Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Apuntes
José Luis Gaviria
J. L. Gaviria 1
Métodos de Investigación en Educación.
J. L. Gaviria 2
Métodos de Investigación en Educación.
ÍNDICE
La inferencia causal y la estadística ......................................................................1
Apuntes............................................................................................................. 1
1.- El establecimiento de relaciones causales y la estadística .......................... 4
1.1.- Los supuestos de la solución científica. ............................................... 6
1.2.- Los supuestos de la solución estadística. ............................................. 7
1.2.1.- El supuesto de independencia. ...................................................... 8
1.2.2.- El supuesto del efecto constante.................................................... 9
2.- Consecuencias del modelo. ....................................................................... 10
3.- Acerca de la naturaleza de las causas........................................................ 13
4.- Referencias ................................................................................................ 19
J. L. Gaviria 3
Métodos de Investigación en Educación.
J. L. Gaviria 4
Métodos de Investigación en Educación.
Aquí no podemos revisar toda la bibliografía existente sobre el tema. Pero eso
no impide que presentemos uno de los análisis más lúcidos sobre la cuestión. Se trata
del modelo sobre el proceso de inferencia causal desarrollado por RUBIN (1974, 1978,
y 1980), y analizado brillantemente por HOLLAND (1986). En lo que sigue
presentaremos lo más claramente posible este modelo, y comentaremos las cuestiones
que quedan aclaradas cuando se hace uso del mismo, así como los puntos débiles y las
limitaciones que presenta.
En el modelo de RUBIN se distinguen dos tipos de estudios inferenciales, por
otra parte comúnmente admitidos. Se trata de la inferencia asociativa, lo que también
denominamos estudios correlacionales, y la inferencia causal propiamente dicha. En la
inferencia asociativa, se parte de una población U compuesta por unidades de análisis
individuales u. Sobre cada una de estas unidades de análisis se define una variable Y,
denominada variable de respuesta, y una variable A denominada atributo. Por cada
unidad u se define un valor de Y, Y(u) y un valor de A, A(u). En realidad no existe un
criterio intrínseco por el que la variable Y haya de ser la variable de respuesta. La única
razón, es que se trata de la variable de la que queremos conocer su distribución en
función de los valores de A. Los parámetros que determinan la forma concreta en que la
distribución de los valores de Y dependen de la distribución de los valores de A se
denominan los parámetros asociativos, un ejemplo de los cuales es el coeficiente de
regresión. La inferencia asociativa consiste en el establecimiento de inferencias
estadísticas acerca de los parámetros asociativos en función de los valores de las
variables A e Y recogidos de un subconjunto de la población U. En este sentido, la
inferencia asociativa no es mucho más que la estadística descriptiva.
En el establecimiento de relaciones causales también partimos de una población
U de unidades de análisis, a cada una de las cuales denominamos u. En el lenguaje
ordinariamente utilizado para hablar de causalidad, cuando decimos que A es causa de
B, parece que todo el mundo entiende lo que queremos decir. Sin embargo esta forma de
hablar oscurece, más que aclara la naturaleza de la inferencia causal. Al decir que A
causa B, estamos refiriéndonos implícitamente a otra causa A', con relación a la que
comparamos A. Esa causa A' puede ser no A. Así planteado el problema, al decir A
causa B, estamos diciendo, que la presencia del fenómeno A origina el fenómeno B, y
que la ausencia de A origina el fenómeno no B. Sólo de esta forma tiene sentido hablar
de causalidad. Si ocurriese que A origina B, pero no A origina también B, desde luego
todos estaríamos de acuerdo en que A no es causa de B. En el modelo de RUBIN por
tanto la comparación entre dos causas para llevar a cabo inferencias causales se hace
explícita. Y aunque este modelo no se refiere sólo a la inferencia causal en el contexto
experimental, hace uso de la terminología propia del mismo. Así, la variable S, indica a
qué causa se expuso una unidad de análisis. S=t indica tratamiento, y S=c indica
control. Por simplicidad se expone el modelo más sencillo, pero sería fácilmente
generalizable a cualquier número de tratamientos distintos.
