What haunts statisticians at night

Summary

Este video aborda el concepto de inferencia causal en estadísticas, explicando la diferencia entre correlación y causalidad. A pesar de que la correlación no implica causalidad, la causalidad sí implica correlación. Se discuten los problemas que presentan los confounders, que pueden distorsionar la relación entre dos variables, y se destaca la importancia de controlar estos factores para obtener resultados más precisos. El video también menciona la existencia de confounders no observados, que representan un desafío persistente en el análisis estadístico.

Takeaways

• 🔍 La correlación no es igual a la causalidad: dos eventos pueden parecer relacionados sin tener una relación causal real.
• 📊 Correlación se refiere a la asociación entre dos variables aleatorias, mientras que la causalidad implica una relación directa donde un cambio en una variable afecta a la otra.
• 📚 El coeficiente de correlación de Pearson (ρ) se utiliza para medir la asociación lineal entre dos variables aleatorias.
• 🔄 La covarianza es una medida de cómo dos variables varían conjuntamente desde sus respectivas medias.
• 🎯 La inferencia causal es un subcampo de las estadísticas que busca determinar cuándo la correlación es igual a la causalidad y qué se necesita para lograrlo.
• 🧠 Los seres humanos tienden a ver patrones en términos de causa y efecto, pero estos patrones pueden ser ilusiones creadas por la随机性.
• 🤔 La causalidad se complica en las estadísticas debido a la presencia del azar y se aborda mediante el marco de contrafactuales, que consideran lo que habría sucedido de manera diferente.
• 🔄 Los contrafactuales son situaciones hipotéticas que contrastan con lo que realmente sucedió y ayudan a entender la causalidad en términos de cambios en una variable.
• 🔄 El problema de los confusores (confounders) surge cuando una tercera variable está asociada tanto con la variable de exposición como con el resultado, lo que puede distorsionar la relación entre ellas.
• 🔍 Para abordar el problema de los confusores, se pueden incluir en el análisis estadístico mediante regresión lineal, lo que permite controlar por otras variables y aislar la relación de interés.
• 🚫 La existencia de confusores no observados (unknown unknowns) es un problema persistente en las estadísticas, ya que siempre hay la posibilidad de que haya factores que no se han considerado en el análisis.

Q & A

¿Qué significa la frase 'correlation does not equal causation'?

La frase 'correlation does not equal causation' indica que aunque dos eventos pueden estar relacionados, esto no necesariamente significa que uno cause el otro. Es un recordatorio de que nuestro cerebro, que busca patrones, a veces puede ilusionarse y ver relaciones causales donde en realidad no las hay.

¿Qué es la inferencia causal en estadísticas?

La inferencia causal es una subdisciplina de las estadísticas que busca determinar cuándo una asociación entre dos eventos es realmente una relación causal y qué se necesita para que las correlaciones se igualen a relaciones causales. Se ocupa de entender cuándo y cómo dos variables están conectadas de manera que una variable puede causar un cambio en la otra.

¿Cómo se calcula el coeficiente de correlación de Pearson?

El coeficiente de correlación de Pearson se calcula mediante una fórmula que involucra la covarianza entre dos variables y el producto de sus desviaciones estándar. Esta correlación está estandarizada entre -1 y 1, lo que nos permite comparar cómo dos variables varían en relación a sus medias.

Un counterfactual es una situación hipotética que se contrapone a lo que realmente sucedió. En la inferencia causal, se utiliza para entender el efecto causal de una variable sobre otra, considerando cómo habría sido el resultado si se hubiera cambiado la variable de interés.

null

¿Qué son los confounders y cómo afectan la inferencia causal?

Los confounders son variables que están asociadas tanto con la variable de exposición (exposure) como con el resultado (outcome). Estos pueden crear ilusiones de asociación o contaminar una relación real, haciendo que sea difícil determinar si la exposición realmente causa el resultado o si el efecto es debido al confounder.

¿Cómo se controlan los confounders en un modelo estadístico?

Para controlar los confounders, se incluyen en el modelo de análisis. Al incluirlos, se puede aislar la relación entre la exposición y el resultado, lo que permite interpretar el coeficiente de regresión como el cambio en el resultado manteniendo otras variables constantes.

¿Qué es un DAG (directed acyclic graph) y cómo se utiliza en las estadísticas?

Un DAG es un tipo de diagrama utilizado para visualizar las relaciones entre variables en un estudio estadístico. Los nodos representan las variables y las flechas indican la dirección de la relación, mostrando cómo una variable afecta a otra. Esto ayuda a entender la estructura de datos y a identificar potenciales confounders.

¿Qué es un efecto causal y cómo se estima?

Un efecto causal se refiere al impacto que una variable (la causa) tiene sobre otra variable (el efecto). Para estimar este efecto, se utiliza un modelo estadístico que controla por los confounders conocidos y se asume que se han controlado los confounders no observados.

¿Qué es un confounder no observado y cómo afecta la investigación?

Un confounder no observado es una variable que puede afectar tanto la exposición como el resultado, pero que no se ha medido o identificado en el estudio. Esto puede conducir a asociaciones espurias o a una subestimación de los efectos reales, complicando la inferencia causal.

¿Cómo se aborda el problema de los confounders no observados en la investigación?

Aunque los confounders no observados siempre representan un desafío, la conciencia de su existencia es el primer paso para superarlos. Los investigadores pueden usar diseños experimentales como pruebas A/B o ensayos clínicos aleatorizados para reducir el impacto de los confounders no observados y obtener evidencia causal más sólida.

¿Qué es Brilliant y cómo puede ayudar a aprender sobre estadísticas y programación?

Brilliant es una plataforma educativa que ofrece cursos interactivos en áreas como estadísticas, programación y ciencias de la computación. Ayuda a los estudiantes a aprender a través de conceptos interactivos y teoría práctica, proporcionando un enfoque estructurado para comprender y aplicar el conocimiento en estos campos.