📊 statistics

Combining BART and Principal Stratification to estimate the effect of intermediate variables on primary outcomes with application to estimating the effect of family planning on employment in Nigeria and Senegal

Este artículo propone un enfoque de dos pasos que combina la estratificación principal y los árboles de regresión bayesianos (BART) para estimar y generalizar el efecto causal del uso de anticonceptivos modernos en el empoderamiento laboral de mujeres urbanas en Nigeria y Senegal, superando las limitaciones de los programas de planificación familiar al tratarlos como instrumentos en lugar de tratamientos directos.

Autores originales: Lucas Godoy Garraza, Ilene Speizer, Leontine Alkema

Publicado 2026-03-31

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Lucas Godoy Garraza, Ilene Speizer, Leontine Alkema

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este artículo es como una receta de cocina muy sofisticada que intenta responder una pregunta difícil: "¿Usar anticonceptivos modernos hace que las mujeres en Nigeria y Senegal trabajen más?"

Pero hay un problema: no podemos hacer un experimento donde obliguemos a algunas mujeres a usar anticonceptivos y a otras no (sería antiético). Además, las mujeres que eligen usarlos por su cuenta suelen ser diferentes a las que no los usan (quizás tienen más educación o más motivación). Si simplemente comparamos a ambas, no sabremos si trabajan más por los anticonceptivos o por su educación.

Los autores crearon una "fórmula mágica" en dos pasos (llamada Prince BART Generalized) para resolver esto. Aquí te lo explico con analogías simples:

Paso 1: Encontrar a los "Rebeldes" (El problema de la selección)

Imagina que hay un programa de salud que ofrece información sobre anticonceptivos en algunas ciudades (el "instrumento").

Algunas mujeres escuchan el consejo y empiezan a usar anticonceptivos. A estas las llamamos "Rebeldes" (o compliers en el estudio).
Otras mujeres, aunque escuchan el consejo, deciden no usarlos.
Otras ya los usaban antes.

El truco es que las "Rebeldes" son el único grupo que nos da información limpia. ¿Por qué? Porque su decisión de usar anticonceptivos fue provocada por el programa, no por su propia motivación interna. Es como si el programa las hubiera "empujado" suavemente a tomar la decisión.

La herramienta BART:
Para analizar a estas "Rebeldes", los autores usan una herramienta llamada BART (Árboles de Regresión Aditivos Bayesianos).

La analogía: Imagina que BART es un chef experto que no sigue una receta rígida. En lugar de decir "si tienes educación, trabajas más", el chef prueba millones de combinaciones pequeñas (como un árbol que se ramifica) para entender exactamente cómo interactúan la edad, la religión, el dinero y la educación para influir en el trabajo.
El resultado: El chef descubre que el efecto no es igual para todas. Por ejemplo, en Nigeria, el efecto es muy fuerte en mujeres con poca educación que ya trabajaban antes, pero casi nulo en mujeres ricas que nunca trabajaron.

Paso 2: Llevando la receta a toda la ciudad (El problema de la generalización)

El problema es que las "Rebeldes" del programa son un grupo pequeño y específico. Queremos saber qué pasaría si todas las mujeres de la ciudad (el "población objetivo") usaran anticonceptivos.

Si las "Rebeldes" son muy diferentes al resto de la ciudad, no podemos simplemente copiar sus resultados. Sería como decir "como a los niños de este colegio les gusta el helado, a todos los niños del país les gustará".

La herramienta del "Botín de Muestreo" (Bayesian Bootstrap):
Aquí entran los datos de las encuestas nacionales (DHS), que son como un mapa gigante de toda la población.

La analogía: Imagina que tienes una bolsa con canicas de colores (las "Rebeldes" del estudio) y quieres saber qué pasaría si mezclaras esas canicas con una bolsa gigante de canicas de toda la ciudad (la población).
Usan una técnica estadística llamada "Bootstrap Bayesiano" (como un "botín" o sorteo inteligente) para mezclar las características de las "Rebeldes" con el mapa de la ciudad. Esto les permite calcular el efecto promedio para toda la población, no solo para las del programa.

¿Qué descubrieron? (Los resultados)

Sí funciona, pero depende de quién seas: En Nigeria y Senegal, usar anticonceptivos sí aumenta la probabilidad de que las mujeres trabajen.
No es igual para todos:
- En Nigeria, el efecto es enorme para mujeres con poca educación. Para ellas, poder planear su familia es como abrir una puerta que antes estaba cerrada.
- En Senegal, el efecto es más uniforme, pero también positivo.
La importancia de la flexibilidad: Si hubieran usado métodos antiguos (como una línea recta simple), habrían perdido estos detalles. Su método flexible (BART) les permitió ver que el efecto es "heterogéneo" (varía según la persona).

