Resumen Técnico: El Sistema Potencial y los Efectos Causales Dinámicos

1. El Problema

En la econometría y la estadística de series temporales, existe una brecha fundamental entre las predicciones basadas en datos y la inferencia causal. Tradicionalmente, los investigadores utilizan modelos como las funciones de respuesta al impulso (IRF), proyecciones locales (Local Projections) o modelos VAR estructurales (SVAR) para estimar cómo un cambio en una asignación $A_t$ afecta a un resultado futuro $Y_{t+h}$.

Sin embargo, bajo un enfoque puramente predictivo o de reducción de forma (reduced-form), la diferencia condicional:
$$E[Y_{t+h} \mid X_t, D_{1:t-1}, A_t = a_t] - E[Y_{t+h} \mid X_t, D_{1:t-1}, A_t = a'_t]$$
no garantiza medir un efecto causal real. Puede estar sesgada por confusores no observados, retroalimentación dinámica o mecanismos de asignación endógenos. El problema central que aborda el artículo es: ¿Bajo qué condiciones no paramétricas podemos interpretar estas diferencias de predicción como efectos causales dinámicos?

El artículo busca cerrar la brecha entre la literatura de causalidad en series temporales (a menudo paramétrica o basada en Granger) y la literatura de inferencia causal no paramétrica basada en resultados potenciales (como la de Rubin, Robins y Imbens), que tradicionalmente se ha centrado en datos transversales o de panel.

2. Metodología: El Sistema Potencial (PS)

Los autores proponen un marco unificado llamado Sistema Potencial (PS), que define la causalidad dinámica mediante procesos estocásticos fundamentales.

2.1 Definición del Sistema Potencial

El PS se construye sobre dos procesos estocásticos vinculados por cinco supuestos clave:

1. Proceso Generador de Datos (DGP): Define los datos observados $D_t = (X_t, A_t, Y_t)$, donde $X_t$ son características (confusores, instrumentos), $A_t$ es la asignación y $Y_t$ es el resultado. La asignación sigue un Mecanismo de Asignación Secuencial (SAM): $A_t = \alpha_t(D_{1:t-1}, X_t, V_t)$.
2. Proceso Contrafactual: Define los "resultados potenciales" y "características potenciales" para cualquier trayectoria de asignación posible $a_{1:T}$.
   • No Anticipación (CP.1a): Los resultados en $t$ no dependen de asignaciones futuras ($a_{t+1:T}$).
   • Triangularidad (CP.1b): Las características en $t$ no dependen de la asignación actual $a_t$, solo de las pasadas.
3. Ramas Potenciales (Branch Potential Outcomes): Se define un sistema contrafactual donde se fija la asignación en $t$ a un valor $a_t$ y se observa la evolución del sistema en horizontes $h$. Esto conecta con los "branch potential outcomes" de Angrist y Kuersteiner.
4. Consistencia (LP): El proceso de datos observados es consistente con el proceso contrafactual cuando la asignación real coincide con la asignada en el contrafactual ($Z_t = Z_t(A_t)$).

2.2 Definición de Efectos Causales Dinámicos

Dentro del PS, se definen formalmente los efectos causales dinámicos como la diferencia entre ramas potenciales:
$$\text{Efecto} = Y_{t,h}(a_t) - Y_{t,h}(a'_t)$$
Donde $Y_{t,h}(a_t)$ es el resultado en $t+h$ si la asignación en $t$ fue $a_t$ y el sistema evolucionó según el mecanismo de asignación posterior.

Se proponen cuatro medidas de resumen de estos efectos:

1. ATE (Efecto Promedio de Tratamiento): Promedio incondicional.
2. CATE (Efecto Promedio Condicional): Condicionado a características $X_t$.
3. FTE (Efecto de Tratamiento Filtrado): Condicionado a la historia $D_{1:t-1}$.
4. CFTE (Efecto Filtrado Condicional): Condicionado a $X_t$ y $D_{1:t-1}$.

