Configuración del Grupo & Semilla
Hasta 3 integrantesSeleccione la cantidad de integrantes del grupo e ingrese los últimos 3 dígitos del DNI de cada uno. La semilla resultante (3 dígitos por integrante) sintetizará un estudio observacional con sesgo de selección para estimación del ATE y CATE.
Evaluación Causal & Trampas de DAGs
Estimación del impacto real del nuevo algoritmo de recomendación sobre el ingreso mensual en USD. El dataset contiene confusión por antigüedad y frecuencia de uso (camino Backdoor), un mediador en el camino causal (clicks) y un colisionador (customer_support_tickets) que abre correlación espuria si se condiciona erróneamente.
Vista Previa del Dataset Causal
Inspección de las observaciones individuales y covariables
Ningún dataset generado aún
Ingrese los últimos 3 dígitos del DNI de los integrantes en el panel de configuración superior para generar y descargar los datos.
import pandas as pd
import numpy as np
import statsmodels.api as sm
# Cargar dataset descargado
df = pd.read_csv("ecommerce_causal_recommendation.csv")
print("Total usuarios:", len(df))
# 1. Limpieza de datos sucios
df_clean = df[
(df['revenue'] > 0) &
(df['customer_support_tickets'] >= 0) &
(df['device_type'].isin(['Mobile', 'Desktop']))
].copy()
df_clean['is_desktop'] = (df_clean['device_type'] == 'Desktop').astype(int)
# 2. Regresión Ingenua (Sesgada)
m_naive = sm.OLS(df_clean['revenue'], sm.add_constant(df_clean[['treatment']])).fit()
print(f"ATE Ingenuo: ${m_naive.params['treatment']:.2f} USD")
# 3. Regresión Backdoor Insesgada (Ajustando Z1, Z2, Z3)
confounders = ['treatment', 'user_tenure_months', 'monthly_active_days', 'is_desktop']
m_backdoor = sm.OLS(df_clean['revenue'], sm.add_constant(df_clean[confounders])).fit()
print(f"ATE Backdoor (Insesgado): ${m_backdoor.params['treatment']:.2f} USD")
# 4. Trampa del Mediador (clicks) y del Colisionador (support_tickets)
m_mediator = sm.OLS(df_clean['revenue'], sm.add_constant(df_clean[confounders + ['clicks_on_recommendations']])).fit()
m_collider = sm.OLS(df_clean['revenue'], sm.add_constant(df_clean[confounders + ['customer_support_tickets']])).fit()
print(f"Efecto Directo (Mediador condicionado): ${m_mediator.params['treatment']:.2f} USD")
print(f"Efecto Sesgado (Colisionador condicionado): ${m_collider.params['treatment']:.2f} USD")