📊 statistics

Asymptotic emergence of statistically supported false causal interpretation under unmeasured confounding

Este artículo demuestra que, ante la presencia de confusión no medida, el aumento del tamaño de la muestra puede conducir paradójicamente a una mayor certeza estadística al identificar estructuras causales falsas basadas en indicadores observables, lo que resalta una desconexión fundamental entre la confianza estadística y la recuperación de los verdaderos mecanismos causales.

Autores originales: Mark Louie F. Ramos

Publicado 2026-07-31

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mark Louie F. Ramos

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

Imagina que eres un detective intentando resolver un misterio, pero solo puedes ver las pistas dejadas atrás, no al culpable mismo. Este es el mundo de la inferencia causal observacional, una rama de la ciencia donde los investigadores intentan averiguar qué causa qué utilizando datos del mundo real, en lugar de realizar experimentos controlados. En este campo, una "causa" es como un dominó que derriba a otro dominó (el "efecto"). Sin embargo, hay una regla complicada: el hecho de que dos cosas sucedan al mismo tiempo (están "asociadas") no significa que una haya causado la otra. A veces, un tercer factor oculto —un "confundidor"— está empujando secretamente a ambas. Por ejemplo, las ventas de helados y los ataques de tiburones aumentan ambos durante el verano, pero el helado no causa los ataques de tiburones; la causa oculta es el clima caluroso. Los científicos utilizan mapas especiales llamados "DAGs" (Grafos Acíclicos Dirigidos) para dibujar sus teorías sobre cómo están conectados estos dominós, pero estos mapas dependen de grandes suposiciones sobre lo que no pueden ver.

La gran pregunta que a todos les importa es: ¿Podemos estar alguna vez seguros de haber encontrado la verdadera causa? A medida que recopilamos más y más datos, nos volvemos mejores detectando patrones. Podemos decir con alta confianza que "A está vinculado a B". Pero, ¿significa eso que A causa B? Este artículo aborda una posibilidad aterradora: ¿qué pasa si nos volvemos tan buenos encontrando patrones que terminamos teniendo demasiada confianza en la respuesta equivocada? Sugiere que incluso con una matemática perfecta y cantidades masivas de datos, si la causa real es invisible para nosotros, podríamos terminar construyendo una historia muy convincente y estadísticamente sólida sobre el sospechoso equivocado.

El caso del titiritero invisible

Supongamos que estás tratando de averiguar por qué una cierta planta en tu jardín está creciendo enorme. Sospechas que es el "Fertilizante Súper Secreto" (llamémoslo X) que un jardinero misterioso está vertiendo secretamente en el suelo. Pero aquí está el truco: X es invisible. No puedes verlo, medirlo, ni siquiera saber que existe. Sin embargo, sí puedes ver otras cosas sucediendo en el jardín. Notas que cada vez que la planta crece, la manguera del jardín también está rociando agua (Z). En realidad, el fertilizante invisible (X) está causando tanto el crecimiento de la planta como el rociado de la manguera (tal vez el fertilizante hace que el suelo tenga sed, o el jardinero usa la manguera para mezclar el fertilizante).

Ahora, imagina que eres un científico de datos con una supercomputadora. Decides estudiar el jardín. No conoces el fertilizante invisible, así que solo te fijas en las cosas que puedes ver: el tamaño de la planta y el rociado de agua. Reúnes datos de 10 plantas, luego de 100, luego de 10,000. A medida que obtienes más datos, tu computadora se vuelve mejor detectando el vínculo entre el rociado de agua y el crecimiento de la planta.

El artículo argumenta que, a medida que tus datos crecen y tu matemática se vuelve más inteligente, eventualmente llegarás a un punto en el que tendrás un 100% de certeza de que el rociado de agua causa el crecimiento de la planta. Tus pruebas estadísticas gritarán: "¡Este es un efecto real! ¡No es una casualidad!". Habrás encontrado una relación "estable y basada en datos". Pero aquí está el giro: Estás equivocado. El agua no causó el crecimiento; el fertilizante invisible lo hizo. El agua era solo un "proxy" (un sustituto), un intermediario que casualmente se movía junto con la causa real.

La trampa de "Más Datos"

El autor, Mark Louie F. Ramos, demuestra que esto no es un error en tu matemática ni un resultado de "p-hacking" (manipular números para obtener un resultado). Es una trampa fundamental de la situación.

