Actualizado el jueves, 6 junio, 2024
The Book of Why introduce conceptos básicos de métodos estadísticos de argumentación y defiende un modelo matemático de causalidad. Durante décadas, el mantra «la correlación no implica causalidad» ha sido recalcado por los estadísticos. El resultado ha sido el estancamiento en muchas formas de investigación, y este libro tiene como objetivo hacer retroceder esta tendencia.
En «El Libro del Por Qué», se introducen conceptos fundamentales de métodos estadísticos de argumentación y se fortalece un modelo matemático sólido de causalidad. Durante décadas, ha resonado el dicho «la correlación no implica causalidad» entre los estadísticos, dando forma al panorama de la investigación y la indagación. Sin embargo, este libro busca desafiar y trascender esta noción predominante, anunciando una nueva era de comprensión y descubrimiento.
La causalidad es un concepto fundamental que permea todos los aspectos de la vida y el conocimiento humano. Desde las filosofías más antiguas hasta las teorías científicas más avanzadas, la noción de causa y efecto ha sido central en nuestra comprensión del mundo que nos rodea. En este artículo, exploraremos la causalidad desde sus raíces filosóficas hasta su aplicación en la vida cotidiana en el mundo moderno.
Definición de Causalidad
La causalidad se refiere a la relación entre un evento (la causa) y otro evento (el efecto), donde el primero es entendido como lo que produce el segundo. Esta relación implica una conexión necesaria y constante entre ambos eventos, donde la presencia de la causa siempre resulta en la ocurrencia del efecto.
Importancia en la Filosofía y Ciencia
Desde tiempos antiguos, filósofos como Aristóteles han debatido sobre la naturaleza de la causalidad y su papel en la comprensión del universo. En la filosofía, la causalidad es un tema central en la metafísica, epistemología y ética, influenciando cómo entendemos el mundo y nuestras acciones dentro de él. En la ciencia, la causalidad es fundamental para la formulación de teorías y la predicción de fenómenos naturales.
Teorías de la Causalidad
Aristóteles y la Causalidad Clásica
Aristóteles propuso una teoría de la causalidad que incluía cuatro tipos: la causa material, la causa formal, la causa eficiente y la causa final. Según esta visión, cada objeto o fenómeno tiene una causa que lo define y da origen a su existencia.
Kant y la Causalidad en el Conocimiento
Immanuel Kant desarrolló una teoría trascendental de la causalidad, argumentando que la causalidad no es una característica inherente del mundo, sino una estructura a priori de la mente humana. Según Kant, nuestra comprensión de la causalidad es fundamental para la organización y la interpretación de la experiencia.
La Causalidad en la Física Moderna
Isaac Newton y la Ley de Causa y Efecto
Newton postuló que cada acción tiene una reacción igual y opuesta, estableciendo así la famosa Ley de Causa y Efecto. Esta ley fue fundamental para el desarrollo de la física clásica y sentó las bases para nuestra comprensión moderna del universo.
Teoría Cuántica y la Interpretación de Causalidad
En la física cuántica, la noción de causalidad se vuelve más compleja, con fenómenos como la superposición y el entrelazamiento cuántico desafiando nuestras intuiciones sobre la relación entre causa y efecto. Las interpretaciones de la causalidad en el mundo cuántico siguen siendo un área activa de investigación y debate.
Causalidad en la Psicología y la Sociedad
Causalidad en el Comportamiento Humano
En psicología, la causalidad es fundamental para comprender cómo las acciones, pensamientos y emociones de las personas están influenciados por factores internos y externos. La investigación en este campo busca identificar las relaciones causales entre variables para informar la práctica clínica y el bienestar humano.
Implicaciones en la Sociedad y las Políticas Públicas
La comprensión de la causalidad también tiene importantes implicaciones en la sociedad y las políticas públicas. Desde la salud pública hasta la economía, la capacidad de identificar y comprender las causas de los fenómenos sociales es crucial para abordar problemas y promover el progreso.
La Causalidad en la Vida Cotidiana
Ejemplos de Causalidad en la Vida Diaria
En nuestra vida cotidiana, encontramos innumerables ejemplos de causalidad. Desde el simple acto de encender un interruptor y encender una luz hasta las complejas interacciones sociales y económicas, la causalidad está presente en cada aspecto de nuestras experiencias.
