Investigación Modelos Causales

¿Qué es?
Los modelos causales son modelos matemáticos que representan relaciones causales dentro de un
sistema o población individual. Facilitan inferencias sobre relaciones causales a partir de datos
estadísticos. Pueden enseñarnos mucho sobre la epistemología de la causalidad y sobre la relación
entre causalidad y probabilidad. También se han aplicado a temas de interés para los filósofos, como
la lógica de los contrafácticos, la teoría de la decisión y el análisis de la causalidad real. Un modelo
causal hace predicciones sobre el comportamiento de un sistema.
Los modelos causales pueden ayudar con la cuestión de la validez externa (si los resultados de un
estudio se aplican a poblaciones no estudiadas). Los modelos causales pueden permitir que los datos
de múltiples estudios se fusionen (en determinadas circunstancias) para responder preguntas que no
pueden ser respondidas por ningún conjunto de datos individual
Un modelo causal implica el valor verdadero, o la probabilidad, de afirmaciones contrafactuales
sobre un sistema; predice los efectos de las intervenciones; e implica la dependencia o independencia
probabilística de variables incluidas en el modelo.
Los modelos causales también facilitan la inversa de estas inferencias:
si observamos correlación probabilística entre variables, o las salidas de intervenciones
experimentales, podemos determinar cuáles modelos causales son consistentes con estas
observaciones A partir de los modelos causales se pueden establecer las causas de algunos eventos y
predecir sus efectos. El conocimiento causal puede ser empleado para facilitar el proceso de toma de
decisiones.

¿Para qué sirve?

El modelado causal resulta importante para entender el proceso de toma de decisiones; sin embargo,
continúa siendo un área relativamente poco estudiada. La causalidad se ve generalmente como una
relación precisa: la misma causa provoca siempre el mismo efecto. Pero en el mundo cotidiano, los
enlaces entre causa y efecto son frecuentemente imprecisos o imperfectos por naturaleza. Para
considerar la causalidad desde un punto de vista computacional, se requiere la obtención de modelos
causales imprecisos. Por esto es necesario considerar la utilización de técnicas de Soft Computing,
dentro de estas se tienen las Redes Bayesianas (RB) y los Mapas Cognitivos Difusos (MCD) (Leyva,
et al., 2012).
Los modelos más utilizados a nivel mundial para el análisis de los riesgos, no son capaces de modelar
las dependencias entre los factores de riesgos, sin embargo, los métodos probabilísticos causales han
tenido un buen auge en los últimos años, pues han logrado representar las interdependencias entre los
riegos combinándolos de alguna forma con la opinión de expertos.
Los modelos causales, a diferencia de los métodos subjetivos, intentan proyectar el mercado sobre la
base de antecedentes cuantitativos históricos. Para ello, supo- nen que los factores condicionantes del
comportamiento histórico de alguna o todas las variables del mercado permanecerán estables. Los
modelos causales de uso más frecuente son el modelo de regresión, el modelo econométrico, el
método de encuestas de intenciones de compra y el modelo de insumo producto, llamado también
método de los coeficientes técnicos.

Características de los modelos causales

Entre las características más importantes del modelo causal se encuentran:
 Tiene el objetivo de definir las causas del por qué y cómo sucede una acción. Es decir, indaga
el efecto que una variable tiene sobre otra.
 Es un tipo de investigación cuantitativa que requiere de pruebas estadísticas y
experimentación para conocer las causas del fenómeno.
 Son muy rígidas al recolectar los datos y analizarlos, ya que requieren información confiable
y comprobable entre las variables.  
 Las variables deben poder ser manipuladas para que los efectos que provocan se eliminen.
 Su estructura está completamente definida y es necesario que la muestra de estudio se oriente
a un proceso secuencial.
 Si el antecedente es una conjunción de proposiciones atómicas se reemplazan todas las
ecuaciones relevantes.
 Un caso especial ocurre cuando el antecedente es una conjunción de proposiciones atómicas
que asignan valores diferentes a la misma
 variable. En este caso, el antecedente es una contradicción, y el contrafactual se considera
trivialmente verdad.
 Si el antecedente es una disyunción de proposiciones atómicas, o una disyunción de
conjunciones de proposiciones atómicas, entonces la consecuencias debe ser verdad cuando se
realizan todas las posibles intervenciones o conjuntos de intervenciones descritas por el
antecedente.
  Algunas negaciones son tratadas como disyunciones.

Ventajas y desventajas del modelo causal

 Entre las principales ventajas del modelo causal se encuentran:
 Reconocer las variables que pueden causar efectos en el fenómeno.
 Manipular las variables de forma controlada con el fin de eliminarlas o minimizar el efecto
que tienen.
 Entrometerse en la naturaleza de las variables independientes con el fin de predecir las
dependientes.
 Controlar las variables y conocer sus causas y efectos es muy fácil gracias al diseño de su
estructura.
 Las pruebas que se realizan pueden repetirse y comprobarse para darle un mayor número de
confiabilidad.
 Con esta investigación se puede evaluar el impacto que tiene modificar procesos.

Entre las desventajas que se encuentran en el modelo causal están:

 La sincronía de los eventos puede afectar los resultados de la investigación
 En ocasiones las variables pueden identificarse con la causa y efecto cuando no lo son.
 Es complicado llegar a conclusiones debido a la gran cantidad de variables que existen.
 Algunas veces es difícil identificar o reconocer si la variable es una causa y el impacto que
tendrá.
 El modelo causal es sumamente importante, ya que los efectos que provocan los cambios son
inesperados para los investigadores y esto puede afectar el desarrollo de una investigación.