5 Gerring y Christenson Cap

Vista previa del material en texto

Resumen Gerring y Christenson Cap. 6
Causalidad
Una hipótesis causal implica causa y resultado
X causa Y si un cambio en X genera un cambio en Y en relación con lo que Y sería de otro modo (dadas ciertas condiciones de fondo y condiciones de ámbito).
Las variables binarias toman uno de los dos valores.
Grupo de tratamiento (recibir el tratamiento, lo que significa que están expuestos a X, la causa esperada) frente al grupo de control (no recibe el tratamiento).
Un efecto causal es elcambio en Y (-Y)provocado por un cambio en X(X). Si el tratamiento es binario, Xsería de 0 a1 (si es unidireccional, y podría ser de 1 a 0 si fuera bidireccional). Si el resultado es continuo, Xafecta a Y a lo largo deun intervalo.
También se puede pensar en la causalidad en términos de probabilidad.
Estimar un efecto causal implica comparar un hecho (lo que sucedió) con un contrafactual (lo que podría haber sucedido). Es por eso que necesitamos inferir los contrafactuales no observables.
La correlación no significa causalidad.
Por supuesto, no siempre es posible especificar con precisión por qué X genera un cambio en Y. Sin embargo, al identificar a X como causa de Y uno está presumiendo la existencia de algún mecanismo causal, entendido aquí como la vía o el proceso o cadena de variables intemediarias por las cuales X afecta a Y.
Una relación causal puede ocurrir mientras que otros factores influyen en el resultado. Estas condiciones de fondo generalmente se supone que se mantienen constantes (ceteris paribus).
Las condiciones de ámbito son el área alrededor de los nodos, lo que significa las condiciones asumidas para que una relación causal funcione.
Los factores independientes (factores exógenos, causales) se distinguen de los factores dependientes (factores endógenos).
La endogeneidad/exogeneidad es una cuestión relativa:
Al emplear el lenguaje de las "variables" nuestra suposición es que cada factor puede variar (al menos hipotéticamente) en el entorno en estudio. No estamos asumiendo que todas las variables son medibles.
Gráficos causales:
¿Qué es una buena hipótesis causal?
Claridad
0. Debe especificar cómo funciona la relación de X con Y (ejemplo: X puede causar Y, X influye en Y, X resulta en Y, etc.)
0. En lo que es Y
0. En lo que es X
0. En las que se encuentran las condiciones de fondo y las condiciones de ámbito.
Manipulabilidad
0. La causa puede ser cambiada por el investigador o por otra persona.
0. La causa puede ser entendida y manipulada para ver claramente el efecto causal.
Precedencia
0. Una causa debe ser separable del efecto que pretende explicar; de lo contrario es tautológico
0. Cuanto mayor sea la separación de X e Y, más útil será el argumento.
0. Si una causa propuesta de un resultado se explica plenamente por otra cosa, consideraremos la primera como superestructural (epifenomenal, endógena) y la segunda como estructural (exógena, fundamental), que tiene una mejor reivindicación de la condición de "causa".
Impacto
0. Cuanto más impacto tenga X en Y, más significativo será el argumento
0. Los argumentos causales necesarios y suficientes son convincentes porque explican todas las variaciones en Y, sin dejar de ser admirablemente concisos.
0. En un formato de regresión, donde se supone que la relación entre X e Y es probabilística, el impacto se mide por el coeficiente (pendiente) para X de una estadística de ajuste de modelo como R2 (al cuadrado) para X, un vector de variables independientes.
0. El impacto de X también se puede considerar comparando su impacto con otros factores.
Mecanismo
0. Debe haber un mecanismo causal, la agencia o los medios por los cuales se produce un efecto o se logra un propósito
0. Puede ser un solo factor, un gran número de factores que actúan de forma independiente, una cadena causal de eventos discretos, un proceso continuo, etc.
0. Una hipótesis X (flechita) Y sin un mecanismo causal claro es un argumento en busca de una explicación. Puede ser cierto, pero no significativo.
Análisis causal
Dos criterios:
1. Covariación (correlación, asociación) entre las variables (probabísticamente). Las variables tienen que variar juntas.
0. Relación monotónica: relación positiva entre X e Y. Más de X significa más de Y.
0. Las relaciones no monotónicas son posibles. La relación puede ser positiva en un intervalo y luego negativa o viceversa (como en una función cuadrática).
1. Comparabilidad: si la comparabilidad causal está presente en toda la muestra, podemos decir que la estimación derivada del análisis es válida. Por lo tanto, la comparabilidad es la característica específica de un diseño de investigación que permite hacer reclamaciones sobre la validez. El valor esperado de Y para un valor determinado de X debe ser el mismo en todas las observaciones estudiadas a lo largo del período de análisis.
0. Nuestra mínima comprensión de la comparabilidad causal sólo requiere que las unidades sean comparables entre sí en promedio. El error entre unidades es satisfactorio siempre y cuando su distribución se centre en la media real.