Hay un umbral de tolerancia que, una vez cruzado, hace imposible el debate productivo. Para mí ese umbral es claro: cuando un profesional con formación de posgrado en economía, estadística, demografía o epidemiología viola los teoremas del cálculo causal de Judea Pearl — y lo hace con seguridad, en público — pierdo todo respeto intelectual por esa persona.
Así de simple.
"Los transeúntes y parroquianos tienen la disculpa de la falta de acceso a la educación superior. El profesional titulado no tiene excusa — solo ignorancia continua auto-infligida."
El Book of Why de Pearl está en Amazon por $15. Hay cursos gratuitos en YouTube. Angrist e Imbens ganaron el Premio Nobel de Economía en 2021 precisamente por sistematizar estos métodos. En 2026, seguir confundiendo correlación con causalidad en un debate académico o de política pública no es un error — es una elección.
Dos tradiciones, un mismo problema
La inferencia causal moderna descansa sobre dos pilares que llegaron al mismo problema desde ángulos distintos y terminaron convergiendo.
Modelo de Resultados Potenciales. Lenguaje de contrafactuales. Ideal para experimentos y cuasi-experimentos. Muy operacional.
Modelos Causales Estructurales con DAGs. Visualiza colisionadores y mediadores. Transparente en lo que asumes. Ideal para razonar sobre mecanismos.
Las reglas de d-separación en DAGs generan condiciones de identificación analíticamente equivalentes a los supuestos de ignorabilidad de Rubin.
Pearl y Imbens han debatido públicamente sobre cuál framework es más intuitivo. Ese debate es productivo y honesto — ninguno niega al otro. Lo que no es aceptable es no conocer ninguno de los dos.
El problema central: endogeneidad
Los economistas rara vez pueden realizar experimentos controlados — por razones éticas, no puedo hacer un experimento de hambre. Dependen casi por completo de datos observacionales. Y en datos observacionales, el mayor enemigo de la inferencia válida es la endogeneidad: el sesgo introducido por variables omitidas.
El marco estadístico de Neyman y Rubin encajó perfectamente con esta necesidad. Posteriormente, econometristas como Angrist e Imbens lo fusionaron con diseños cuasi-experimentales, permitiendo a la economía dejar de depender de correlaciones débiles y comenzar a probar relaciones de causa y efecto con rigor matemático. Este cambio se conoce como la revolución de la credibilidad.
Antes de esa revolución, podías publicar una regresión con controles y llamarla "efecto causal." Hoy eso es inaceptable en cualquier revista seria.
Variables Instrumentales: la solución elegante
El método de Variables Instrumentales (IVREG) es uno de los pilares de la econometría moderna. Su importancia radica en que ofrece una solución matemática a la endogeneidad: usar una variable externa — el instrumento — que afecta el tratamiento pero no el outcome por ningún otro camino.
El ejemplo clásico es el de Card (1995): medir el impacto causal de la educación universitaria sobre el salario usando la distancia al campus como instrumento.
La lógica es elegante: nadie elige dónde nace. Al comparar los ingresos futuros de jóvenes que se matricularon solo porque tenían la universidad cerca — es decir, por suerte geográfica — se neutraliza la contaminación de la motivación, los recursos familiares y las redes de contactos previas.
1. Relevancia — El instrumento debe correlacionar con el tratamiento. (Distancia → probabilidad de matricularse.)
2. Exclusión — El instrumento solo afecta el outcome a través del tratamiento, por ningún otro camino.
3. Exogeneidad — El instrumento no puede estar correlacionado con las variables omitidas.
La condición que más se viola silenciosamente es la de exclusión. En el ejemplo de Card: ¿la distancia al campus afecta el salario solo vía educación? ¿O también vía acceso a empleadores en zonas universitarias, redes sociales locales, exposición a mayor capital cultural? Ese debate sigue vivo — y es exactamente el tipo de debate que debe ocurrir cuando se conoce el marco conceptual.
Además, IV no te da el ATE (Average Treatment Effect) — te da el LATE (Local Average Treatment Effect): el efecto causal solo para los compliers, aquellos que cambiaron su decisión precisamente por el instrumento. Eso limita la generalización, y muchos lo ignoran olímpicamente al interpretar resultados.
La obligación es del profesional, no del parroquiano
Quiero ser claro en algo: esta exigencia no aplica a todo el mundo. El ciudadano sin acceso a formación continua tiene la disculpa de la falta de oportunidades. La confusión entre correlación y causalidad está profundamente enraizada en cómo el cerebro humano procesa información — es un sesgo cognitivo, no una falla moral.
Pero el economista titulado que debate política pública. El estadístico que asesora estudios. El demógrafo que analiza tendencias. El epidemiólogo que evalúa intervenciones. Ellos no tienen esa disculpa.
La formación de posgrado en estas disciplinas viene con una responsabilidad epistémica. Emitir conclusiones causales sin el andamiaje metodológico correcto no es solo un error académico — es un daño potencial a decisiones que afectan personas reales.
Si te graduaste antes de 2021, te toca aprender esto por tu cuenta. El Nobel de ese año fue un recordatorio de que el campo ya tomó una dirección — y la dirección no es hacia atrás.
← Volver al blog