Un punto fundamental de este modelo, es que todas las unidades de análisis u de
U deben poder exponerse en principio a las dos causas distintas t y c. En cuanto a las
respuestas obtenidas en cada sujeto como resultado de la exposición a las causas, en la
inferencia causal es necesario utilizar dos variables para recoger dichos efectos. Se trata
de Yt y de Yc. La primera recoge los valores correspondientes a cada sujeto en el caso de
que haya sido expuesto al tratamiento t, y la segunda los valores de cada sujeto en el
caso de que haya sido sometido al control. La confusión respecto a este punto viene del
hecho de que cuando se procede a la medición post-causal, para cada sujeto sólo se
recoge un valor de respuesta, por lo que podría pensarse que se trata de una sola
J. L. Gaviria 5
Métodos de Investigación en Educación.
variable de respuesta. Sin embargo en este modelo esa variable de respuesta que se mide
es Ys, y sus valores se obtienen por el algoritmo siguiente:
SI (S=t) ENTONCES Ys:=Yt;
SI (S=c) ENTONCES Ys:=Yc;
El efecto causal se define dentro del modelo por la diferencia: T=Yt(u)-Yc(u). Es
decir, el valor que se obtiene cuando se expone a una unidad de análisis al tratamiento t,
menos el valor que se obtiene cuando se expone esa misma unidad de análisis al control,
o de forma general al tratamiento c.
Como consecuencia de este modelo, HOLLAND (1986) define el ‘Problema
fundamental de la inferencia causal’. Ese problema, es que no pueden observarse
simultáneamente los valores Yt(u) e Yc(u), sobre la misma unidad de análisis.
Es interesantísimo comprobar cómo un modelo tan sencillo puede aportar tanta
claridad a una cuestión como la que estamos tratando. El Problema fundamental de la
inferencia causal no es nuevo, y de hecho todo el trabajo de investigación científica trata
en realidad de evitar sus consecuencias, pero en este modelo se hace patente y explícito
gracias a la distinción que en él se hace entre las variables de respuesta inobservables y
las respuestas efectivamente medidas. Se trata indudablemente de un problema grave,
pero eso no quiere decir que no sea posible la inferencia causal. Lo que ocurre es que,
como veremos, es imposible realizar inferencias causales sin asumir algunos supuestos
auxiliares que en sí mismos son incontrastables. Esos supuestos se agrupan en dos
grandes tipos de soluciones al problema fundamental. Se trata de la solución científica,
y de la solución estadística.
Antes de abordar la formulación de esos supuestos, resaltaremos que de los
elementos de este modelo (U, unidades de análisis, T tratamientos, Y, respuestas, y x,
relación entre U y T), aquéllas condiciones que se imponen acerca de U, T y x, dan lugar
a las distintas condiciones del diseño experimental. Mientras que los supuestos hechos
acerca de Y dan lugar a modelos causales.
En este sentido, el supuesto de homogeneidad de las unidades de análisis que se
menciona en el siguiente apartado es un modelo causal, ya que, como se verá
inmediatamente, se supone que Yit=Yt para todo t ⊂ T. Pero por la misma razón el
modelo de la hipótesis nula de Fisher, es un modelo causal, ya que suponen que Yit=Yi
para todo t ⊂ T. (HOLLAND, 1993)
1.1.- LOS SUPUESTOS DE LA SOLUCIÓN CIENTÍFICA.
En la solución científica el problema fundamental de la inferencia causal puede
resolverse de dos formas. En la primera de ellas se hace uso de dos supuestos: el
supuesto de estabilidad temporal y el supuesto de transitoriedad causal. Por el
primer supuesto, no importa cuándo se aplique c a la unidad u, ya que sea cuando sea se
obtendrá siempre el mismo valor Yc(u). Según el segundo supuesto, el valor Yt que se
obtiene después de haber aplicado t a u, no se ve afectado por el hecho de que
previamente u haya recibido el valor c de S. Es lo que ocurre cuando queremos
averiguar el efecto de la temperatura sobre la dilatación de cierto metal. No importa
cuándo apliquemos la temperatura c al metal, ya que la respuesta obtenida, la dilatación
Yc será siempre la misma. Si posteriormente aplicamos la temperatura t a ese mismo
metal, la dilatación obtenida Yt no se verá afectada por el hecho de que la barra de metal
haya sido previamente sometida a la temperatura de control. Insistimos que éstos son
supuestos, y que no hay forma de contrastarlos en la práctica.
