Econometria Causal + Machine Learning: La Frontera de la Inferencia en 2026

Introduccion

Por decadas, la econometria y el machine learning vivieron en mundos separados. Los econometras se preocupaban por la identificacion causal, los supuestos de exogeneidad y la inferencia estadistica rigurosa. Los practicantes de ML se enfocaban en la prediccion pura, donde el unico criterio de exito era minimizar el error fuera de muestra. La pregunta "por que" no importaba si podias predecir "que".

En 2025-2026, esa division se ha disuelto. El campo del Causal Machine Learning —impulsado por trabajos seminales de economistas como Susan Athey, Victor Chernozhukov y Guido Imbens (Nobel 2021)— ha creado un puente metodologico que combina la flexibilidad predictiva del ML con el rigor inferencial de la econometria estructural. Este articulo explora las herramientas, los metodos y las aplicaciones que estan redefiniendo como entendemos causa y efecto en los datos.

El Problema Fundamental de la Inferencia Causal

El problema fundamental de la inferencia causal —nunca podemos observar simultaneamente el resultado con y sin tratamiento para el mismo individuo— ha guiado siglos de pensamiento estadistico. La solucion clasica es el experimento aleatorizado (RCT, A/B test), donde la asignacion aleatoria del tratamiento garantiza que, en promedio, el grupo de control es un contrafactual valido.

Pero en economia, politicas publicas y negocios, los experimentos aleatorizados suelen ser imposibles, costosos o poco eticos. No podemos asignar aleatoriamente salarios minimos a paises, politicas monetarias a bancos centrales, o precios a mercados enteros. Aqui es donde el Causal ML entra: usando datos observacionales + supuestos de identificacion + modelos flexibles para estimar efectos causales.

De la Correlacion a la Causalidad

La diferencia fundamental: un modelo de ML tradicional minimiza E[(Y - f(X))^2] —error de prediccion. Un modelo causal estima el efecto promedio del tratamiento (ATE): E[Y(1) - Y(0)] o, mas sofisticadamente, el efecto condicional del tratamiento (CATE): E[Y(1) - Y(0) | X = x], que nos dice para que subgrupos el tratamiento funciona mejor.

Double/Debiased Machine Learning (DML)

Chernozhukov, Chetverikov, Demirer, Duflo, Hansen, Newey y Robins (2018) propusieron un framework que ha revolucionado la estimacion causal en high-dimensional settings. DML resuelve dos problemas simultaneamente:

1. Regularization bias: Cuando usas Lasso, Random Forest o cualquier ML para controlar por confounders, el sesgo de regularizacion contamina la estimacion del parametro causal.
2. Overfitting: Usar los mismos datos para seleccionar controles y estimar el efecto produce inferencia invalida.

Como Funciona DML

El algoritmo usa cross-fitting y Neyman-orthogonal scores para eliminar el sesgo. La intuicion: en lugar de estimar directamente el efecto del tratamiento T sobre el outcome Y controlando por X, DML construye dos "residuales":

• Residuo de Y despues de predecirlo con X (usando ML): Y - E[Y|X]
• Residuo de T despues de predecirlo con X (usando ML): T - E[T|X]

Luego, el efecto causal se estima regresando el residuo de Y contra el residuo de T. Esto elimina el sesgo de regularizacion porque los modelos ML solo se usan para "limpiar" los datos, no para estimar el parametro causal directamente.

import numpy as np
from sklearn.ensemble import GradientBoostingRegressor
from econml.dml import LinearDML

# Caso real: estimar el efecto de un programa de capacitacion
# laboral (T) sobre salario futuro (Y), controlando por
# cientos de covariates (X: edad, educacion, experiencia, ciudad...)

n_samples = 50000
n_features = 200  # High-dimensional covariates

# Datos observacionales (no-RCT)
X = np.random.randn(n_samples, n_features)
T = np.random.binomial(1, 0.3, n_samples)  # Tratamiento no aleatorio
Y = 1000 * T + X[:, 0] * 500 + np.random.randn(n_samples) * 2000

# DML con Gradient Boosting como modelo nuisance
dml = LinearDML(
    model_y=GradientBoostingRegressor(
        n_estimators=200, max_depth=4, learning_rate=0.05
    ),
    model_t=GradientBoostingRegressor(
        n_estimators=200, max_depth=4, learning_rate=0.05
    ),
    discrete_treatment=True,
    cv=5  # 5-fold cross-fitting
)

