📊 statistics

Post-treatment problems: What can we say about the effect of a treatment among sub-groups who (would) respond in some way?

Este artículo propone el "Efecto Causal Promedio Reactivo al Tratamiento" (TRACE), un nuevo método para estimar el impacto de una intervención en subgrupos que reaccionarían de cierta manera, evitando los sesgos causales que surgen al condicionar directamente sobre variables observadas después del tratamiento.

Autores originales: Chad Hazlett, Nina McMurry, Tanvi Shinkre

Publicado 2026-04-28

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Chad Hazlett, Nina McMurry, Tanvi Shinkre

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

El problema de "el ingrediente que no siempre se cocina"

Imagina que estás probando una nueva receta de pastel. Tu objetivo es saber si el polvo de hornear (el tratamiento) realmente hace que el pastel suba (el resultado).

Pero aquí hay un problema: no todos los pasteles reaccionan igual. En algunos, el polvo de hornear hace magia; en otros, parece que no pasó nada. Si tú solo miras los pasteles que subieron mucho, estarás siendo injusto con la receta, porque estarás ignorando que algunos pasteles ni siquiera "reaccionaron" al ingrediente (quizás el horno estaba frío o el polvo estaba viejo).

En ciencia, esto pasa todo el tiempo. Los investigadores aplican un tratamiento (una medicina, una política policial, una charla educativa), pero el tratamiento no siempre "activa" a la persona de la misma manera.

El error común: "Mirar solo a los que funcionó"

Si un científico solo estudia a las personas que respondieron positivamente al tratamiento, comete un error de lógica. Es como si un profesor solo calificara a los alumnos que sí estudiaron para el examen y dijera: "¡Mi método de enseñanza es perfecto, todos sacaron 10!". Eso no es verdad; solo estás ignorando a los que no estudiaron.

El problema es que no sabemos si esos que "no reaccionaron" lo hicieron por el tratamiento o por otras razones ocultas.

La solución: El método TRACE (El "Efecto Real en los que sí reaccionan")

Los autores de este estudio proponen una nueva forma de medir las cosas llamada TRACE.

En lugar de intentar adivinar qué pasó con todo el mundo, el TRACE se pregunta: "Si este tratamiento hubiera funcionado en este grupo específico, ¿qué tan fuerte habría sido el efecto?".

Para entenderlo, usemos la Metáfora del Gimnasio:

Imagina que una ciudad lanza un programa gratuito de gimnasios para mejorar la salud de la gente. Al final del año, los datos dicen que la salud de la ciudad no mejoró. ¿El programa fue un fracaso? No necesariamente. Puede que mucha gente se inscribiera pero nadie fuera a entrenar.

Si solo miras el promedio de la ciudad, el resultado es cero. Pero los investigadores quieren saber el TRACE: ¿Qué habría pasado con la salud de la gente si realmente hubieran ido al gimnasio?

Para calcular esto sin hacer trampa, los autores usan dos herramientas:

Los límites de seguridad (Trimming bounds): Es como decir: "No sé exactamente cuánto mejoró la salud, pero basándome en los datos, el efecto tiene que estar entre este número y este otro. No puede ser ni más ni menos". Es ponerle barandillas a la incertidumbre.
El razonamiento sobre los "no reactivos": Los autores dicen: "Miremos a los que no fueron al gimnasio. Es muy probable que para ellos el programa no haya tenido ningún efecto (TRACE(0) = 0)". Si asumimos que el programa no hace nada en quien no lo usa, podemos usar las matemáticas para "limpiar" el promedio y descubrir el verdadero poder del programa en quienes sí lo usan.

¿Para qué sirve esto en la vida real? (Ejemplos del estudio)

El artículo muestra tres casos donde esto cambia las reglas del juego:

Policía y violencia: A veces, los datos solo muestran lo que pasa cuando hay una detención de tráfico. Pero si no hay detención, no hay violencia de policía. El TRACE ayuda a entender el efecto de la raza percibida en la violencia, incluso cuando los datos están "incompletos".
Seguridad en Liberia: Un programa de policía comunitaria parecía no funcionar en promedio. Pero usando el TRACE, los autores pudieron demostrar que sí funcionó, pero solo en las comunidades que realmente implementaron los programas de vigilancia. El "promedio" estaba siendo arrastrado hacia abajo por comunidades que no hicieron nada.
Derechos de personas trans: En un estudio sobre charlas educativas, el efecto en la opinión general era pequeño. Pero el TRACE permitió ver que, para las personas que sí se conmovieron con la charla, el cambio de actitud fue mucho más profundo de lo que el promedio sugería.

En resumen

El TRACE es como una lupa de alta precisión. En lugar de mirar un grupo borroso donde unos reaccionan y otros no, esta herramienta nos permite enfocar la lente en "lo que habría pasado si el tratamiento hubiera cumplido su misión", dándonos una respuesta mucho más honesta y útil para la sociedad.

Resumen Técnico: Problemas Post-Tratamiento y el Estimando TRACE

1. El Problema: Sesgo por Condicionamiento Post-Tratamiento

En la investigación causal, es común que los investigadores deseen conocer el efecto de un tratamiento en un subgrupo específico definido por una respuesta posterior al tratamiento (por ejemplo, aquellos que cumplieron con el protocolo, que prestaron atención o que mostraron un mecanismo de acción específico).

