Econometría de Evaluación de Impacto - Pontificia universidad ...

este efecto, deberíamos tener alguna idea sobre la existencia de una
relación causal entre estas variables.
Por mucho tiempo se pensó que la estadística tenía poco que contribuir al
análisis causal. La aceptación de la frase que “la correlación no implica
causalidad” ha significado el límite que la estadística se ha puesto a si
misma en su contribución a este análisis. Esto se debe a que
tradicionalmente la estadística inferencial ha estudiado la manera como
los datos “aparecen” en el mundo real. Tal interés conlleva al estudio de
la distribución de probabilidad conjunta de estas variables, la cual entrega
las probabilidades de ocurrencia de ellas. Luego, contando con una
muestra de observaciones de estas variables y haciendo algunos
supuestos simplificadores sobre la estructura de este proceso generador
de datos, la estadística inferencial obtiene estimadores de los parámetros
que configuran a tal proceso. Algunos de estos parámetros —como las
probabilidades y las esperanzas condicionales— son llamados
“parámetros asociativos” los cuales han sido utilizados como pieza clave
en el análisis econométrico. Estos parámetros no son determinantes para
establecer relaciones causales entre las variables. La presencia de
variables asociadas sin mayor sentido, como en el caso de las conocidas
regresiones espurias o la presencia de los llamados “confounders”,
presenta una limitación importante para el análisis de inferencia causal
con base en parámetros asociativos
Sin embargo, como veremos en las siguientes secciones, la estadística sí
tiene un papel importante en el análisis causal. Este último va más allá
del mero análisis de estadística inferencial tradicional. Hay aspectos
importantes del proceso generador de datos que no se limitan a decir que
dos variables económicas están correlacionadas y/o asociadas, sino que
se trata de ver si efectivamente puede comprobarse con los datos que
una variable causa a otra. Con este fin, la estadística inferencial es
1 Una interesante reseña de los problemas que se pueden encontrar en estudios
observacionales —en comparación con estudios experimentales— se encuentra en el
clásico documento de Cochran (1965).
3
1
.