también han adoptado cada vez más el marco de resultados potenciales , desarrollado por Donald Rubin , como un estándar para inferir causalidad. [ cita requerida ]
Si bien gran parte del énfasis permanece en la inferencia estadística en el marco de resultados potenciales, los metodólogos de las ciencias sociales han desarrollado nuevas herramientas para realizar inferencias causales con métodos tanto cualitativos como cuantitativos, a veces llamado enfoque de "métodos mixtos". [15] [16] Los defensores de diversos enfoques metodológicos argumentan que diferentes metodologías se adaptan mejor a diferentes temas de estudio. El sociólogo Herbert Smith y los científicos políticos James Mahoney y Gary Goertz han citado la observación de Paul Holland, estadístico y autor del artículo de 1986 "Estadísticas e inferencia causal", de que la inferencia estadística es más apropiada para evaluar los "efectos de las causas" en lugar de las "causas de los efectos". [17] [18] Los metodólogos cualitativos han argumentado que los modelos formalizados de causalidad, incluido el rastreo de procesos y la teoría de conjuntos difusos , brindan oportunidades para inferir la causalidad mediante la identificación de factores críticos dentro de los estudios de caso o mediante un proceso de comparación entre varios estudios de caso. [14] Estas metodologías también son valiosas para sujetos en los que un número limitado de posibles observaciones o la presencia de variables de confusión limitaría la aplicabilidad de la inferencia estadística. [ cita requerida ]
Economía y ciencia política
En las ciencias económicas y las ciencias políticas, la inferencia causal es a menudo difícil, debido a la complejidad del mundo real de las realidades económicas y políticas y la incapacidad de recrear muchos fenómenos a gran escala dentro de experimentos controlados. La inferencia causal en las ciencias económicas y políticas continúa mejorando en la metodología y el rigor, debido al mayor nivel de tecnología disponible para los científicos sociales, el aumento en el número de científicos sociales e investigación, y las mejoras en las metodologías de inferencia causal en todas las ciencias sociales. [19]
A pesar de las dificultades inherentes a la determinación de la causalidad en los sistemas económicos, existen varios métodos ampliamente empleados en esos campos.
Métodos teóricos
Los economistas y los científicos políticos pueden usar la teoría (a menudo estudiada en econometría impulsada por la teoría) para estimar la magnitud de las relaciones supuestamente causales en los casos en que creen que existe una relación causal. [20] Los teóricos pueden presuponer un mecanismo que se cree que es causal y describir los efectos utilizando el análisis de datos para justificar su teoría propuesta. Por ejemplo, los teóricos pueden usar la lógica para construir un modelo, como teorizar que la lluvia causa fluctuaciones en la productividad económica pero que lo contrario no es cierto. [21] Sin embargo, el uso de afirmaciones puramente teóricas que no ofrecen ningún conocimiento predictivo se ha denominado "precientífico" porque no hay capacidad para predecir el impacto de las supuestas propiedades causales. [5] Vale la pena reiterar que el análisis de regresión en las ciencias sociales no implica inherentemente causalidad, ya que muchos fenómenos pueden correlacionarse a corto plazo o en conjuntos de datos particulares pero no demuestran correlación en otros períodos de tiempo u otros conjuntos de datos. Por tanto, la atribución de propiedades causales a propiedades correlativas es prematura en ausencia de un mecanismo causal bien definido y razonado.