Una segunda forma de dar respuesta al problema que estamos tratando es el
hacer uso de otro supuesto; el supuesto de homogeneidad de las unidades de análisis.
J. L. Gaviria 6
Métodos de Investigación en Educación.
Según este supuesto, los valores obtenidos al aplicar t o c a u1 son los mismos que se
obtendrían al aplicar t o c a u2. Es decir, Yt(u1)=Yt(u2) y Yc(u1)=Yc(u2). Por lo tanto
puede obtenerse T, el tamaño del efecto, como T=Yt(u1)-Yc(u2). Es lo que se hace
cuando para resolver el problema de la dilatación de un metal, utilizamos dos barras
distintas de la misma aleación y sometemos a cada una de ellas a distintas temperaturas.
En la primera solución incumplimos el requisito de que la exposición de la unidad de
análisis a los tratamientos sea simultánea, y en la segunda incumplimos el requisito de
que lo que se exponga a los tratamientos sea la misma unidad de análisis.
1.2.- LOS SUPUESTOS DE LA SOLUCIÓN ESTADÍSTICA.
La solución estadística a este problema consiste en obtener el efecto causal
medio. A este efecto medio se le llama T, y se obtiene por
T=ε(Yt-Yc)
Por las propiedades del operador esperanza matemática, tenemos que
T=ε(Yt)-ε(Yc).
En el modelo que estamos analizando Yt=Yt(u) y Yc=Yc(u). Esto quiere decir que
ε(Yt) es el valor medio de Yt obtenido sobre todos los elementos del conjunto U, y ε(Yc)
es el valor medio de Yc obtenido sobre todos los elementos del conjunto U. Pero los
datos que observamos en los elementos del conjunto U son (S, Ys) es decir, sabemos si
recibió tratamiento o era parte del grupo de control, y el valor que obtuvo en la variable
de respuesta correspondiente. Esto quiere decir que la información que nosotros
obtenemos de cada sujeto nos permite calcular con todos ellos sólo
ε(Ys|S=t)=ε(Yt|S=t)
y
ε(Ys|S=c)=ε(Yc|S=c)
y en este punto es importante destacar, que ε(Yt|S=t) no es lo mismo que ε(Yt), y
del mismo modo ε(Yc|S=c) no es lo mismo que ε(Yc). Y seguramente esto necesita
alguna aclaración.
En primer lugar, ε(Yt) es el valor medio de Yt calculado sobre todos los
elementos de U. Del mismo modo, ε(Yc) es el valor medio de Yc calculado sobre todos
los elementos de U. Sin embargo ε(Yt|S=t) es el valor medio de Yt calculado sólo sobre
aquellos sujetos que recibieron el tratamiento t, y de forma análoga, ε(Yc|S=c) es el
valor medio de Yc calculado sólo sobre aquellos sujetos que recibieron el tratamiento c,
o dicho de otro modo, que pertenecían al grupo de control. Tal vez se haga un poco
difícil de entender esto si tenemos en cuenta que en cada sujeto sólo se observa Yt o Yc,
en función del valor de S. Para comprender mejor esto, debemos entender que cada
sujeto, tiende o propende, a proporcionar un valor de Yt y un valor de Yc. En este punto
retomamos la teoría de la probabilidad como propensión, expuesta por POPPER.
Supongamos que sean Yt e Yc la propensión de cada sujeto en función de que se le
aplique el valor t de S o el valor c de S respectivamente. Por supuesto, esas
propensiones son inobservables. Tendríamos entonces una matriz como la de la tabla I.
