CausalLab Pro

Unidad 6 · Inferencia Causal & Causal ML
Diapositivas U6
🎯 Misión Analítica & Preguntas Gancho: Más allá de mover sliders Inferencia causal empírica guiada por supuestos estructurales, no correlaciones ingenuas.

Este simulador no es un mero juego interactivo de mover sliders sin rumbo, sino una estación de experimentación cuantitativa diseñada para contrastar la teoría matemática frente a tres dilemas fundamentales de inferencia causal y aprendizaje automático:

Desafío 1: El Peligro del Colisionador & Sesgo de Berkson ($X \to C \leftarrow Y$)

Demostrar cómo condicionar por $C$ genera una asociación espuria artificial inexistente en la población general ($X \perp Y \mid \emptyset$ pero $X \not\perp Y \mid C$). Abrir un colisionador destruye la validez interna del estudio.

Desafío 2: Paradoja de Simpson & Criterio Backdoor ($Z \to X$ y $Z \to Y$)

Demostrar la inversión radical de la pendiente de regresión ingenua frente al estimador insesgado $E[Y \mid do(X)]$ al bloquear la puerta trasera mediante ajuste de Frisch-Waugh-Lovell o ponderación por Propensity Score (IPW).

Desafío 3: Heterogeneidad de Efectos (CATE) & Refutación en Causal ML

Demostrar por qué el ATE promedio oculta que el tratamiento favorece a ciertos segmentos y perjudica a otros, y verificar la robustez con pruebas de refutación estocástica (DoWhy) mediante causas comunes aleatorias y tratamientos placebo.

Arquetipos y Conjunto de Ajuste

DAG Studio
Haz clic en nodos o tildes

Inventario de Caminos entre $X$ e $Y$ 3 caminos

Lienzo Estructural de Grafo Dirigido Acíclico (DAG)

Los nodos condicionados muestran un halo cuadrangular de ajuste formal según la notación de Pearl.

Identificable
Tratamiento ($X$)
Resultado ($Y$)
Confusor ($Z$)
Mediador ($M$)
Colisionador ($C$)

Expresión de Identificación Causal $P(Y \mid do(X))$

Criterio Backdoor

El operador $do(X = x)$ simula la intervención externa físicamente eliminando todas las flechas entrantes a $X$, transformando el problema observacional en uno experimental identificable.