El problema fundamental es que condicionar directamente en una variable post-tratamiento ( $M$ ) introduce sesgos. Si $M$ es influenciada por el tratamiento ( $D$ ) y también está relacionada con el resultado ( $Y$ ), $M$ actúa como un colisionador (collider). Al condicionar en un colisionador, se abren caminos no causales entre el tratamiento y el resultado (a través de variables no observadas $U$ que afectan tanto a $M$ como a $Y$ ), lo que invalida las estimaciones de efecto causal incluso en experimentos aleatorizados.

2. Metodología: El Estimando TRACE

Los autores proponen un nuevo estimando denominado Treatment Reactive Average Causal Effect (TRACE).

Definición Matemática

El TRACE se define como el efecto total del tratamiento en el grupo que, de ser tratado, alcanzaría un valor específico de la variable post-tratamiento (por ejemplo, $M=1$ ):
$\text{TRACE} \equiv E[Y_i(1) - Y_i(0) \mid M_i(1) = 1]$

Este estimando se diferencia de otros:

LATE (Instrumental Variables): El LATE se enfoca en los "compliers" ( $M(0)=0, M(1)=1$ ) y requiere la restricción de exclusión (que el tratamiento no tenga efecto directo sobre $Y$ ). El TRACE incluye tanto a compliers como a always-takers y busca el efecto total, permitiendo un efecto directo.
SACE (Survivor Average Causal Effect): Se enfoca solo en los always-takers. El TRACE es más amplio al incluir a quienes reaccionan al tratamiento.

Estrategia de Identificación (Identificación Parcial)

Dado que no se puede observar $M(1)$ en el grupo de control, el TRACE no es identificable de forma puntual sin supuestos adicionales. Los autores proponen un enfoque de identificación parcial basado en dos pilares:

Límites de Recorte (Trimming Bounds): Establecen límites superiores e inferiores estrictos que no requieren supuestos adicionales, basados únicamente en la aleatorización y la distribución observada de los resultados.
Razonamiento sobre el grupo "no reactivo" ( $\text{TRACE}(0)$ ): El núcleo de la propuesta es utilizar supuestos defendibles sobre el efecto del tratamiento en aquellos que no reaccionarían al tratamiento ( $M(1)=0$ $M (1) = 0$ ). Los investigadores pueden postular rangos para $\text{TRACE}(0)$ $TRACE (0)$ , tales como:
- $\text{TRACE}(0) = 0$ (el tratamiento no tiene efecto si no hay reacción).
- $|\text{TRACE}(0)| < |\text{TRACE}|$ (el efecto es mayor en los que reaccionan).
- $\text{TRACE}(0)$ tiene el signo opuesto (efecto de "reacción adversa").

Mediante la ley de expectativas iteradas, cualquier rango razonable para $\text{TRACE}(0)$ se traduce en un rango informativo para el TRACE.

3. Contribuciones Clave

Nuevo Estimando: Introduce el TRACE como una herramienta para estudiar efectos en subgrupos reactivos sin violar la integridad causal.
Flexibilidad de Supuestos: A diferencia de los métodos de mediación tradicionales, no requiere la ausencia de confusión entre el mediador y el resultado ( $M \perp \perp Y \mid X$ ), lo cual es casi siempre irrealizable en ciencias sociales.
Marco de Inferencia Robusta: Permite pasar de límites muy amplios (y poco útiles) a rangos de identificación mucho más estrechos y significativos mediante el uso de conocimiento teórico sobre el grupo no reactivo.

4. Resultados y Aplicaciones

El artículo demuestra la utilidad del método mediante tres casos:

Violencia Policial: En un escenario donde la violencia solo ocurre si hay una detención ( $M=1$ ), los autores demuestran que, bajo el supuesto de que no hay efecto en quienes no son detenidos ( $\text{TRACE}(0)=0$ ), el efecto de la percepción de raza en la violencia puede identificarse de forma puntual.
Policía Comunitaria en Liberia: Ante un resultado de "efecto nulo" en el promedio general (ITT), el método permite demostrar que el programa sí tuvo un efecto significativo en la reducción de la violencia de masas en las comunidades donde la implementación fue efectiva (implementadores).
Derechos Transgénero: En un experimento de persuasión, el método permite estimar el efecto del diálogo en el apoyo a leyes de no discriminación específicamente para aquellos individuos cuyos sentimientos hacia las personas transgénero mejoraron tras la intervención.

5. Significancia

La importancia de este trabajo radica en su capacidad para salvar investigaciones con resultados nulos. Muchas veces, un tratamiento parece no funcionar porque la implementación fue deficiente o la respuesta fue heterogénea. El TRACE permite a los investigadores distinguir entre "el tratamiento no funciona" y "el tratamiento funciona, pero solo en aquellos que reaccionan a él", proporcionando un marco estadístico riguroso para realizar esta distinción sin caer en los sesgos del condicionamiento post-tratamiento.