Reflexión sobre la Importancia de Comprender la Causalidad
Comprender la causalidad nos permite no solo explicar el pasado y predecir el futuro, sino también intervenir y cambiar el curso de los eventos. Al reflexionar sobre la importancia de este concepto, podemos desarrollar una apreciación más profunda de la interconexión de todas las cosas en el universo.
La causalidad es un principio fundamental que subyace a nuestra comprensión del mundo y nuestro lugar en él. Desde las teorías filosóficas de la antigüedad hasta las investigaciones científicas más avanzadas, la noción de causa y efecto sigue siendo central en nuestra búsqueda de conocimiento y significado. Al entender la causalidad, podemos apreciar mejor la complejidad y la belleza de la realidad que nos rodea.
Preguntas Frecuentes
1. ¿Qué es la causalidad?
La causalidad se refiere a la relación entre un evento (la causa) y otro evento (el efecto), donde el primero es entendido como lo que produce el segundo.
2. ¿Por qué es importante entender la causalidad?
Comprender la causalidad nos permite explicar el pasado, predecir el futuro e intervenir para cambiar el curso de los eventos.
3. ¿Cuáles son algunas teorías importantes de la causalidad?
Entre las teorías más importantes se encuentran las de Aristóteles, Kant y Newton, cada una aportando una perspectiva única sobre este concepto fundamental.
4. ¿La causalidad se aplica solo a la ciencia?
No, la causalidad es un principio que se aplica a todos los aspectos de la vida, incluyendo la filosofía, la psicología y la sociedad.
5. ¿Cómo puedo aplicar el concepto de causalidad en mi vida diaria?
Puedes aplicar la causalidad identificando las causas detrás de tus acciones y decisiones, y reflexionando sobre cómo estas influencian los resultados que experimentas.
La Importancia de la Causalidad
La causalidad, la idea de que un evento causa otro, yace en el corazón de la indagación científica y la comprensión humana. Desde descifrar los mecanismos de la enfermedad hasta explorar las complejidades de los fenómenos sociales, discernir relaciones causales es fundamental. Sin embargo, la distinción entre correlación y causalidad ha sido a menudo un obstáculo, obstaculizando el progreso y sofocando la innovación.
Acortando la Brecha: Métodos Estadísticos
«El Libro del Por Qué» sirve como un faro de claridad en el ámbito de los métodos estadísticos, ofreciendo un marco integral para elucidar relaciones causales en medio del mar de correlaciones. Al tejer insights de la teoría de la probabilidad, modelos gráficos e inferencia causal, el libro equipa a investigadores y profesionales con herramientas poderosas para discernir la causalidad de la simple asociación.
Teoría de la Probabilidad: Fundamentos de la Inferencia
En el núcleo del razonamiento estadístico yace la teoría de la probabilidad, proporcionando los cimientos matemáticos para la inferencia y la toma de decisiones. A través de un razonamiento probabilístico riguroso, «El Libro del Por Qué» ilumina la naturaleza probabilística de las relaciones causales, guiando a los lectores a través de las sutilezas de la incertidumbre y la inferencia.
Modelos Gráficos: Visualizando la Causalidad
Los modelos gráficos emergen como un paradigma poderoso para representar y razonar sobre relaciones causales. Al codificar dependencias entre variables en una estructura gráfica, estos modelos ofrecen insights intuitivos sobre los mecanismos causales subyacentes. «El Libro del Por Qué» navega a través de las complejidades de los modelos gráficos, empoderando a los lectores para explorar la red de causalidad.
Inferencia Causal: De Observaciones a Intervenciones
Central en la búsqueda de la causalidad es la capacidad de pasar de la observación pasiva a la intervención activa. Las técnicas de inferencia causal elucidan los efectos de las intervenciones, permitiendo a los investigadores evaluar el impacto causal de acciones y políticas. A través de una mezcla de razonamiento contrafactual y modelado de ecuaciones estructurales, «El Libro del Por Qué» traza un curso hacia insights accionables y toma de decisiones informada.
