Bienvenidos a un nuevo artículo de la serie dedicada al libro Causal Inference: The Mixtape. En el artículo anterior vimos una introducción a la notación de outcomes potenciales y cómo esta permite expresar conceptos claves de inferencia causal. Uno de esos conceptos claves es que la diferencia de medias simple, en presencia de un tratamiento asignado aleatoriamente, constituye un estimador insesgado del efecto causal del tratamiento (i.e. en esos casos correlación sí es causalidad).

En este artículo, el segundo de la serie dedicada al libro Causal Inference: The Mixtape, hablaré sobre la notación de Potential Outcomes y de cómo esta nos permite abordar preguntas de causalidad y entender conceptos claves de este campo1. La idea central de esta notación es la comparación entre 2 estados del mundo: El estado actual: resultados observados en los datos, considerando el valor real que tomó una cierta variable de tratamiento.

Este post es un poco meta (al hablar en el blog sobre algo del mismo blog), pero lo escribí porque al buscar tutoriales sobre cómo implementar mi propio newsletter encontré muy poco materia: tuve que averiguar cómo hacerlo mediante prueba y error, y adaptando instrucciones no pensadas para hugo/blogdown. Me gustaría que quienes están buscando lograr lo mismo tengan las cosas más fáciles, y para ello explico aquí, paso a paso, 3 formas distintas de implementar un newsletter en un sitio blogdown.

Este artículo es el primero de una serie dedicada al contenido del libro Causal Inference: The Mixtape, en la cual buscaré resumir los principales temas y metodologías expuestos allí. Los DAGs (Directed Acyclic Graphs o grafos acíclicos dirigidos) son un tipo de visualización que cuenta con múltiples aplicaciones, una de las cuales es el modelamiento de relaciones de causalidad. Aplicados a causalidad, los DAGs sirven para representar las relaciones causales que creemos que existen entre las variables de interés.