Piénsalo como intentar encontrar un fantasma en una casa embrujada. No puedes ver al fantasma (la causa real), pero puedes ver las cortinas moviéndose y las luces parpadeando (los proxies). Si te quedas allí parado durante mucho tiempo con una cámara de alta velocidad, eventualmente probarás con absoluta certeza que "cuando las cortinas se mueven, las luces parpadean". Tendrás una prueba estadística perfecta e inquebrantable de esta conexión. Pero si concluyes que "las cortinas causaron que las luces parpadeen", habrás pasado por alto al fantasma por completo.

El artículo demuestra que si sigues añadiendo más variables a tu estudio (más cosas que puedes ver en el jardín) y sigues aumentando tu tamaño de muestra (observando más plantas), inevitablemente encontrarás estos vínculos "perfectos" entre las cosas equivocadas. Cuantos más datos tengas, más confianza tendrás en una historia que es completamente errónea sobre por qué suceden las cosas.

Por qué esto importa (Y qué es lo que no es)

Es importante entender lo que este artículo no está diciendo. No dice que los científicos sean malos en matemáticas, o que estén haciendo trampa al elegir y descartar datos. El artículo descarta explícitamente la idea de que esto sea simplemente un "error de Tipo 1" (una falsa alarma causada por la mala suerte o malas estadísticas). De hecho, debido a que la causa invisible es real y fuerte, estos resultados "equivocados" son en realidad más propensos a repetirse que el ruido aleatorio. Si realizas el experimento de nuevo con un millón de plantas, obtendrás la misma respuesta "equivocada" una y otra vez. La asociación es real; la causalidad es la mentira.

El artículo también aclara que este no es un problema con las herramientas que usamos (como la prueba t). Esas herramientas son excelentes para decirnos si dos cosas están vinculadas. El problema es que a menudo olvidamos que las herramientas solo funcionan si primero acordamos un mapa del mundo que incluya las cosas invisibles. Si nuestro mapa carece del "fertilizante invisible", las herramientas nos dirán felizmente que la "manguera de agua" es la heroína, y lo harán con total confianza.

La Conclusión

El hallazgo principal es un poco desalentador para aquellos que piensan que el "Big Data" resolverá todos nuestros misterios. El artículo muestra que más datos no solucionan el problema de las causas ausentes. En cambio, nos hace tener más confianza en las respuestas incorrectas.

El autor concluye que debemos dejar de pensar que el análisis estadístico puede "validar" nuestras ideas sobre qué causa qué. La estadística solo puede decirnos el tamaño de un efecto si asumimos que nuestro mapa del mundo es correcto. El verdadero trabajo —averiguar cuáles son las causas invisibles— tiene que ocurrir antes de procesar los números, usando nuestros cerebros, teorías y conocimiento previo, no solo nuestras calculadoras.

Así que, la próxima vez que leas un estudio que diga "Encontramos un vínculo estadísticamente significativo y sólido entre A y B", recuerda al titiritero invisible. Los datos pueden ser perfectos, la matemática puede ser impecable y la confianza puede ser altísima, pero si la causa real se esconde en las sombras, toda la historia podría ser una ilusión muy convincente.

Resumen Técnico: Emergencia Asintótica de la Interpretación Causal Falsa con Soporte Estadístico bajo Confusión No Medida

Planteamiento del Problema
El artículo aborda una limitación crítica en la inferencia causal observacional: la tendencia de los flujos de trabajo de descubrimiento causal basados en datos a producir interpretaciones estadísticamente robustas pero causalmente falsas cuando existe confusión no medida. Si bien es un principio fundamental en la teoría causal que los factores de confusión comunes no observados impiden la recuperación de los verdaderos efectos causales a partir de datos observacionales por sí solos, el artículo argumenta que las implicaciones de esta limitación para el descubrimiento causal suelen ser subestimadas. Específicamente, a medida que los conjuntos de datos observacionales crecen más grandes y ricos, los procedimientos estadísticos estándar pueden converger cada vez más en asociaciones estables y significativas que involucran variables proxy observables, interpretando erróneamente estas correlaciones no causales como evidencia de mecanismos causales.

Metodología y Configuración
El autor formaliza este fenómeno a través de un marco teórico asintótico que involucra un Grafo Acíclico Dirigido (DAG):