Variables instrumentales
La técnica de variables instrumentales (IV) es un método para determinar la causalidad que implica la eliminación de una correlación entre una de las variables explicativas de un modelo y el término de error del modelo. La creencia aquí es que, si el término de error de un modelo va de la mano con la variación de otra variable, es probable que el término de error del modelo sea un efecto de la variación en esa variable explicativa. La eliminación de esta correlación mediante la introducción de una nueva variable instrumental reduce así el error presente en el modelo en su conjunto. [22]
Especificación del modelo
La especificación del modelo es el acto de seleccionar un modelo que se utilizará en el análisis de datos. Los científicos sociales (y, de hecho, todos los científicos) deben determinar el modelo correcto a utilizar porque diferentes modelos son buenos para estimar diferentes relaciones. [23]
La especificación del modelo puede ser útil para determinar la causalidad que surge lentamente, donde los efectos de una acción en un período solo se sienten en un período posterior. Vale la pena recordar que las correlaciones solo miden si dos variables tienen una varianza similar, no si se afectan entre sí en una dirección particular; por tanto, no se puede determinar la dirección de una relación causal basándose únicamente en correlaciones. Debido a que se cree que los actos causales preceden a los efectos causales, los científicos sociales pueden utilizar un modelo que busque específicamente el efecto de una variable sobre otra durante un período de tiempo. Esto lleva a usar las variables que representan fenómenos que ocurren antes como efectos del tratamiento, donde las pruebas econométricas se utilizan para buscar cambios posteriores en los datos que se atribuyen al efecto de dichos efectos del tratamiento, donde una diferencia significativa en los resultados después de una diferencia significativa en los efectos del tratamiento. puede indicar causalidad entre los efectos del tratamiento y los efectos medidos (por ejemplo, pruebas de causalidad de Granger). Estos estudios son ejemplos de análisis de series de tiempo . [24]
Análisis de sensibilidad
Otras variables, o regresores en el análisis de regresión, se incluyen o no en varias implementaciones del mismo modelo para garantizar que las diferentes fuentes de variación se puedan estudiar de forma más separada entre sí. Esta es una forma de análisis de sensibilidad: es el estudio de cuán sensible es la implementación de un modelo a la adición de una o más variables nuevas. [25]
Una preocupación motivadora principal en el uso del análisis de sensibilidad es la búsqueda de descubrir variables de confusión . Las variables de confusión son variables que tienen un gran impacto en los resultados de una prueba estadística, pero no son la variable que la inferencia causal está tratando de estudiar. Las variables de confusión pueden hacer que un regresor parezca significativo en una implementación, pero no en otra.
Multicolinealidad
Otra razón para el uso del análisis de sensibilidad es la detección de multicolinealidad . La multicolinealidad es el fenómeno en el que la correlación entre dos variables es muy alta. Un alto nivel de correlación entre dos variables puede afectar dramáticamente el resultado de un análisis estadístico, donde pequeñas variaciones en datos altamente correlacionados pueden cambiar el efecto de una variable de una dirección positiva a una dirección negativa, o viceversa. Ésta es una propiedad inherente de las pruebas de varianza. La determinación de la multicolinealidad es útil en el análisis de sensibilidad porque la eliminación de variables altamente correlacionadas en diferentes implementaciones de modelos puede prevenir los cambios dramáticos en los resultados que resultan de la inclusión de tales variables. [26]
Sin embargo, existen límites a la capacidad del análisis de sensibilidad para prevenir los efectos nocivos de la multicolinealidad, especialmente en las ciencias sociales, donde los sistemas son complejos. Debido a que es teóricamente imposible incluir o incluso medir todos los factores de confusión en un sistema suficientemente complejo, los modelos econométricos son susceptibles a la falacia de causa común, donde los efectos causales se atribuyen incorrectamente a la variable incorrecta porque la variable correcta no fue capturada en los datos originales. Este es un ejemplo de la falta de consideración de una variable al acecho . [27]
Econometría basada en diseño
Recientemente, la metodología mejorada en la econometría basada en el diseño ha popularizado el uso de experimentos naturales y diseños de investigación cuasi-experimentales para estudiar los mecanismos causales que se cree que identifican tales experimentos. [28]
Negligencia en la inferencia causal
A pesar de los avances en el desarrollo de metodologías utilizadas para determinar la causalidad, persisten importantes debilidades en la determinación de la causalidad. Estas debilidades pueden atribuirse tanto a la dificultad inherente de determinar las relaciones causales en sistemas complejos como a los casos de negligencia científica.