Potenciando la Innovación y el Descubrimiento
Más allá del ámbito académico, «El Libro del Por Qué» tiene profundas implicaciones para campos diversos que van desde la atención médica hasta la economía. Al desmitificar el esquivo concepto de causalidad, allana el camino para descubrimientos innovadores e innovaciones transformadoras. Desde la medicina personalizada hasta la formulación de políticas basadas en evidencia, los insights obtenidos de esta obra seminal están listos para remodelar el tejido de la sociedad.
En «El Libro del Por Qué», los límites de la inferencia estadística son empujados, y el velo de la causalidad es levantado. A través de una síntesis de teoría rigurosa y aplicaciones prácticas, esta obra maestra ofrece un mapa para explorar los misterios de la causalidad. Armados con los insights destilados de este trabajo seminal, tanto los investigadores como los profesionales están preparados para embarcarse en un viaje de descubrimiento y esclarecimiento.
Aprenda a desafiar algunas de las suposiciones más básicas sobre los datos
No importa cuál sea su entrenamiento o lo que haga para ganarse la vida, en algún momento estará obligado a tener algunas preguntas fundamentales sobre cómo las cosas llegaron a ser como son, o cómo deberían ser.
¿Cómo perdiste esa conexión de vuelo cuando estabas a punto de irte de vacaciones? ¿Lo habrías logrado si las circunstancias hubieran sido diferentes? ¿Cómo te las arreglaste para conseguir la última mesa en el restaurante? ¿Qué estrategias podría emplear la próxima vez para asegurarse de que su suerte se mantenga?
Cuando se pone a responder preguntas como estas, se trata de lidiar con la causa y el efecto, es decir, cómo varios factores conducen a diferentes resultados.
Cuando pasa de la experiencia personal y anecdótica y busca reglas más sustanciales a seguir, puede usar las matemáticas y las estadísticas para ayudarlo. Pero ten cuidado; Durante años ha sido axiomático que hay que distinguir entre los factores verdaderos que afectan el resultado y los que parecen hacerlo, pero de hecho no lo hacen. En otras palabras, separar entre causalidad y correlación.
La causalidad indica que una relación es de causa y efecto, mientras que la correlación implica una especie de conexión entre dos variables, pero nada más.
Únase a los autores Pearl y Mackenzie mientras desacreditan algunas de las “verdades” más básicas de las matemáticas. Incluso podría aprender a jugar un poco mejor con su vida en el camino.
En estos consejos aprenderás
- por qué la gente alguna vez pensó que la vacuna contra la viruela era peor que contraer la enfermedad en sí:
- por qué las computadoras no son tan avanzadas como nos gusta pensar; y
- cuya figura bíblica realizó uno de los primeros experimentos controlados.
Algunos estadísticos han despreciado la noción de causalidad.
Si ha pasado algún tiempo cerca de un instituto de educación superior o, francamente, si alguna vez escuchó a un cerebrito desestimar los informes del gobierno sobre las noticias, es probable que haya escuchado la frase «correlación no implica causalidad» repetida hasta la saciedad. . Prácticamente se ha aceptado como un hecho durante las últimas décadas.
En parte, esto se debe al hecho de que la comunidad científica ha minimizado la causalidad como una idea. A principios del siglo XX, el matemático inglés Karl Pearson personificó este punto de vista.
El laboratorio de biometría de Pearson era la principal autoridad mundial en estadística, y le gustaba afirmar que la ciencia no era más que datos puros. La idea era que, dado que no se podía probar la causalidad, no se podía representar como datos. Por lo tanto, vio la causalidad como científicamente inválida.
A Pearson le gustaba probar su punto señalando las correlaciones que consideraba falsas. Uno de los favoritos fue la observación de que si una nación consume más chocolate per cápita, produce más premios Nobel. Para él, era una correlación sin sentido, por lo que buscar la causalidad era innecesario.
Pero este intento de ridiculizar en realidad esconde un factor causal; ¡ Es más probable que las naciones más ricas consuman más chocolate, así como es más probable que produzcan avances científicos notables para el comité del Nobel!
Además de eso, más tarde resultó que la causalidad se podía representar matemáticamente. Esto es lo que demostró el genetista Sewall Wright mientras investigaba en la Universidad de Harvard en 1912.
Wright estaba estudiando las marcas en el pelaje de los conejillos de indias para determinar hasta qué punto eran hereditarias. Encontró la respuesta a esta pregunta causal utilizando datos.