Los valores Yti e Yci son las propensiones del sujeto i, y son por tanto valores
inobservables. A continuación asignamos a cada sujeto un valor arbitrario de S, bien t o
bien c. En ese momento, cuando se actualiza un valor de S, el correspondiente valor de
Ys se hace manifiesto.
J. L. Gaviria 7
Métodos de Investigación en Educación.
Yt Yc S
1 Yt1 Yc1 t
2 Yt2 Yc2 t
| | | |
N/2 YtN/2 YcN/2 t
(N/2)+1 Yt(N/2)+1 Yc(N/2)+1 c
| | | |
N YtN YcN c
Recordemos que T=ε(Yt)-ε(Yc). Ahora podemos ver que,
1 N 1 N
ε (Yt ) = ∑ Yti y ε (Yc ) = ∑ Ycii
N i =1 N i =1
Sin embargo
n
1 2 1 N
N ∑ N N∑ ci
ε (Yt S = t ) = Yti y ε (Yc S = c) = Y
i =1
+1
2 2 2
Ahora es cuando ya se hace evidente que ε(Yt|S=t)≠ε(Yt) y ε(Yc|S=c)≠ε(Yc).
Supongamos que por alguna razón, t se aplicase a aquéllos casos en los que la
puntuación Yt a la que propenden fuese la mitad más baja en Yt. En ese caso, es claro
que ε(Yt)>ε(Yt|S=t).
J. L. Gaviria 8
Métodos de Investigación en Educación.
se basa toda la inferencia causal-experimental, y por ello nos damos cuenta de cuáles
son los límites de la misma.
En muchas ocasiones se ha resaltado la importancia de la aleatorización en los
experimentos para garantizar la validez interna. Aquí queda patente que la importancia
de la aleatorización estriba en que con ese procedimiento tratamos de asegurarnos de
que se cumple el supuesto de independencia. Pero a pesar de todo, el cumplimiento
efectivo de ese supuesto es incontrastable.
A la diferencia ε(Yt|S=t)-ε(Yc|S=c) se le denomina en general ‘efecto causal
prima facie’, o ‘efecto causal aparente’ que en general es distinto del verdadero efecto
causal. Sólo cuando se cumple el supuesto de independencia se pueden igualar esos dos
valores.
J. L. Gaviria 9
Métodos de Investigación en Educación.
J. L. Gaviria 10
Métodos de Investigación en Educación.
J. L. Gaviria 11
Métodos de Investigación en Educación.
J. L. Gaviria 12
Métodos de Investigación en Educación.
J. L. Gaviria 13
Métodos de Investigación en Educación.
esto se expresa por la distribución conjunta de S con Yt e Yc. El control total puede hacer
a S independiente de Yt e Yc”. (HOLLAND (1986, p. 954)).
En los experimentos naturales ocurre ‘como si’ la naturaleza asignase al azar los
distintos valores de S a los sujetos. Y ¿Por qué un atributo no puede ser causa dentro de
este modelo? La principal razón es que el efecto causal se define como la diferencia
T=Yt(u)-Yc(u). Esto es, la diferencia que se obtendría en una unidad de análisis entre el
valor de la variable de respuesta correspondiente al tratamiento t y el valor de la
variable de respuesta correspondiente al tratamiento c. Si los valores t y c fuesen dos
atributos distintos, como por ejemplo, sexo masculino y sexo femenino, la unidad u ya
no sería la misma, por lo que no puede definirse el efecto causal. Naturalmente, el
sostener esto hasta las últimas consecuencias, supone ser capaz de determinar qué es un
atributo y qué es un tratamiento potencial.
También es preciso en definitiva, poder determinar cuáles son las características
que definen lo invariante de un sujeto y cuáles son aspectos contingentes, ya que podría
argüirse que el sujeto que experimentó el tratamiento t, es otro distinto del que sería si
hubiese experimentado el tratamiento c. En cualquier caso aunque en algunas ocasiones
la diferenciación pueda aparecer como clara y evidente, si tratamos de considerar las
relaciones de causalidad desde un punto de vista amplio, nos resulta muy difícil negar la
naturaleza causal a una afirmación como:
“El sol es la causa de que los planetas transiten por sus órbitas respectivas”.