Aparte de las dificultades de la inferencia causal, la percepción de que un gran número de académicos de las ciencias sociales se dedican a la metodología no científica existe entre algunos grandes grupos de científicos sociales. En esos campos abundan las críticas a los economistas y científicos sociales por hacer pasar los estudios descriptivos como estudios causales. [5]
Negligencia científica y metodología defectuosa
En las ciencias, especialmente en las ciencias sociales, existe preocupación entre los académicos de que la negligencia científica esté generalizada. Como el estudio científico es un tema amplio, hay formas teóricamente ilimitadas de socavar una inferencia causal sin culpa del investigador. No obstante, sigue existiendo la preocupación entre los científicos de que un gran número de investigadores no realizan tareas básicas o no practican métodos suficientemente diversos en la inferencia causal. [29] [19] [30] [ verificación fallida ] [31]
Un ejemplo destacado de metodología no causal común es la suposición errónea de propiedades correlativas como propiedades causales. No existe una causalidad inherente en el fenómeno que se correlacione. Los modelos de regresión están diseñados para medir la varianza dentro de los datos en relación con un modelo teórico: no hay nada que sugiera que los datos que presentan altos niveles de covarianza tengan alguna relación significativa (sin un mecanismo causal propuesto con propiedades predictivas o una asignación aleatoria de tratamiento). Se ha afirmado que el uso de una metodología defectuosa está generalizado, siendo ejemplos comunes de tal negligencia el uso excesivo de modelos correlativos, especialmente el uso excesivo de modelos de regresión y, en particular, de modelos de regresión lineal. [5] La presuposición de que dos fenómenos correlacionados están intrínsecamente relacionados es una falacia lógica conocida como correlación espuria . Algunos científicos sociales afirman que el uso generalizado de la metodología que atribuye causalidad a correlaciones espúreas ha sido perjudicial para la integridad de las ciencias sociales, aunque se han observado mejoras derivadas de mejores metodologías. [28]
Un efecto potencial de los estudios científicos que confunden erróneamente la correlación con la causalidad es un aumento en el número de hallazgos científicos cuyos resultados no son reproducibles por terceros. Tal no reproducibilidad es una consecuencia lógica de los hallazgos de que la correlación se sobregeneraliza solo temporalmente en mecanismos que no tienen una relación inherente, donde los nuevos datos no contienen las correlaciones idiosincrásicas previas de los datos originales. Continúan los debates sobre el efecto de la mala práctica frente al efecto de las dificultades inherentes a la búsqueda de la causalidad. [32] Los críticos de metodologías ampliamente practicados argumentan que los investigadores han participado manipulación estadística en publicar artículos que supuestamente demuestran evidencia de causalidad, pero en realidad son ejemplos de correlación espuria se promociona como evidencia de causalidad: tales esfuerzos pueden ser referidos como la piratería P . [33] Para evitar esto, algunos han abogado por que los investigadores registren con anticipación sus diseños de investigación antes de realizar sus estudios, de modo que no hagan demasiado hincapié inadvertidamente en un hallazgo no reproducible que no fue el tema inicial de la investigación, pero que resultó ser estadísticamente significativo durante el análisis de datos. . [34]
Ver también
- Análisis causal
- Causalidad de Granger
- Estadística multivariante
- Regresión de mínimos cuadrados parciales
- Patogénesis
- Patología
- Análisis de regresión
- Transferencia de entropía
Referencias
- ^ Pearl, Judea (1 de enero de 2009). "Inferencia causal en estadística: una visión general" (PDF) . Encuestas estadísticas . 3 : 96-146. doi : 10.1214 / 09-SS057 .
- ^ Morgan, Stephen; Winship, Chris (2007). Contrafactuales e inferencia causal . Prensa de la Universidad de Cambridge. ISBN 978-0-521-67193-4.
- ^ "inferencia causal" . Enciclopedia Británica, Inc . Consultado el 24 de agosto de 2014 .
- ^ John Shaughnessy; Eugene Zechmeister; Jeanne Zechmeister (2000). Métodos de investigación en psicología . McGraw-Hill Humanities / Social Sciences / Languages. pp. Capítulo 1: Introducción. ISBN 978-0077825362. Archivado desde el original el 15 de octubre de 2014 . Consultado el 24 de agosto de 2014 .