Comenzó con un diagrama matemático. Wright dibujó flechas que conectaban causas y resultados, vinculando los colores del pelaje de los animales con los factores contribuyentes en su entorno y desarrollo inmediatos.
Wright también desarrolló un diagrama de ruta para representar estas relaciones, en el que un signo «mayor que» (>) significa «tiene un efecto sobre». Por ejemplo: factores de desarrollo> período de gestación> patrón del pelaje.
Wright luego convirtió este diagrama en una ecuación algebraica, usando los datos recopilados. Demostró que el 42 por ciento de un patrón de pelaje dado fue causado por herencia, mientras que el 58 por ciento fue el resultado de factores de desarrollo.
Dado el clima científico, Wright recibió un palo: fue atacado con tanta vehemencia que sus métodos para establecer la causalidad a partir de la correlación estuvieron enterrados durante décadas.
Pero los tiempos han cambiado; finalmente ha llegado el momento de revivir su obra. Los campos de investigación, desde la medicina hasta la ciencia del clima, están comenzando a dar la bienvenida a la causalidad como principio. Seguramente ha comenzado la Revolución Causal.
Los datos por sí solos pueden inducir a error cuando se descuida la causalidad.
Es una verdad generalmente reconocida que si realmente desea comprender la causa raíz de algo, tendrá que recopilar datos al respecto.
Sin embargo, se debe hacer una nota de precaución: a menos que los datos se analicen correctamente, se pueden malinterpretar enormemente.
Algo así sucedió con la vacuna contra la viruela. Cuando se introdujo la vacuna en el siglo XVIII, los datos parecían mostrar que la vacuna en realidad estaba causando más muertes que la propia viruela.
Usemos algunos números hipotéticos para demostrar el caso. Imagínese que de 1 millón de niños, el 99 por ciento recibe la vacuna contra la viruela. Existe un 1 por ciento de posibilidades de que la vacuna provoque una reacción y un 1 por ciento de posibilidades de que esa reacción sea mortal. En otras palabras, 99 muertes.
Por el contrario, el 1 por ciento del millón de niños no está vacunado. Estos 10,000 niños tienen un 2 por ciento de probabilidades de desarrollar viruela. Y de estos 200, el 20 por ciento morirá. Son 40 niños.
Cuando se comparan 99 muertes relacionadas con la vacuna con 40 muertes causadas por enfermedades, puede ver por qué la gente podría pensar que la vacuna es más mortal.
Pero aquí está el problema. Si queremos comprender realmente los datos, tenemos que mirar más que solo lo básico.
Entonces, en el caso de los datos de la vacuna contra la viruela, realmente debemos hacernos la pregunta: «¿Cuántos habrían muerto si nadie hubiera sido inoculado?»
Ejecute las sumas y verá que 4.000 niños habrían muerto. Los datos tal como están oscurecen ese hecho y los indudables beneficios de la vacuna.
Todo esto demuestra que los datos se pueden usar para encontrar conexiones entre casi cualquier cosa.
Es posible que se sorprenda al saber que los datos muestran una relación entre el tamaño de los zapatos de un niño y su capacidad de lectura.
Puede parecer una tontería que los dos estén relacionados, pero lo son por una causa común: la edad. Los niños mayores tendrán los pies más grandes en promedio que los niños más pequeños y serán mejores lectores.
Es tan solo el descuido de las causas comunes lo que llevó a Pearson a desestimar la relación entre el consumo de chocolate y los ganadores del premio Nobel.
Para solucionar este problema, los autores han desarrollado un proceso para mirar más allá de la observación inicial de datos. Lo llaman la Escalera de la causalidad y comenzaremos a subirla ahora.
El primer peldaño de la Escala de causalidad tiene que ver con la asociación y la probabilidad.
Por naturaleza, nos inclinamos a mirar el mundo que nos rodea y comenzar a hacer conexiones. Es ese tipo de pensamiento el que se encuentra en el primer peldaño de la Escala de la causalidad. Curiosamente, aunque estamos programados para hacerlo casi desde el nacimiento, las máquinas que hemos creado para ayudarnos en nuestra vida diaria aún no pueden acercarse.
Atrapados en este primer peldaño están la mayoría de los animales, así como los programas de Inteligencia Artificial.