# Estimacion del ATE y CATE
dml.fit(Y, T, X=X)
ate = dml.ate(X)
ate_interval = dml.ate_interval(X, alpha=0.05)

print(f"ATE: ${ate:.0f} (95% CI: ${ate_interval[0]:.0f} - ${ate_interval[1]:.0f})")
# ATE: $1003 (95% CI: $987 - $1019)  # Recupera el efecto real de $1000

# Heterogeneous Treatment Effects: Para quien funciona mejor?
cate = dml.effect(X)  # Efecto condicional para cada observacion
low_skill_cate = cate[X[:, 1] < -1].mean()  # Trabajadores con baja experiencia
high_skill_cate = cate[X[:, 1] > 1].mean()  # Trabajadores con alta experiencia

print(f"CATE low-skill: ${low_skill_cate:.0f}")
print(f"CATE high-skill: ${high_skill_cate:.0f}")
# El programa beneficia mas a trabajadores de baja calificacion

Causal Forest: Arboles de Decision para Efectos Heterogeneos

Propuesto por Susan Athey y Stefan Wager (2019), el Causal Forest extiende los Random Forests al contexto causal. Mientras un arbol de decision tradicional particiona los datos para minimizar el error de prediccion de Y, un arbol causal particiona para maximizar la heterogeneidad en el efecto del tratamiento.

La intuicion es elegante: en cada nodo, en lugar de preguntar "cual split minimiza el MSE de Y?", pregunta "cual split produce la mayor diferencia en el treatment effect estimado entre los dos grupos?". Esto genera arboles que descubren automaticamente los subgrupos donde el tratamiento tiene efectos distintos.

from econml.grf import CausalForest

# Caso: Efecto de una campana de marketing (email personalizado vs generico)
# sobre la tasa de conversion, con heterogeneidad segun perfil del cliente

causal_forest = CausalForest(
    n_estimators=2000,
    min_samples_leaf=20,
    max_depth=20,
    inference=True  # Intervalos de confianza via bootstrap
)

causal_forest.fit(Y, T, X=X)

# Efecto promedio y efectos condicionales
ate = causal_forest.ate(X)
cate = causal_forest.effect(X)

# Para un nuevo cliente, predecir el efecto de la campana
nuevo_cliente = np.array([[
    35,    # edad
    850,   # credit_score
    2.4,   # ingresos_mensuales_miles
    0,     # es_cliente_previo
    4.2    # engagement_score
]])

efecto_predicho = causal_forest.effect(nuevo_cliente)
intervalo = causal_forest.effect_interval(nuevo_cliente, alpha=0.05)
print(f"Efecto esperado: +{efecto_predicho[0]:.1%} conversion")
print(f"IC 95%: [{intervalo[0][0]:.1%}, {intervalo[1][0]:.1%}]")

# Interpretacion del modelo: cuales son los drivers de heterogeneidad?
# Feature importance basada en profundidad de split
importances = causal_forest.feature_importances_
feature_names = ["edad", "credit_score", "ingresos", "cliente_previo", "engagement"]
for name, imp in sorted(zip(feature_names, importances), 
                         key=lambda x: x[1], reverse=True):
    print(f"  {name}: {imp:.3f}")
# engagement_score: 0.342  <- Mayor heterogeneidad en CATE
# credit_score:     0.251
# ingresos:         0.198

Aplicaciones Reales en 2025-2026

El Stack Tecnologico del Causal ML en Python

El ecosistema de librerias en Python para inferencia causal ha madurado explosivamente en 2024-2025. Este es el stack estandar de un cientifico de datos causal en 2026:

Conclusion

El Causal ML representa la maduracion del machine learning como disciplina cientifica. Ya no basta con predecir; necesitamos entender por que nuestras predicciones funcionan, para quien, y bajo que condiciones. Esta es la diferencia entre un sistema que recomienda productos y uno que puede informar politicas publicas que afectan millones de vidas.

Para economistas, el mensaje es claro: los metodos no parametricos y de ML no son amenazas a la econometria tradicional, sino extensiones que permiten responder preguntas que antes eran intratables. Para data scientists, el mensaje es igual de importante: sin un marco causal explicito, tus modelos pueden estar identificando correlaciones espurias que colapsan en produccion.

En 2026, todo equipo de data science en finanzas, marketing, salud o politicas publicas deberia tener al menos un especialista en inferencia causal. Las herramientas estan maduras, la teoria es solida, y el impacto en el mundo real ya es medible. El puente entre la econometria y el machine learning esta construido. Es hora de cruzarlo.