3. Contribuciones Clave y Resultados

3.1 Identificación de Efectos Causales a través de Predicciones

El resultado principal (Teorema 2) establece las condiciones bajo las cuales las diferencias de predicción observables son iguales a los efectos causales definidos en el PS. Esto requiere supuestos sobre el mecanismo de asignación (SAM):

• Randomización Secuencial de Ramas (SAM.BSR): Si $A_t \perp\!\!\perp Y_{t,0:H}(A_t) \mid D_{1:t-1}$, entonces el efecto causal filtrado (FTE) es identificable mediante la diferencia de expectativas condicionadas a la historia:
  $$FTE = E[Y_{t+h} \mid D_{1:t-1}, A_t = a_t] - E[Y_{t+h} \mid D_{1:t-1}, A_t = a'_t]$$
• No Confusión de Ramas (SAM.BSU): Si $A_t \perp\!\!\perp Y_{t,0:H}(A_t) \mid X_t, D_{1:t-1}$, entonces el efecto causal filtrado condicional (CFTE) es identificable:
  $$CFTE = E[Y_{t+h} \mid X_t, D_{1:t-1}, A_t = a_t] - E[Y_{t+h} \mid X_t, D_{1:t-1}, A_t = a'_t]$$

Estos resultados generalizan la inferencia causal transversal a series temporales, permitiendo interpretar IRFs y proyecciones locales como efectos causales bajo supuestos de no confusión.

3.2 Conexión con Modelos Estructurales Existentes

El PS actúa como un marco no paramétrico general que engloba modelos específicos:

• SVAR y Modelos Lineales: Se demuestra que un SVAR es un caso especial lineal del PS. Bajo linealidad y estacionariedad, los efectos causales dinámicos coinciden con las funciones de respuesta al impulso (IRF) y las funciones de respuesta al impulso generalizadas.
• Causalidad de Granger: El artículo aclara que la causalidad de Granger es puramente predictiva. El PS proporciona las condiciones adicionales (independencia de asignación) necesarias para que la predictibilidad implique causalidad.
• Control y Aprendizaje por Refuerzo: El PS conecta con la literatura de control estocástico y procesos de decisión de Markov (MDP), mostrando cómo las asignaciones óptimas pueden seleccionarse para minimizar la pérdida esperada dentro del marco causal.

3.3 Inferencia Basada en Diseño (Design-Based Inference)

Una contribución significativa es la extensión de la inferencia basada en diseño (típica en ensayos controlados aleatorizados) a series temporales.

• Los autores definen un Mecanismo de Asignación (AM) condicional a los resultados potenciales.
• Bajo la hipótesis nula de efectos causales homogéneos (o parametrizados), se puede simular la distribución de asignaciones bajo el nulo.
• Esto permite realizar pruebas de hipótesis exactas y construir regiones de confianza para los efectos causales sin especificar un modelo paramétrico para la dinámica de los resultados (solo para el efecto causal), utilizando estadísticos de prueba simulados.

3.4 Instrumentos y Variables Proxy

El marco se extiende para manejar:

• Variables Instrumentales (IV): Definición de un PS con IV para identificar efectos locales (LATE) en series temporales, identificando el efecto en los "cumplidores" del instrumento.
• Medición con Error: Uso de variables proxy para asignaciones no observadas, mostrando cómo la proyección lineal puede sufrir sesgos de atenuación o no, dependiendo de la estructura del error.

4. Significancia e Impacto

1. Unificación Teórica: El PS proporciona un "lenguaje común" que une la econometría de series temporales (SVAR, IRF), la inferencia causal no paramétrica (resultados potenciales, DAGs) y la teoría de control.
2. Fundamento para Nuevos Métodos: Al establecer las condiciones de identificación no paramétricas, el artículo sienta las bases para el desarrollo de nuevos estimadores robustos (doble robusto, aprendizaje de máquina) aplicados a datos de series temporales.
3. Clarificación Conceptual: Distingue claramente entre el efecto "total" (que incluye cambios en futuras asignaciones inducidas por el shock) y el efecto "directo", resolviendo ambigüedades en la interpretación de las IRF.
4. Aplicabilidad Práctica: Ofrece un marco riguroso para evaluar políticas en economía, finanzas y ciencias sociales donde los datos son temporales y las intervenciones son secuenciales, permitiendo inferencias causales válidas sin depender exclusivamente de la linealidad o la estacionariedad estricta.

En conclusión, Carlson y Shephard demuestran que las predicciones de series temporales pueden interpretarse causalmente si se imponen restricciones específicas sobre el mecanismo de asignación (como la no confusión condicional), transformando así herramientas predictivas estándar en instrumentos de inferencia causal rigurosa.