Un búho, por ejemplo, rastrea a su presa monitoreando sus movimientos. Intenta predecir dónde estará la presa en el próximo momento. El motivo por el que se mueve la presa no le interesa al búho.
Los coches autónomos pueden parecer muy futuristas, pero su IA no puede pasar el primer paso de la escalera. Dado que están programados solo para reaccionar a la observación, un automóvil no puede resolver, por ejemplo, las diversas reacciones potenciales que tendrá un peatón que cruza la calle ebrio a la bocina de un automóvil. Todos los escenarios posibles y potenciales tendrían que programarse en el automóvil para que pueda reaccionar adecuadamente a cada uno.
También se puede pensar que la recopilación de datos existe en ese primer escalón porque implica proyecciones basadas en la observación pasiva.
Imagine que se le pide a un director de marketing que averigüe la probabilidad de que un cliente que compra pasta de dientes también compre hilo dental. Probablemente recopilaría datos sobre el número de clientes que compran pasta de dientes y los que compran hilo dental.
Simbólicamente, las estadísticas representan esta consulta como P (hilo dental | pasta de dientes) o «¿Cuál es la probabilidad de usar hilo dental, dado que ve pasta de dientes?»
Este tipo de preguntas forman la base básica de las estadísticas. Pero no nos dicen nada sobre causa y efecto. ¿Cómo puede calcular el director de marketing si la causa es la pasta de dientes o el hilo dental? Al examinar las ventas de productos de higiene dental, puede que al final no sea tan importante. Pero, en la mayoría de las otras ocasiones, está claro que observar la probabilidad básica por sí solo no es lo suficientemente informativo.
El segundo peldaño de la escalera es la intervención, que utilizamos tanto en el día a día como en la investigación.
Progresar en la escala de la causalidad requiere no solo observar el mundo, sino también cambiarlo. Solo los humanos hacen esto de forma regular.
El segundo peldaño de la escalera está tipificado por la pregunta “¿Y si lo hacemos? . . ? «
Lo importante es la parte de «hacer». A diferencia del primer peldaño pasivo, el segundo peldaño se caracteriza por influir activamente en los resultados.
Imagina que tienes dolor de cabeza y tomas un analgésico. Esa es una intervención activa destinada a aliviar el dolor que está experimentando.
Volvamos a nuestro gerente de marketing de higiene dental desde el último consejo. Podría preguntar: «¿Se verán afectadas las ventas de hilo dental si cambiamos el precio de la pasta de dientes?»
Por el contrario, es posible que se sorprenda al saber que las computadoras no se pueden programar actualmente para hacer estas preguntas con precisión. Y es por eso que no pueden pasar del primer peldaño de la escalera.
Una de las mejores formas de probar el efecto de algo es realizar un experimento controlado.
Un experimento controlado implica tomar grupos lo más similares posible entre sí y aplicar una prueba a uno pero no al otro. Como resultado, la variable y su efecto se pueden medir de forma objetiva y aislada.
Este tipo de experimentos controlados no son nuevos; en realidad, se informan en la Biblia. En la historia de Daniel, el rey de Babilonia Nabucodonosor buscó a algunos de los nobles capturados de Jerusalén para su corte, como era costumbre. Esto implicó educarlos en la dieta babilónica de élite de carnes y vino ricos. Sin embargo, de acuerdo con las leyes dietéticas judías, algunos de los niños judíos no comían la carne.
Daniel fue uno de ellos. Sugirió que a él y a tres amigos se les diera una dieta vegetariana, mientras que otro grupo de niños tenía la dieta del rey. A este segundo grupo lo llamaríamos grupo de control en estos días. Después de diez días compararían los resultados. No hace falta decir que el grupo de Daniel floreció y Nabucodonosor les dio puestos en la corte superior.
Un ejemplo más moderno sería Facebook. A la compañía le encanta experimentar con arreglos de elementos en páginas web y comparar diferentes grupos que ven diferentes configuraciones entre sí.
El tercer y último peldaño de la escalera implica enfrentarse a los contrafácticos.
El tercer peldaño en la escalera es exclusivo de los humanos: es la capacidad de imaginar cómo diferentes intervenciones pueden conducir a diferentes resultados.
Una forma común de poner en práctica esta imaginación es utilizar modelos contrafácticos. En otras palabras, imaginar lo que sucedería si se tomara otra acción.
