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 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.