- ^ a b c d Schrodt, Philip A (1 de marzo de 2014). "Siete pecados capitales del análisis político cuantitativo contemporáneo" . Revista de Investigación por la Paz . 51 (2): 287–300. doi : 10.1177 / 0022343313499597 . ISSN 0022-3433 . S2CID 197658213 .
- ^ Landsittel, Douglas; Srivastava, Avantika; Kropf, Kristin (2020). "Una revisión narrativa de métodos de inferencia causal y recursos educativos asociados" . Gestión de la calidad en la asistencia sanitaria . 29 (4): 260–269. doi : 10.1097 / QMH.0000000000000276 . ISSN 1063-8628 . PMID 32991545 . S2CID 222146291 .
- ^ Hill, Austin Bradford (1965). "El medio ambiente y la enfermedad: ¿asociación o causalidad?" . Actas de la Royal Society of Medicine . 58 (5): 295–300. doi : 10.1177 / 003591576505800503 . PMC 1898525 . PMID 14283879 .
- ^ Hoyer, Patrik O., et al. " Descubrimiento causal no lineal con modelos de ruido aditivo ". NIPS. Vol. 21. 2008.
- ^ Shimizu, Shohei; et al. (2011). "DirectLiNGAM: un método directo para aprender un modelo de ecuación estructural lineal no gaussiana" (PDF) . The Journal of Machine Learning Research . 12 : 1225-1248. arXiv : 1101.2489 .
- ^ Zhang, Kun y Aapo Hyvärinen. " Sobre la identificabilidad del modelo causal post-no lineal ". Actas de la XXV Conferencia sobre Incertidumbre en Inteligencia Artificial. Prensa AUAI, 2009.
- ^ a b Mooij, Joris M., et al. " Modelos probabilísticos de variables latentes para distinguir entre causa y efecto ". NIPS. 2010.
- ^ López-Paz, David, et al. " Hacia una teoría del aprendizaje de la inferencia causa-efecto " ICML. 2015
- ^ Rey, Gary (2012). Diseño de la indagación social: inferencia científica en la investigación cualitativa . Universidad de Princeton Prensa. ISBN 978-0691034713. OCLC 754613241 .
- ^ a b Mahoney, James (enero de 2010). "Después de KKV". Política mundial . 62 (1): 120-147. doi : 10.1017 / S0043887109990220 . JSTOR 40646193 . S2CID 43923978 .
- ^ Creswell, John W .; Clark, Vicki L. Plano (2011). Diseño y realización de investigaciones de métodos mixtos . Publicaciones SAGE. ISBN 9781412975179.
- ^ Seawright, Jason (septiembre de 2016). Ciencias sociales multimétodo por Jason Seawright . Cambridge Core . doi : 10.1017 / CBO9781316160831 . ISBN 9781316160831. Consultado el 18 de abril de 2019 .
- ^ Smith, Herbert L. (10 de febrero de 2014). "Efectos de las causas y causas de los efectos: algunas observaciones del lado sociológico" . Métodos e investigación sociológicos . 43 (3): 406–415. doi : 10.1177 / 0049124114521149 . PMC 4251584 . PMID 25477697 .
- ^ Goertz, Gary; Mahoney, James (2006). "Una historia de dos culturas: contrastando la investigación cuantitativa y cualitativa". Análisis político . 14 (3): 227–249. doi : 10.1093 / pan / mpj017 . ISSN 1047-1987 .
- ^ a b Angrist, Joshua D .; Pischke, Jörn-Steffen (junio de 2010). "La revolución de la credibilidad en la economía empírica: cómo un mejor diseño de investigación está sacando las desventajas de la econometría" . Revista de perspectivas económicas . 24 (2): 3–30. doi : 10.1257 / jep.24.2.3 . ISSN 0895-3309 .
- ^ Universidad, Carnegie Mellon. "Teoría de la causalidad - Departamento de Filosofía - Facultad Dietrich de Humanidades y Ciencias Sociales - Universidad Carnegie Mellon" . www.cmu.edu . Consultado el 16 de febrero de 2021 .