Estructura Verdadera: Existe una variable causal verdadera $X$ tal que $X \to Y$ con un efecto total $\rho$ , pero $X$ no es observada ( $X \notin O$ ).
Proxies: Existe una secuencia de variables observables $\{Z_j\}$ en el conjunto observado $O$ . Estas variables son proxies no causales de $X$ (es decir, $X \to Z_j$ ) pero no tienen una arista causal directa hacia el resultado ( $Z_j \not\to Y$ ). Sin embargo, debido a la correlación con $X$ , exhiben una covarianza no nula tanto con $X$ como con $Y$ ( $Cov(X, Z_j) \neq 0$ y $Cov(Z_j, Y) \neq 0$ ).
Expansión de Datos: El análisis considera una secuencia de subconjuntos crecientes de variables observables $\{O_k\}$ y tamaños de muestra $n$ crecientes.
Procedimiento: Un procedimiento de descubrimiento causal $\mathcal{A}_{k,n}$ prueba hipótesis de la forma $H_0: \theta_i = 0$ (ausencia de asociación) versus $H_1: \theta_i \neq 0$ para variables focales $W_{i,k} \in O_k$ . El procedimiento utiliza estimadores consistentes para la asociación $\theta_i$ y pruebas de hipótesis estándar. Bajo el supuesto de ausencia de confusión no medida entre la variable focal y el resultado, el rechazo de $H_0$ se interpreta como que la variable causa a $Y$ .

Resultados Clave
El artículo proporciona una caracterización asintótica demostrando que:

Inclusión Inevitable: A medida que el conjunto de variables observadas se expande ( $k \to \infty$ ), la probabilidad de que el procedimiento incluya al menos una variable proxy $Z_j$ en sus pruebas de hipótesis se acerca a 1.
Asociación No Nula: Para cualquier tal proxy $Z_j$ , la asociación verdadera con el resultado es no nula ( $\theta_i \neq 0$ ) debido a la ruta de confusión a través de $X$ .
Certeza Asintótica: A medida que el tamaño de la muestra $n \to \infty$ , la probabilidad de que el procedimiento rechace correctamente la hipótesis nula para estos proxies se acerca a 1, impulsada por la consistencia de los estimadores y la asociación verdadera no nula.
Conclusión Causal Falsa: Por consiguiente, para valores suficientemente grandes de $k$ y $n$ , el procedimiento concluirá con una probabilidad que se aproxima a 1 que una variable proxy $Z_j$ causa $Y$ ( $Z_j \to Y$ ), a pesar de que $Z_j$ no es un padre causal de $Y$ .

Contribuciones Clave
La contribución principal es la demostración explícita de que la certeza estadística y la validez causal son conceptos distintos en presencia de confusión no medida. El artículo muestra que:

La Cantidad de Datos No Resuelve la Ambigüedad: Aumentar el tamaño de la muestra y la riqueza de las características observadas no conduce necesariamente a la identificación de la verdadera estructura causal. En su lugar, aumenta la confianza estadística en las relaciones que involucran proxies observables.
Replicabilidad de la Falsa Causalidad: A diferencia de los problemas derivados del p-hacking o la inflación del error Tipo I (por ejemplo, la búsqueda de datos o data dredging), estas conclusiones causales falsas son robustas y replicables. Debido a que las asociaciones subyacentes son reales (impulsadas por el confuso no observado), repetir el estudio con muestras más grandes producirá consistentemente los mismos resultados "estadísticamente significativos" pero causalmente incorrectos.
Distinción de Supuestos: El trabajo clarifica la separación entre los supuestos de identificación (por ejemplo, la estructura del DAG, ausencia de confusión no medida) y los supuestos estadísticos (por ejemplo, normalidad, linealidad). Mientras que los supuestos estadísticos pueden validarse o ser robustos ante violaciones menores, los supuestos de identificación son rígidos y no pueden ser validados por los propios datos.

Significancia y Reivindicaciones
El artículo no pretende introducir nuevos métodos para la identificación causal ni desalentar el uso de la inferencia causal observacional. Su significancia radica en subrayar un límite epistemológico fundamental:

Medición vs. Validación: El propósito de la inferencia causal observacional es medir la magnitud de un efecto condicionado a supuestos específicos, no validar esos supuestos utilizando los mismos datos.
La Pregunta Operativa: El encuadre correcto de la investigación no es "¿ $X$ causa $Y$ ?", sino "¿Supongamos que $X$ causa $Y$ , cuál es la magnitud de ese efecto?".
Convergencia Asintótica al Error: El artículo advierte que las estrategias que buscan descubrir DAGs estables basados en datos a partir de conjuntos de datos cada vez más grandes pueden converger asintóticamente en explicaciones que capturan con precisión las asociaciones observadas, pero que atribuyen erróneamente la causalidad a las variables proxy en lugar de al mecanismo no observado.

El autor concluye que los investigadores, revisores y lectores deben tratar los supuestos que sustentan los modelos causales con tanta escrutinio como el propio análisis estadístico, reconociendo que más datos por sí solos no pueden resolver la ambigüedad causal cuando la variable causal verdadera no es observada.

El caso del titiritero invisible

La trampa de "Más Datos"

Por qué esto importa (Y qué es lo que no es)

La Conclusión

Más como este