🔗 Inferencia Causal 🔗

Correlación no es causalidad ” pero a veces sí

DAGs Simpson IV / DiD
👨�👧 Piénsalo así: La inferencia causal es como un juicio de paternidad: no basta con el parecido (correlación), necesitas pruebas. Un DAG es como el árbol genealógico de tus variables. La paradoja de Simpson es como un testigo que miente si no ves el grupo completo.

🎯 ¿Qué aprenderás?

Paradoja de Simpson ” El confounder oculto

Ajusta el confounder (Z) para ver cómo cambia la correlación entre X e Y.

r = 0.00
Sin confounder: casi no hay correlación.

DAGs: la gramática de la causalidad

X
Exposición
�’
Y
Outcome
�‘
Z
Confounder

Z afecta tanto a X como a Y �’ abre una "backdoor path". Controlar Z cierra la puerta.

Confounder: abrir Collider: cerrar Mediator: no controlar

Métodos de inferencia causal

🎻 Instrumental Variables (IV)

Cuando el tratamiento es endógeno, un instrumento Z que solo afecta Y vía X permite estimar el efecto causal.

📅 Difference-in-Differences (DiD)

Compara el cambio pre-post en el grupo tratado vs el cambio en el control. Asume tendencias paralelas.

�‚️ Regression Discontinuity (RDD)

Cuando el tratamiento se asigna por un umbral (ej: beca si nota > 70), comparar justo arriba vs justo abajo estima el efecto causal.

💡 Mueve el slider del confounder para ver cómo la paradoja de Simpson invierte la correlación aparente.

📌 Resumen del módulo

Menú