Modelo de outcomes potenciales (o porqué correlación no es causalidad)
![Modelo de outcomes potenciales (o porqué correlación no es causalidad)](/es/post/potential-outcomes-causal-inference-mixtape/images/homer_potential_outcomes.jpg)
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.
Introducción a los diagramas de causalidad (DAGs)
![Introducción a los diagramas de causalidad (DAGs)](/es/post/2021-07-11-diagramas-causalidad-cap-3-causal-inference-mixtape/alice_in_wonderland.jpg)
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.