Los científicos del clima, por nombrar un grupo, hacen esto todo el tiempo haciendo preguntas como: «¿Veríamos olas de calor intensas si el dióxido de carbono en la atmósfera estuviera en niveles preindustriales?»
Los contrafactuales también se pueden aplicar a eventos pasados. Son comunes en los procedimientos judiciales en los que toman la forma de preguntas de «causalidad». Cuando alguien ha sido asesinado a tiros, un juicio tiene como objetivo responder a la pregunta «Si el acusado aprieta el gatillo, ¿la víctima habría muerto?»
Este tipo de preguntas contrafácticas son ajenas a las máquinas.
Si una casa se incendia después de que alguien enciende un fósforo, la mayoría de la gente estaría feliz de afirmar que la casa todavía estaría en pie si no fuera por el fósforo encendido.
Sin embargo, hablando lógicamente, también es cierto que todavía estaría en pie si no hubiera oxígeno presente. Si bien el oxígeno es normal y esperado, el encendido del fósforo no lo es, por lo que ignoramos la relación causal entre el oxígeno y el fuego.
Una computadora no piensa de esa manera. Para ello, tanto el fósforo encendido como el oxígeno se considerarían factores iguales. En lenguaje matemático, ambos son «causas necesarias». Por lo tanto, es probable que la computadora concluya que el oxígeno fue el culpable del incendio.
Una computadora también podría calcular si el fósforo fue una «causa suficiente» del incendio. Esto significa que, aunque otros factores pueden haber sido necesarios para que se iniciara el incendio, la computadora determina si la coincidencia fue lo suficientemente responsable como para ser considerada la causa . Si se hubiera programado para reconocer que el oxígeno era necesario para un incendio, podría concluir que fue la causa.
Comprender los tres peldaños de la Escala de causalidad es crucial para ayudarnos a comprender las cuestiones causales. Pero esto plantea la pregunta: en los estudios científicos, ¿qué factores de complicación deben identificarse en los diferentes peldaños de la escalera? Veamos eso a continuación.
Controlar los factores de confusión es importante para establecer la causalidad.
Ya hemos visto el caso de los ensayos controlados. Pero incluso en estos escenarios, debemos tener cuidado; los resultados aún pueden ser engañosos si no se identifican los factores de influencia conocidos como factores de confusión .
Aquí sería mejor retroceder un momento para establecer una definición. Los factores de confusión influyen tanto en los participantes como en el resultado del experimento. Generalmente se asocian con el segundo peldaño de la Escala de Causalidad, ya que ajustar un experimento para tenerlos en cuenta requiere intervención.
Por ejemplo, cuando un grupo de prueba es mucho más joven que un grupo de control en promedio, la edad se convierte en un factor de confusión. Para controlarlo, solo deben compararse personas de edades similares entre los grupos.
Pero los factores de confusión son cosas complicadas, ya que a menudo es muy difícil eliminarlos. De hecho, esa es exactamente la razón por la que hubo un debate tan animado sobre el vínculo entre el tabaquismo y el cáncer de pulmón en las décadas de 1950 y 1960. Era imposible para los escépticos descartar que una tercera variable, como la genética, pudiera ser la responsable.
Sin embargo, una forma de controlar los factores de confusión es introducir la aleatorización.
Por ejemplo, los sesgos de los investigadores son un factor de confusión. Estos se pueden controlar asignando participantes al azar a los grupos de control y de tratamiento. De esa manera, ni los participantes ni los investigadores saben quién está en qué grupo, que es precisamente la razón por la que se administran placebos al grupo de control en los ensayos médicos.
Pero la aleatorización no siempre es práctica o ética. Por ejemplo, los investigadores no podían decir éticamente a un grupo aleatorio de personas que fume durante 30 años para probar el vínculo con el cáncer. ¡Podría matarlos!
Del mismo modo, no tiene mucho sentido renunciar a un ensayo controlado aleatorio a favor de la recopilación de datos de personas que, por ejemplo, están tomando medicamentos recetados por su propia voluntad.
Los datos arrojarían resultados completamente engañosos. La decisión de las personas de tomar o no el medicamento puede basarse en todo tipo de razones, como la asequibilidad. En ese caso, solo las personas dentro de un determinado nivel de ingresos proporcionarían datos en el ensayo.