- ^ Simon, Herbert (1977). Modelos de descubrimiento . Dordrecht: Springer. pag. 52.
- ^ Angrist, Joshua D .; Krueger, Alan B. (2001). "Variables instrumentales y búsqueda de identificación: de oferta y demanda a experimentos naturales" . Revista de perspectivas económicas . 15 (4): 69–85. doi : 10.1257 / jep.15.4.69 .
- ^ Allen, Michael Patrick, ed. (1997), "Especificación del modelo en el análisis de regresión" , Comprensión del análisis de regresión , Boston, MA: Springer US, págs. 166-170, doi : 10.1007 / 978-0-585-25657-3_35 , ISBN 978-0-585-25657-3, consultado el 16 de febrero de 2021
- ^ Maziarz, Mariusz (2020). La filosofía de la causalidad en economía: inferencias causales y propuestas de políticas . Nueva York: Routledge.
- ^ Salciccioli, Justin D .; Crutain, Yves; Komorowski, Matthieu; Marshall, Dominic C. (2016), MIT Critical Data (ed.), "Sensitivity Analysis and Model Validation", Secondary Analysis of Electronic Health Records , Cham: Springer International Publishing, págs. 263-271, doi : 10.1007 / 978- 3-319-43742-2_17 , ISBN 978-3-319-43742-2, PMID 31314264
- ^ Illowsky, Barbara (2013). "Estadísticas introductorias" . openstax.org . Consultado el 16 de febrero de 2021 .
- ^ Henschen, Tobias (2018). "La inconclusión en principio de la evidencia causal en macroeconomía". Revista europea de filosofía de la ciencia . 8 (3): 709–733. doi : 10.1007 / s13194-018-0207-7 . S2CID 158264284 .
- ^ a b Angrist Joshua y Pischke Jörn-Steffen (2008). Econometría mayoritariamente inofensiva: el compañero de un empirista . Princeton: Prensa de la Universidad de Princeton.
- ^ Achen, Christopher H. (junio de 2002). "Hacia una nueva metodología política: Microfundaciones y ART" . Revista anual de ciencia política . 5 (1): 423–450. doi : 10.1146 / annurev.polisci.5.112801.080943 . ISSN 1094-2939 .
- ^ Dawes, Robyn M. (1979). "La robusta belleza de los modelos lineales inadecuados en la toma de decisiones" . Psicólogo estadounidense . 34 (7): 571–582. doi : 10.1037 / 0003-066X.34.7.571 .
- ^ Vandenbroucke, Jan P; Broadbent, Alex; Pearce, Neil (diciembre de 2016). "Causalidad e inferencia causal en epidemiología: la necesidad de un enfoque plural" . Revista Internacional de Epidemiología . 45 (6): 1776-1786. doi : 10.1093 / ije / dyv341 . ISSN 0300-5771 . PMC 5841832 . PMID 26800751 .
- ^ Groenlandia, Sander (enero de 2017). "A favor y en contra de las metodologías: algunas perspectivas sobre los recientes debates causales y de inferencia estadística" . Revista europea de epidemiología . 32 (1): 3-20. doi : 10.1007 / s10654-017-0230-6 . ISSN 1573-7284 . PMID 28220361 . S2CID 4574751 .
- ^ Dominus, Susan (18 de octubre de 2017). "Cuando llegó la revolución para Amy Cuddy" . The New York Times . ISSN 0362-4331 . Consultado el 2 de marzo de 2019 .
- ^ "La crisis estadística en la ciencia" . Científico estadounidense . 6 de febrero de 2017 . Consultado el 18 de abril de 2019 .
Bibliografía
- Hernán, MA ; Robins, JM (21 de enero de 2020). Inferencia causal: ¿Y si ... ? Barnsley: Boca Ratón: Chapman & Hall / CRC.
enlaces externos
- Taller de NIPS 2013 sobre causalidad
- Inferencia causal en el Instituto Max Planck de Sistemas Inteligentes de Tübingen