En este caso, el sol realmente mantiene a los planetas en sus órbitas, pero,
¿Admitiría HOLLAND, o mejor dicho, podríamos nosotros admitir, utilizando el
criterio de HOLLAND, que el sol es la causa de la estabilidad orbital? Es indudable que
no podemos pensar en un tratamiento alternativo para los planetas, es decir, no podemos
quitar al sol del sistema solar. Pero, ¿Es que es ‘per se’ imposible, o simplemente
‘difícil’, aunque posible como experimento hipotético?
Lo que parece claro es que la eliminación del sol no cambia la naturaleza
entitativa de los planetas, por lo que la presencia o ausencia del sol no parece un
atributo, siendo por tanto una causa potencial. Se podría añadir en apoyo a este
razonamiento que precisamente la no manipulabilidad astronómica es lo que ha
retrasado en la historia el reconocimiento de la masa del sol y de los planetas como
causa de los movimientos planetarios. Pero obsérvese que con el criterio de
HOLLAND, no es que no puedan descubrirse las relaciones causales, es que aquello
que no es manipulable no es una causa.
Desde otro punto de vista, alguien podría aducir que la naturaleza entitativa de
los planetas se define precisamente por su relación con el sol, por lo que la hipotética
eliminación del mismo cambiaría su naturaleza. Por supuesto que la réplica consiste en
afirmar que la única naturaleza de los planetas que nos interesa es aquella que afecta a
su movimiento espacial, es decir, nos interesa su masa.
En el hipotético experimento cósmico, la eliminación del sol cambiaría muchas
cosas en los planetas, por ejemplo supondría la desaparición de la vida de la Tierra, el
enfriamiento de Venus, etc. Pero, a los efectos de nuestro experimento, ¿Supondría eso
un cambio importante? La respuesta es no. Sólo aquello que cambiase la masa o las
distancias dentro del sistema solar afectaría al resultado del experimento. Pues bien, esta
respuesta podría trasladarse a otros casos. El cambiar un atributo a un sujeto es algo
difícil de concebir, pero no imposible. El sexo es un atributo, y aunque es difícil pensar
en un experimento con cambio de sexo de los sujetos, no por ello es impensable un
experimento hipotético. El argumento de que eso supondría cambiar la unidad de
análisis tiene la misma respuesta que el experimento planetario: un cambio sólo sería
J. L. Gaviria 14
Métodos de Investigación en Educación.
J. L. Gaviria 15
Métodos de Investigación en Educación.
desarrollar toda una geometría utilizando un punto que se mueve por el plano. Ese punto
no tiene masa, ni dimensiones, ni ninguna propiedad que nos permita reconocer en los
distintos instantes que aunque cambia su posición en el espacio es idéntico a sí mismo. Y
las figuras geométricas aparecen como las trayectorias que describe por el espacio ese
punto hipotético. La identidad de esa abstracción matemática es una propiedad asignada
por nosotros arbitrariamente.
Supongamos ahora que estamos desarrollando una teoría del movimiento.
Además del espacio cartesiano definido anteriormente, la unidad elemental es un punto
sin masa que se mueve por el espacio, y que por tanto está dotado de velocidad. Es
decir, su posición cambia con el tiempo. Antes de seguir queremos resaltar el hecho de
que este punto no es más que una abstracción. ¿Qué es lo que mantiene la identidad de
ese punto que no está dotado de más propiedades que la de una posición que cambia con
el tiempo? ¿Cómo podemos desarrollar una teoría acerca de un objeto que no tiene
identidad?
Pensemos ahora en la dinámica teórica. Un espacio cartesiano en el que el
elemento de análisis es un punto dotado de masa y cuya posición cambia con el tiempo.