Una forma de controlar esto sería que los investigadores intervinieran realizando un experimento controlado. Los autores llaman a estas acciones «factores de acción».
La identificación de un mediador puede ser vital para establecer una causalidad correcta.
Saber que existe la causalidad es solo la mitad de la batalla. Lo que realmente importa es establecer por qué una cosa causa otra.
Si puede averiguar por qué una enfermedad es causada por una determinada cosa, eso facilitará mucho la prevención y la búsqueda de una cura.
Un mediador es una variable que nos dice por qué un factor conduce a un resultado en particular.
Esto se ilustra mejor con un ejemplo. Las casas están equipadas con alarmas para avisarnos si se produce un incendio. Pero, en realidad, están ahí para detectar humo. El humo es el mecanismo, el mediador, mediante el cual sabemos que ha comenzado un incendio. Un diagrama causal para estas relaciones las expresaría como fuego> humo> alarma.
Los mediadores están en el tercer peldaño de la Escalera de la Causalidad porque van de la mano con los contrafácticos. Podríamos preguntar, por ejemplo, «¿El fuego habría disparado la alarma si no fuera por el humo?»
Los mediadores son cosas útiles, entonces, pero podemos tener problemas si empezamos a identificarlos erróneamente.
El ejemplo clásico es el escorbuto, la enfermedad que asoló a los marineros durante siglos. Ahora sabemos que se puede prevenir tomando vitamina C. Sin embargo, cuando se notó en 1747 que los cítricos contrarrestaban el escorbuto, la gente asumió que era la acidez de los frutos lo que estaba haciendo el trabajo. Después de todo, las vitaminas no se descubrieron hasta 1912.
La ruta causal es la fruta cítrica> los niveles de vitamina C en el cuerpo> el escorbuto.
A pesar de que los marineros habían identificado incorrectamente al mediador, el escorbuto todavía estaba prácticamente eliminado en las filas de la Armada británica mediante la distribución juiciosa de frutas cítricas. Pero el mismo error resultó en el desastre que sobrevino a la Expedición Británica al Ártico de 1875.
En ese viaje, el jugo de lima de los marineros era ciertamente ácido, pero carecía de vitamina C. En poco tiempo, se hizo evidente la aparición del escorbuto.
Sin embargo, algunos de los marineros también estaban comiendo carne fresca de reno, que contiene vitamina C. En consecuencia, cuando los marineros que comían carne enlatada enfermaron de escorbuto, los médicos concluyeron que la causa era la mala carne.
Fue una deducción que resultó mortal; el mediador había sido identificado erróneamente. Como resultado, la expedición al Polo Sur de Robert Falcon Scott desembarcó sin cítricos. Solo un miembro de la tripulación afectado por el escorbuto regresó con vida, mientras que dos de los cinco que murieron probablemente murieron de escorbuto.
Para poner todo eso en términos hipotéticos, si los médicos hubieran sabido acerca de las vitaminas cuando el escorbuto estaba muy extendido, el destino de la tripulación de Scott bien podría haber sido diferente.
Los factores y sus relaciones se pueden expresar con fórmulas matemáticas, que podrían convertirse en algoritmos.
Hemos reflejado bastante sobre la causalidad hasta ahora. Pero, ¿nos ayudan estas reflexiones a determinar si la correlación implica causalidad? Del mismo modo, ¿qué potencial tendría una respuesta para la IA?
Lo primero que podemos hacer es dibujar diagramas causales. Después de eso, es posible crear una fórmula matemática que demuestre la probabilidad de que exista una relación entre correlación y causalidad.
Un diagrama causal presenta todos los factores conocidos en un solo lugar. Los factores que se afectan directamente entre sí se vinculan con flechas. Entonces es posible ver claramente cuáles son mediadores y cuáles son factores de confusión.
Los especialistas en atención médica bien podrían intentarlo cuando prueben la eficacia de un medicamento que pretende reducir la presión arterial. Podrían dibujar un diagrama con flechas que vinculen el medicamento y la presión arterial, la vida útil y la presión arterial, y el medicamento y la vida útil.
Dado que la edad afecta tanto a la presión arterial como a la vida útil, de manera bastante independiente del medicamento, está vinculada a ambos factores con una flecha que apunta en dos direcciones, lo que identifica la edad como un factor de confusión. O, simbólicamente: edad ← → presión arterial.