En resumen

Los autores crearon un puente estadístico.

Primero, usaron un chef inteligente (BART) para cocinar la receta exacta de cómo los anticonceptivos afectan el trabajo en un grupo pequeño y especial ("Rebeldes").
Luego, usaron un mapa de la ciudad (Encuestas DHS) y un sorteo inteligente (Bootstrap) para ver cómo esa receta se aplicaría si se la dieran a toda la población.

Conclusión final: La planificación familiar no es solo un tema de salud; es una herramienta de empoderamiento económico. Pero para que funcione, las políticas deben entender que no todas las mujeres son iguales: lo que ayuda a una mujer joven y sin estudios puede no ser tan relevante para otra mujer con muchos recursos. Esta nueva "receta" estadística ayuda a los gobiernos a diseñar políticas más precisas y efectivas.

Resumen Técnico: Estimación del Efecto de Variables Intermedias en Resultados Primarios Combinando BART y Estratificación Principal

1. Planteamiento del Problema

El estudio aborda la dificultad de estimar el efecto causal del uso de anticonceptivos modernos (tratamiento intermedio) en resultados de empoderamiento, específicamente el empleo, utilizando datos observacionales de programas de planificación familiar (FP).

Desafío Principal: La asignación del tratamiento (uso de anticonceptivos) no es aleatoria; existe selección basada en observables y no observables. Los programas de FP actúan como un "instrumento" o incentivo que aumenta la probabilidad de uso, pero no asignan el tratamiento directamente.
Sesgo de Selección: Las mujeres que cambian su comportamiento debido al programa ("cumplidores" o compliers) pueden diferir sistemáticamente de la población objetivo general. Estas diferencias pueden modificar el efecto del tratamiento, lo que impide generalizar los resultados de la muestra de estudio a la población más amplia.
Limitaciones de Métodos Tradicionales: Los estimadores de Variables Instrumentales (IV) convencionales, como la Regresión en Dos Etapas (2SLS), suelen asumir linealidad y homogeneidad de efectos. En presencia de relaciones no lineales, heterogeneidad de efectos y asignación condicionalmente independiente, estos métodos pueden ser sesgados o inestables, especialmente con muestras pequeñas o superposición limitada.

2. Metodología Propuesta: Prince BART Generalized (PBG)

Los autores proponen un enfoque de dos pasos que integra la Estratificación Principal (Principal Stratification) con Árboles de Regresión Aditivos Bayesianos (BART) y un Bootstrap Bayesiano Escalado para la generalización.

Paso 1: Estimación Interna (Validez Interna)

Estratificación Principal: Se utiliza el marco de Imbens y Rubin para definir estratos latentes basados en la respuesta al instrumento (cumplidores, nunca-tomadores, siempre-tomadores, defiers). El interés se centra en el efecto causal local (LATE) sobre los cumplidores.
Modelo de Mezcla Bayesiano con BART: En lugar de usar modelos paramétricos (como regresión logística), se emplea BART para modelar flexiblemente:
1. La probabilidad de pertenecer a cada estrato principal (probabilidad de ser cumplidor) en función de las covariables $X$ .
2. Los resultados potenciales ( $Y(0)$ y $Y(1)$ ) condicionados al estrato y a las covariables.
Ventaja de BART: Captura interacciones complejas y no linealidades sin especificación funcional previa, evitando la inestabilidad de los estimadores de razón (ratio) típicos del IV.
Imputación de Datos: Se utiliza un algoritmo de Aumento de Datos (Data Augmentation) para imputar los estratos latentes no observados en las iteraciones de MCMC.

Paso 2: Generalización (Validez Externa)

Objetivo: Estimar el Efecto Promedio del Tratamiento en la Población (PATE) para una población objetivo más amplia (ej. mujeres urbanas en Nigeria y Senegal) utilizando datos de encuestas complejas (DHS).
Bootstrap Bayesiano Escalado (Scaled Bayesian Bootstrap): Dado que los datos de la población objetivo provienen de un diseño de muestreo complejo (estratificado, por conglomerados), se adapta el Bootstrap Bayesiano para manejar los pesos de encuesta y las unidades primarias de muestreo (PSU).
Proceso:
1. Se estiman los efectos condicionales promedio del tratamiento (CATE) para los cumplidores en la muestra fuente.
2. Se modela la distribución de las covariables en la población objetivo usando el Bootstrap Bayesiano.
3. Se promedian los CATEs sobre la distribución estimada de la población objetivo para obtener el PATE.
Manejo de Covariables Faltantes: Para variables presentes en la fuente pero ausentes en la población objetivo (actitudes hacia la FP), se utiliza un modelo BART para imputarlas probabilísticamente dentro de la simulación posterior.