Las relaciones entre la masa y la velocidad de cada unidad de análisis determinan su
cantidad de movimiento, su inercia, etcétera. En cada uno de los tres ejemplos que
hemos mencionado, el elemento de análisis es una abstracción a la que se le atribuyen
determinadas propiedades. Una pregunta importante a este respecto es si esas unidades
de análisis que se definían en cada una de las tres teorías representan bien a los
elemento de la realidad que dicha teoría pretende modelizar. La respuesta es que no los
representan bien, pero los representan adecuadamente. No los representan bien porque
el objetivo de definir las unidades de análisis en cada teoría no es representar completa
y fielmente los elementos de la realidad que se está modelizando. Pero los representan
adecuadamente porque se trata de abstracciones que toman de los elementos de la
realidad precisamente aquellas características que son importantes a la hora elaborar el
modelo. Es verdad que no existen en la realidad sensible objetos que no tengan
dimensiones, que sólo tengan posición en el espacio. Pero también es verdad que en esa
realidad sensible no existen ni triángulos ni circunferencias, existen objetos circulares,
pero no hay circunferencias puras. Lo que no resta utilidad a la geometría. Lo mismo
puede decirse de la dinámica y de cualquier otra teoría matemática.
Pues bien, volvamos a las unidades de análisis de una teoría de la inferencia
causal. Lo primero que deberíamos preguntarnos es cuáles son las propiedades que
definen a los elementos de esa teoría. Podemos decir que una unidad de análisis es un
ente que tiene ciertas propiedades, por ejemplo una determinada puntuación de
inteligencia y una determinada situación socio-familiar. Las relaciones entre el nivel
socio-cultural y la inteligencia determinan el rendimiento escolar. Como esta unidad de
análisis es una abstracción, puedo proponer el caso de que esa misma unidad de análisis
tenga otro valor distinto de la variable inteligencia. Y por eso no cambia la identidad de
la unidad de análisis, ya que por definición le asignamos la misma identidad. Volviendo
a uno de los ejemplos, podemos decir que si el punto A tiene la masa X y la velocidad Y,
su cantidad de movimiento sería XxY, mientras que si A tuviera una masa X' y la misma
velocidad, su cantidad de movimiento sería X'xY. Sin embargo es cierto que en la
realidad que conocemos, un mismo cuerpo no puede tener dos masas distintas. Pero no
por eso decimos que por ejemplo la Teoría de la Gravedad no pueda ser una teoría
causal.
Y esto último nos lleva a otro aspecto del problema, a saber, las relaciones entre
una teoría y la realidad que modeliza, es decir, entre una teoría y un sistema. Es por lo
J. L. Gaviria 16
Métodos de Investigación en Educación.
J. L. Gaviria 17
Métodos de Investigación en Educación.
intento de aclarar esa cuestión haya influido el hecho de que en nuestro ámbito de
investigación, variables con un poder explicativo tan grande como la inteligencia sean
atributos. Pero pensando en variables de otros ámbitos, ¿Cómo podemos negar la relación
causal entre la carencia de cierta porción de DNA y el padecimiento de la hemofilia? Es
indudablemente una cuestión de lenguaje, pero es difícil resistirse a la tentación de
considerar que existe una relación causal. Pero es que ese mismo tipo de relaciones existen
entre las capacidades de cualquier tipo y los rendimientos. Podríamos limitarnos a
considerar simplemente las distribuciones conjuntas y las distribuciones condicionales,
pero algo nos impulsa a dar un paso más allá de estas consideraciones. Y un argumento
que empuja en la misma dirección aparece cuando consideramos ciertas cadenas causales
que son poco claras, en las que algunas variables pueden adoptar, según el punto de vista,
el rol de atributos o el rol de variables manipulables ‘en principio’.
Podemos considerar que en el desarrollo de los párrafos anteriores hemos
presentado una alternativa de la explicación causal digna de ser tenida en cuenta.
Como conclusiones de todas las consideraciones anteriores podríamos enunciar
las que siguen, aunque probablemente no en el mismo orden en que se han tratado.