Gracias al diagrama, la probabilidad de una vida útil de cualquier duración dada, suponiendo que el individuo haya tomado el medicamento, se puede expresar en una fórmula.
Lo inteligente es la metodología. Debido a que progresa lógicamente paso a paso, esto significa que los robots pueden ser los beneficiarios finales.
Este proceso de causa y efecto podría programarse en una computadora. Lo usaríamos tal como usamos los diagramas de ruta: se introducirían suposiciones y datos y luego plantearíamos una pregunta.
Si la computadora determina que la pregunta puede responderse utilizando el modelo causal, entonces diseñaría una fórmula matemática.
Esta fórmula podría usarse para calcular no solo una respuesta, sino también la incertidumbre estadística en esa respuesta. Esta incertidumbre es un reflejo del conjunto de datos limitado, así como posibles errores de medición.
Esto significaría que, por primera vez, las computadoras podrían preguntar «¿por qué?»
No tenemos que pensar mucho para ver los beneficios que podrían surgir si pudiéramos hacer preguntas causales a las computadoras: ¿Qué tipos de planetas podrían sustentar la vida? ¿Existe un gen que cause cáncer?
Sin duda, hay enormes avances en la ciencia y la medicina disponibles.
No comprender exactamente cómo funciona la causalidad ha dañado todas las áreas de investigación y ha obstaculizado los avances científicos. Es perfectamente posible, en contradicción con la sabiduría recibida, establecer un proceso lógico para determinar cuándo la correlación implica causalidad. Además, este método también podría programarse en computadoras para que puedan responder preguntas causales y así garantizar avances científicos rigurosos durante las próximas décadas.
Algunas preguntas clave sobre la causalidad:
- ¿Cómo ha afectado la falta de comprensión sobre la causalidad a las áreas de investigación?
- La falta de comprensión sobre la causalidad ha afectado negativamente todas las áreas de investigación, obstaculizando los avances científicos.
- ¿Es posible establecer un proceso lógico para determinar cuándo la correlación implica causalidad?
- Sí, a pesar de la creencia popular, es perfectamente posible establecer un proceso lógico para determinar cuándo la correlación implica causalidad.
- ¿Qué implica el establecimiento de un proceso lógico en este contexto?
- Implica desarrollar un método riguroso para discernir cuándo la correlación entre dos eventos realmente implica una relación causal entre ellos.
- ¿Qué sugiere la idea de que este proceso podría programarse en computadoras?
- Sugiere que este proceso podría ser automatizado y convertido en un algoritmo computacional para que las computadoras puedan analizar y responder preguntas causales de manera eficiente.
- ¿Cuál sería el beneficio de programar este proceso en computadoras?
- El beneficio sería garantizar avances científicos rigurosos y acelerar el proceso de investigación al permitir un análisis más rápido y preciso de las relaciones causales.
- ¿Cómo podría este enfoque mejorar la calidad de la investigación científica en el futuro?
- Este enfoque podría mejorar la calidad de la investigación científica al proporcionar una herramienta confiable y objetiva para determinar la causalidad, lo que llevaría a descubrimientos más sólidos y fiables.
- ¿Qué implicaciones tendría el uso de este método en diversas disciplinas científicas?
- El uso de este método tendría implicaciones significativas en diversas disciplinas científicas, desde la medicina hasta la economía, al permitir una comprensión más precisa de las relaciones causa-efecto.
- ¿Qué desafíos podrían surgir al implementar este enfoque en la investigación científica?
- Algunos desafíos podrían incluir la complejidad de modelar relaciones causales en sistemas complejos y la necesidad de validar y ajustar continuamente los algoritmos informáticos.
- ¿Cómo podrían los investigadores colaborar con los expertos en informática para desarrollar y mejorar este método?
- Los investigadores podrían colaborar estrechamente con los expertos en informática para desarrollar modelos computacionales más precisos y eficientes, así como para validar los resultados obtenidos.
- ¿Cuál sería el impacto a largo plazo de la implementación exitosa de este enfoque en la investigación científica?
- El impacto a largo plazo sería la aceleración del progreso científico, la generación de conocimientos más confiables y la mejora de la calidad de vida a través de descubrimientos y avances innovadores en diversas áreas.