ANÁLISIS

¿Relación causal o mera correlación? Hacia un correcto análisis de datos

El mundo digital exige profesionales capaces de leer e interpretar adecuadamente los datos; interpretar bien la información cuantitativa es fundamental para tomar decisiones

Científicos de datos. Foto: Shutterstock.
Científicos de datos son capaces de analizar e interpretar correctamente. Foto: Shutterstock.

Quienes tienen mayor nivel educativo reciben salarios más altos. Esto se puede deber a que la educación forma trabajadores más productivos, por lo que ganan más. O a que quienes están en condiciones de acceder a mayores niveles educativos son también quienes pueden acceder a mejores redes de contacto, motivo por el que ganan salarios más altos.

El párrafo anterior expone un clásico ejemplo de que la correlación entre dos fenómenos, no necesariamente implica causalidad. La constatación de que los mayores niveles educativos están correlacionados con salarios más altos no es suficiente para afirmar una relación causal. En un mundo donde cada vez se dispone de más información cuantitativa, es fundamental para la toma de decisiones, tanto en el mundo de la empresa como en el de las políticas públicas, saber interpretarla adecuadamente. Como en este caso, es esencial poder distinguir causalidad de correlación.

Para seguir con el ejemplo, personas de distintos niveles educativos se diferencian también en otras características que pueden explicar la diferencia de ingresos, no solamente el título universitario. ¿Cómo se prueba entonces la causalidad de obtener el grado universitario sobre los salarios? Lo ideal sería comparar los ingresos durante la vida laboral de una persona con título, con los ingresos de esa misma persona sin título. Evidentemente esto es imposible de realizar, y es lo que se llama el problema fundamental de la evaluación causal: no se puede observar a una persona recibiendo el tratamiento (en este caso, obteniendo un título universitario) y a la vez observarlo siendo su contrafactual ideal.

Para hacer evaluación causal, se utilizan distintos diseños de investigación que se ocupan de identificar el efecto causal a través de la comparación del grupo tratado con un grupo de control elegido. Bajo ciertos supuestos, se puede asumir que un grupo es un buen contrafactual para evaluar un tratamiento. Los distintos diseños se diferencian entre sí en los supuestos que necesitan para su validez y en el contrafactual que eligen. En todo caso, es bueno tener en cuenta que cuando hacemos evaluación causal estamos comparando el grupo tratado contra lo que no pasó. Los contrafactuales elegidos por los distintos diseños de investigación son la manera de aproximarse a ese ideal.

La economía se ha abrazado a la evaluación causal en las últimas décadas, a partir de una corriente de economistas que la incorporó a la disciplina a finales de los ‘70. Desde entonces, ha ido ganando espacio y, al día de hoy, es la herramienta más utilizada para testear los postulados de la teoría económica. La explosión en el uso de la evaluación causal, un proceso que han acompañado también otras ciencias sociales, se debe en parte a la cada vez mayor disponibilidad de datos. Cuanto más datos estén disponibles, más flexibles -es decir, abarcan más situaciones- son los supuestos requeridos para la validez de los diseños de investigación.

El mundo digital exige profesionales capaces de leer e interpretar adecuadamente los datos. Analizarlos correctamente es la base para una buena toma de decisiones.

(*) Director de la Licenciatura en Economía de Universidad Católica del Uruguay.

Reportar error
Enviado
Error
Reportar error
Temas relacionados