Supuestos Clave:

Validez interna: Independencia condicional del instrumento, solapamiento (overlap), monotonicidad y restricción de exclusión.
Validez externa: Transportabilidad condicional (el efecto no varía por factores no observados más allá de las covariables $X$ ) y soporte incluido.

3. Contribuciones Clave

Integración Metodológica: Combina la Estratificación Principal con BART (Prince BART) para estimar efectos heterogéneos en diseños de instrumentos, superando las limitaciones de linealidad de los métodos tradicionales.
Generalización con Datos Complejos: Desarrolla una extensión del Bootstrap Bayesiano ("Scaled BB") que incorpora correctamente la complejidad del diseño muestral (conglomerados y pesos) al generalizar resultados de un estudio a una población de referencia.
Análisis de Sensibilidad Robusto: Implementa múltiples análisis de sensibilidad para evaluar la robustez frente a:
- Confusión no observada a nivel de ciudad.
- Violaciones de la inclusión de soporte (falta de representatividad de ciertos subgrupos).
- Violaciones de la transportabilidad condicional (efectos modificadores no observados).
Herramienta Computacional: Proveen un paquete de R (prince_BART) que facilita la implementación de este enfoque complejo.

4. Resultados Principales

El método se aplicó a datos del proyecto MLE (Medición, Aprendizaje y Evaluación) en Nigeria y Senegal, generalizando a datos de las Encuestas Demográficas y de Salud (DHS).

Efecto en Cumplidores (MATE):
- Nigeria: Se encontró un efecto positivo y significativo del uso de anticonceptivos en el empleo entre las cumplidoras. El estimado de Prince BART fue de 0.37 (DE 0.13), indicando un aumento sustancial en la probabilidad de empleo.
- Senegal: También se observó un efecto positivo, estimado en 0.47 (DE 0.16).
- Comparación: Los métodos paramétricos (2SLS, PStrata) y de ponderación ( $\kappa$ -weighting) mostraron resultados variables; en Senegal, los estimadores de razón (2SLS) produjeron estimaciones fuera del rango lógico (-1 a 1), mientras que Prince BART respetó las restricciones probabilísticas.
Heterogeneidad del Efecto:
- Se identificaron subgrupos con efectos muy distintos. En Nigeria, el efecto fue más bajo en mujeres solteras, sin trabajo previo y con mayor riqueza, y más alto en mujeres casadas/separadas, con trabajo previo y baja educación.
Generalización (PATE):
- Al generalizar a la población objetivo (mujeres urbanas y rurales), los efectos promedio aumentaron ligeramente en Nigeria (hasta ~0.50-0.53) debido a que los subgrupos con mayor efecto estaban subrepresentados en la muestra de cumplimiento original.
- En Senegal, el PATE fue similar al MATE, reflejando una población más homogénea.
Análisis de Sensibilidad:
- Los resultados fueron robustos. Para anular el efecto encontrado en Nigeria, se requeriría un factor de confusión no observado a nivel de ciudad que fuera varias veces más fuerte que la variabilidad residual observada.
- Incluso bajo supuestos conservadores de transporte (asumiendo efecto nulo para subgrupos no representados), el efecto poblacional permaneció positivo y sustancial.

5. Significado e Impacto

Política Pública: Los hallazgos sugieren que el acceso a la planificación familiar tiene un impacto causal positivo y heterogéneo en el empleo de las mujeres en África Occidental. Esto respalda la inversión en programas de FP como estrategia de empoderamiento económico.
Avance en Inferencia Causal: El estudio demuestra que es posible estimar y generalizar efectos causales en escenarios de "asignación condicionalmente aleatoria" con alta flexibilidad. Proporciona un marco para abordar la validez externa en estudios de instrumentos, un área donde la literatura es escasa.
Relevancia para Encuestas Complejas: La adaptación del Bootstrap Bayesiano para diseños de muestreo complejos ofrece una solución metodológica valiosa para investigadores que desean combinar datos de ensayos o estudios piloto con grandes encuestas poblacionales (como las DHS) para obtener estimaciones poblacionales robustas.

En conclusión, el artículo presenta un marco metodológico sofisticado y robusto que supera las limitaciones de los métodos lineales tradicionales, proporcionando evidencia sólida sobre el impacto económico de la planificación familiar en contextos de desarrollo, mientras ofrece herramientas para evaluar la incertidumbre derivada de la generalización y la validez de los supuestos.