En primer lugar, el establecimiento de relaciones causales supone la
comparación de una causa con otra. La determinación del tamaño del efecto supone
establecer el efecto de una causa con relación al efecto de otra.
En segundo lugar, no pueden establecerse relaciones causales sin asumir algún
supuesto que es en sí mismo incontrastable. De unas soluciones a otras varían los supuesto
asumidos, pero siempre hay que adoptar alguno de ellos.
En tercer lugar, cualquier cosa que pueda ser un tratamiento en un experimento
puede ser una causa, pero existen poderosos argumentos que permiten asignar el papel
de causas a variables atributivas. Este es un punto abierto a la discusión, y cualquier
postura puede ser justificada.
En cuarto lugar, la solución estadística al problema de la inferencia causal
supone asumir el supuesto de independencia. Ese supuesto es altamente razonable
cuando los tratamientos se asignan al azar a cada uno de las unidades de análisis, ya que
en ese caso la mayor o menor confiabilidad en el cumplimiento del mismo descansa
sobre la eficacia del método de aleatorización. Pero este método no es el único que
permite asumir el supuesto de independencia. El conocimiento del fenómeno a estudiar
puede permitir asegurar el cumplimiento del mismo, sólo que en este caso la seguridad
descansa sobre el grado de conocimiento que podamos tener del fenómeno a estudiar.
Esto permite establecer inferencias causales en los estudios observacionales.
Por último, no pueden identificarse los estudios correlacionales con los estudios
observacionales. En los primeros se trata de solucionar estadísticamente un problema de
inferencia de los parámetros asociativos. En los segundos se utiliza un esquema causal
en el que el mecanismo de aleatorización se ha sustituido por un cierto control
estadístico, que presupone el conocimiento de un cierto fenómeno, es decir, la
existencia de una teoría, cuya consistencia es la garantía de que se cumple el supuesto
de independencia.
J. L. Gaviria 18
Métodos de Investigación en Educación.
4.- Referencias
Ferrater Mora, J. (1980) Diccionario de Filosofía Alianza, Madrid
Glymour, C. (1986) Comment. Statistics And Metaphysics Journal Of The
American Statistical Association, Vol. 81, Nº 396, Pp. 964-966
Holland, P. W. (1986) Statistics And Causal Inference Journal of the American
Statistical Association, Vol. 81, Nº 396, Pp. 945-960
Holland, P.W. (1993) Probabilistic Causation Without Probability Research
Report nº 93-29 Educational Testing Service
Holland, P.W. y Rubin, D.B. (1980) Causal Inference In Prospective And
Retrospective Studies Conferencia leída en la ‘Jerome Cornfield Memorial Session’ del
American Statistical Association Annual Meeting.
Holland, P.W. y Rubin, D.B. (1983) On Lord's Paradox En Wainer, H. y
Messick, S. (Eds.) Principals Of Modern Psychological Measurement Lawrence
Erlbaum, Hillsdale, N.J.
Hume, D. (1740/1888) A Treatise of Human Nature. (L. A. Selby-Bigge, Ed. )
Oxford University Press. London
Hume, D. (1748) An Inquiry Concerning Human Understanding.
Lewis, D. (1973) Counterfactuals Harvard University Press, Cambridge, Ma.
Lewis, D. (1983) Philosophical Papers (Vol. 2) Oxford University Press,
Oxford, U.K.
Rosenbaum, P. R. (1984a) From Association To Causation In Observational
Studies: The Role Of Tests Of Strong Ignorable Treatment Assignment Journal Of The
American Statistical Association, VOL. 79, Pp. 41-48
Rosenbaum, P. R. (1984b) The Consequences Of Adjustment For A Concomitant
Variable That Has Been Affected By The Treatment Journal Of The Royal Statistical
Society, Ser. A, VOL. 147, Pp. 656-666
Rosenbaum, P. R. (1984c) Conditional Permutation Tests And The Propensity
Score In Observational Studies Journal Of The American Statistical Association, Vol.
79, Pp. 565-574
J. L. Gaviria 19
Métodos de Investigación en Educación.
J. L. Gaviria 20