Inferencia Causal
La inferencia causal es la rama de la epidemiología y la bioestadística que se ocupa de decidir cuándo una asociación observada entre una exposición y un resultado refleja una relación genuina de causa y efecto en lugar de ser producto del azar, el sesgo o la confusión (confounding). Proporciona los marcos conceptuales, las herramientas gráficas y los métodos analíticos que permiten a los investigadores formular preguntas causales con precisión y juzgar si los datos disponibles pueden responderlas.
Definition
La inferencia causal es el conjunto de marcos formales y métodos utilizados para definir efectos causales, establecer los supuestos bajo los cuales pueden estimarse a partir de los datos y evaluar la robustez de las conclusiones resultantes ante violaciones de esos supuestos.
Scope
Esta área reúne el núcleo de la maquinaria del razonamiento causal moderno en la investigación en salud: criterios causales y teorías de la causalidad, gráficos acíclicos dirigidos para codificar supuestos, las condiciones de identificación que conectan un estimando causal con cantidades estimables, el análisis de sensibilidad para el sesgo no medido y el marco contrafactual (resultados potenciales) que los sustenta a todos. Es una referencia metodológica, no una guía clínica.
Sub-topics
Core questions
- ¿Cuándo una asociación estadística apoya una conclusión causal?
- ¿Qué supuestos son necesarios para identificar un efecto causal a partir de datos observacionales?
- ¿Cómo se pueden hacer explícitos y verificar esos supuestos?
- ¿Cuán sensible es una conclusión causal a la confusión no medida (unmeasured confounding) u otro sesgo?
Key concepts
- Contrafactuales y resultados potenciales
- Confusión (Confounding) e intercambiabilidad
- Gráficos acíclicos dirigidos
- Identificación y estimandos
- Análisis de sensibilidad
- Puntos de vista de Hill sobre la causalidad
Mechanisms
La inferencia causal moderna se basa en el modelo de resultados potenciales (contrafactual) formalizado por Rubin (rubin-1974), en el que un efecto causal es un contraste entre los resultados que ocurrirían bajo diferentes exposiciones mutuamente excluyentes para las mismas unidades. Los gráficos acíclicos dirigidos (greenland-pearl-robins-1999) traducen supuestos sustantivos sobre cómo se relacionan las variables en un gráfico cuya estructura determina qué ajustes bloquean la confusión (confounding) y cuáles introducirían sesgo. La identificación pregunta si, bajo supuestos establecidos como la intercambiabilidad, la positividad y la consistencia, el contraste contrafactual es igual a una función de los datos observados (hernan-robins-2006). Cuando no se pueden garantizar los supuestos, el análisis de sensibilidad cuantifica cuán fuerte tendría que ser un sesgo no medido para anular el hallazgo.
Clinical relevance
Los marcos de inferencia causal configuran cómo se genera y evalúa la evidencia observacional sobre tratamientos, exposiciones y factores de riesgo; comprenderlos ayuda a los lectores a juzgar si un efecto reportado es creíble. Esta área describe cómo se razona sobre la evidencia y no es una fuente de recomendaciones diagnósticas o de tratamiento individuales.
Epidemiology
Los métodos de inferencia causal son ahora estándar en la epidemiología observacional, la farmacoepidemiología y la investigación de la efectividad comparativa, donde la aleatorización a menudo es imposible y los investigadores deben, en cambio, establecer y defender supuestos explícitos. La tradición pluralista subraya que ningún método o criterio único resuelve la causalidad por sí solo (vandenbroucke-2016).
History
La epidemiología del siglo XX pasó de debates informales sobre asociación versus causalidad, cristalizados en los puntos de vista de Hill de 1965 (hill-1965), hacia una teoría matemática explícita de la causalidad. La formulación de resultados potenciales de Rubin de 1974 (rubin-1974) y el desarrollo posterior de diagramas causales por Greenland, Pearl y Robins (greenland-pearl-robins-1999) unificaron el razonamiento contrafactual con los modelos gráficos, y para la década de 2000 estas herramientas se habían vuelto centrales en cómo los epidemiólogos plantean y responden preguntas causales (hernan-robins-2006).
Debates
- ¿Existe un único marco correcto para la inferencia causal?
- Algunos argumentan que el modelo contrafactual con métodos gráficos proporciona una base unificada, mientras que otros defienden una visión pluralista en la que diferentes criterios y métodos se complementan entre sí y ninguna regla única resuelve la causalidad.
Key figures
- Austin Bradford Hill
- Jerome Cornfield
- Donald Rubin
- James Robins
- Sander Greenland
- Judea Pearl
- Miguel Hernán
Related topics
Seminal works
- hill-1965
- rubin-1974
- greenland-pearl-robins-1999
- hernan-robins-2006
Frequently asked questions
- ¿En qué se diferencia la inferencia causal de la asociación estadística ordinaria?
- La asociación describe cómo las variables se mueven juntas en los datos; la inferencia causal añade supuestos explícitos sobre cómo se generaron los datos para que una asociación pueda interpretarse como el efecto de cambiar una variable sobre otra.
- ¿Se pueden estimar los efectos causales sin un ensayo aleatorizado?
- Sí, pero solo bajo supuestos establecidos y a menudo no comprobables, como la ausencia de confusión no medida (unmeasured confounding); los métodos de inferencia causal hacen explícitos esos supuestos y permiten a los investigadores probar cuán robustas son las conclusiones ante ellos.