pypro.mx
causalpyLaboratorio interactivo

¿Qué habría pasado si no hubieras hecho nada?

Toda pregunta causal compara dos mundos: el que observaste y el que habría ocurrido sin la intervención. El segundo nunca se observa. Aquí vas a explorar seis métodos de CausalPy, cada uno con su propia estrategia para reconstruirlo, y vas a romperlos a propósito para entender cuándo fallan.

Explorar los métodos ¿Cuál método uso?
Lo que pasóLo que habría pasadoEfecto
Solo ves la línea sólida. Cada método es una forma distinta de estimar la punteada.

El problema fundamental

Para una unidad (una persona, una ciudad, una tienda), el efecto causal es la diferencia entre dos resultados potenciales:

efecto = Y(1) − Y(0)

Y(1) es el resultado si recibe el tratamiento y Y(0) si no lo recibe. Solo puedes observar uno de los dos. Ningún método elimina ese problema: lo cambia por un supuesto. Tu trabajo como analista es elegir el supuesto más creíble para tus datos y revisar las señales de que se rompe.

Cómo leer las simulaciones

En cada método tú decides el efecto real, así que puedes comparar el estimado contra la verdad. En tus datos reales nunca verás ese número: por eso importan los supuestos.

Para responder al instante, los simuladores estiman con mínimos cuadrados. CausalPy ajusta los mismos modelos con PyMC (bayesiano) o scikit-learn; con PyMC obtienes distribuciones posteriores e intervalos HDI en lugar de un solo número.

Métodos

Elige un método. Mueve los controles, presiona el botón azul para ver la animación y prueba los escenarios sugeridos para descubrir sus puntos débiles.

¿Cuál método uso?

Responde con lo que tienes en tus datos, no con lo que te gustaría tener. El método correcto sale de cómo se asignó el tratamiento.

Regla rápida

Pregúntate primero quién decidió el tratamiento y cómo. Un umbral apunta a regresión discontinua. Una fecha que afecta a todos apunta a series de tiempo. Una fecha que afecta a unos sí y a otros no apunta a diferencias en diferencias o control sintético. Si las personas eligieron tratarse solas, necesitas medir sus razones (IPW) o encontrar algo casi aleatorio que las empuje (variables instrumentales).

Si puedes correr un experimento aleatorio, casi siempre es mejor que cualquiera de estos métodos.

MétodoQué datos necesitasSupuesto que no puedes verificar del todoSeñal de alertaClase en CausalPy
Diferencias en diferenciasTratados y controles, antes y despuésTendencias paralelas sin tratamientoLas tendencias ya divergían antes del cambioDifferenceInDifferences
Series de tiempo interrumpidasUna serie larga con fecha de cambio claraNada más cambió en esa fechaOtro evento coincide con la intervenciónInterruptedTimeSeries
Control sintéticoUna unidad tratada y varios donantes en el tiempoLa combinación de donantes sigue valiendo despuésMal ajuste antes del cambioSyntheticControl
Regresión discontinuaVariable de asignación con umbral y datos cercaContinuidad en el umbral sin tratamientoAcumulación de unidades justo del lado tratadoRegressionDiscontinuity
Variables instrumentalesTratamiento, resultado e instrumentoExclusión: el instrumento solo actúa vía el tratamientoF de primera etapa menor a 10InstrumentalVariable
Ponderación por propensiónCovariables que explican quién se trataNo hay confusores sin medirPropensiones cerca de 0 o 1 y pesos enormesInversePropensityWeighting

Glosario

Los términos que vas a encontrar en la documentación de CausalPy y en papers de inferencia causal, con su nombre en inglés para que los reconozcas.