Conviene haber comprendido Informes reproducibles y narrativa visual.
CONTENIDO ORIGINAL
Avanza en orden. Cada lección está redactada para Palta es Cool, utiliza ejemplos propios y termina con una actividad cuya respuesta puedes desplegar.
ANTES DE EMPEZAR
Ubícate antes de avanzar
Al terminar deberías poder relacionar Diseño de estudios con Causalidad y resolver un caso nuevo.
Reserva entre 75 y 120 minutos o divide el laboratorio en dos sesiones.
04 / PREPARA EL LABORATORIO
Instala R y luego RStudio. Conserva cada ejercicio en un proyecto separado.
Abrir la guía de herramientas →Diagnóstico rápido: ¿cómo se relacionan Diseño de estudios y Causalidad? ＋
No necesitas acertar todavía. Escribe una hipótesis de dos líneas y compárala con tu respuesta al finalizar; si puedes corregirla y justificar el cambio, hubo aprendizaje.
Aprende el tema paso a paso
Aprenderás a distinguir predicción de causalidad, reconocer qué aporta un diseño experimental y tratar datos faltantes según el proceso que los produjo.
Al terminar podrás
- La pregunta define población, exposición, resultado y comparación
- La ausencia tiene un mecanismo, no solo una celda vacía
- Un efecto causal exige supuestos y una prueba de sensibilidad
01
Diseño antes del modelo
La pregunta define población, exposición, resultado y comparación
Un estudio descriptivo, predictivo y causal necesita evidencia distinta. La aleatorización equilibra factores en expectativa; en observación, variables de confusión pueden explicar parte de la asociación.
Define la unidad observada y cómo fue seleccionada.
Separa variables previas de consecuencias posteriores.
Dibuja relaciones plausibles antes de elegir ajustes.
¿Agregar todas las columnas al modelo elimina la confusión?
Mostrar respuesta ＋
No. Algunas son consecuencias, colisionadores o mediciones pobres; otras causas ni siquiera fueron observadas. El ajuste se guía por conocimiento y diseño.
02
Por qué falta un dato
La ausencia tiene un mecanismo, no solo una celda vacía
La ausencia puede no relacionarse con datos; depender de variables observadas; o depender del valor ausente incluso después de ajustar. Contar patrones y comparar grupos ayuda a formular supuestos, pero no identifica por sí solo el mecanismo.
No conviertas NA en cero sin una regla semántica.
Eliminar casos completos puede sesgar y perder precisión.
Imputar conserva incertidumbre; no fabrica certeza.
¿Reemplazar NA por la media conserva la distribución?
Mostrar respuesta ＋
No. Reduce artificialmente la variabilidad, distorsiona relaciones y trata valores imputados como ciertos. Se prefieren métodos acordes con el mecanismo y análisis de sensibilidad.
03
Conclusión honesta
Un efecto causal exige supuestos y una prueba de sensibilidad
Se reporta qué comparación representa el efecto, por qué los grupos son comparables y qué amenazas quedan. Resultados bajo varias especificaciones muestran si la conclusión depende de una sola decisión.
Distingue estimando causal de métrica predictiva.
Incluye efectos con intervalos, no solo significancia.
Declara confusión residual, selección y medición imperfecta.
¿Un modelo predictivo muy preciso demuestra que un predictor causa el resultado?
Mostrar respuesta ＋
No. Puede explotar señales posteriores, proxies o confusores. Predecir una observación y estimar qué pasaría al intervenir son preguntas distintas.
Tu recorrido en tres ideas
- La pregunta define población, exposición, resultado y comparación
- La ausencia tiene un mecanismo, no solo una celda vacía
- Un efecto causal exige supuestos y una prueba de sensibilidad
Evalúa un programa con datos incompletos
Relaciona pregunta causal, asignación, confusión, mecanismo de ausencia y análisis de sensibilidad.
CASO
Quienes abandonaron un curso responden menos la encuesta final, y el equipo quiere afirmar que el curso mejoró sus resultados.
Procedimiento
- Dibuja tratamiento, resultado, confusores y selección en la muestra observada.
- Clasifica qué explicación de ausencia es defendible y qué información falta.
- Compara análisis completo, ponderado o imputado y reporta sensibilidad.
Evidencia mínima
- Supuestos causales escritos antes del modelo.
- Tasa de ausencia por grupos relevantes.
- Conclusión que cambia o se mantiene entre escenarios.
Mostrar razonamiento modelo ＋
Imputar no corrige automáticamente una selección informativa. La respuesta debe explicar por qué faltan datos y mostrar cuánto tendría que diferir el grupo ausente para cambiar la conclusión.
Para ir más lejos¿Qué medición previa ayudaría a sostener un supuesto menos fuerte?
CIERRE DE LA SECCIÓN
Comprueba que puedes usarlo
Antes de continuar, revisa estos tropiezos frecuentes y resuelve un caso sin copiar los ejemplos.
Ajustar por todas las variables sin pensar su papel causal.
Imputar con la media y ocultar la incertidumbre.
Ahora hazlo sin guía
Evalúa una capacitación observacional con ausencias en el resultado y diseña análisis principal y sensibilidad.
Mostrar pauta de corrección ＋
Una respuesta sólida:
- Define población, comparación y confusores.
- Explica un mecanismo plausible de ausencia.
- Separa asociación, predicción y efecto causal.