Black-box rule of the chapter
Regla de caja negra del capítulo
Assume abstract candidate causes or treatment groups X¹…Xᵍ, one or more outcomes Y₁…Yₘ, a population P, time T, and context C.
Asumir causas candidatas o grupos de tratamiento abstractos X¹…Xᵍ, uno o más resultados Y₁…Yₘ, una población P, tiempo T y contexto C.
No domain, dataset, policy, intervention, or method is yet known. The chapter studies causality as an evidence capability requiring a treatment definition, a comparison state, an identification design, assumptions, and explicit limits.
No se conoce todavía ningún dominio, dataset, política, intervención o método. El capítulo estudia causalidad como capacidad evidencial que requiere una definición de tratamiento, un estado de comparación, un diseño de identificación, supuestos y límites explícitos.
Restriction: randomized trials, matching, propensity scores, Difference-in-Differences, Regression Discontinuity, Instrumental Variables, Synthetic Control, causal graphs, causal forests, and Double Machine Learning appear only after the causal question and identification architecture are defined.
Restricción: ensayos aleatorizados, matching, propensity scores, Diferencias en Diferencias, Discontinuidad de Regresión, Variables Instrumentales, Control Sintético, grafos causales, causal forests y Double Machine Learning aparecen solamente después de definir la pregunta causal y la arquitectura de identificación.
Chapter-specific learning objectives
Objetivos específicos del capítulo
Separate association from causality
Separar asociación de causalidad
Distinguish co-movement, prediction, precedence, intervention, effect, mechanism, and counterfactual reasoning.
Distinguir movimiento conjunto, predicción, precedencia, intervención, efecto, mecanismo y razonamiento contrafactual.
Formulate a causal question
Formular una pregunta causal
Define treatment, outcome, population, time, context, and target effect.
Definir tratamiento, resultado, población, tiempo, contexto y efecto objetivo.
Recognize identification designs
Reconocer diseños de identificación
Distinguish experiments, quasi-experiments, observational adjustment, and causal graphs.
Distinguir experimentos, cuasi-experimentos, ajuste observacional y grafos causales.
Extend causal reasoning to Multi-X/Y systems
Extender razonamiento causal a sistemas Multi-X/Y
Represent multiple treatments, mediators, outcomes, heterogeneous effects, spillovers, and objective networks.
Representar múltiples tratamientos, mediadores, resultados, efectos heterogéneos, spillovers y redes de objetivos.
1. The fundamental causal question
1. La pregunta causal fundamental
Intervene on X
Intervenir X
→
Compare potential Y states
Comparar estados potenciales de Y
What would happen to Y if X were changed by intervention, compared with what would have happened under an alternative treatment state?
¿Qué ocurriría con Y si X fuera cambiado mediante intervención, comparado con lo que habría ocurrido bajo un estado alternativo de tratamiento?
Causality is not defined by a strong coefficient. It is defined by a comparison between potential outcomes under alternative treatment states for a specified population, time, and context.
La causalidad no se define mediante un coeficiente fuerte. Se define mediante una comparación entre resultados potenciales bajo estados alternativos de tratamiento para una población, tiempo y contexto especificados.
2. Association versus causality
2. Asociación frente a causalidad
| Evidence levelNivel de evidencia | Question answeredPregunta respondida | What remains missingQué sigue faltando |
|---|---|---|
| Co-movementMovimiento conjunto | Do X and Y vary together?¿X y Y varían conjuntamente? | Intervention and alternative explanations.Intervención y explicaciones alternativas. |
| PredictionPredicción | Does X improve anticipation of Y?¿X mejora la anticipación de Y? | Whether changing X would change Y.Si cambiar X cambiaría Y. |
| PrecedencePrecedencia | Does X occur before Y?¿X ocurre antes que Y? | Control of confounding and counterfactual comparison.Control de confusión y comparación contrafactual. |
| InterventionIntervención | What changes when X is actively assigned or shifted?¿Qué cambia cuando X se asigna o modifica activamente? | Validity of assignment and comparison.Validez de la asignación y comparación. |
| EffectEfecto | What difference is attributable to the treatment contrast?¿Qué diferencia es atribuible al contraste de tratamiento? | Mechanism and transferability.Mecanismo y transferibilidad. |
| MechanismMecanismo | Through what pathway does the effect operate?¿Mediante qué ruta opera el efecto? | May require mediation and domain evidence.Puede requerir evidencia de mediación y dominio. |
| CounterfactualContrafactual | What would have happened under another treatment state?¿Qué habría ocurrido bajo otro estado de tratamiento? | The unobserved potential outcome must be estimated.El resultado potencial no observado debe estimarse. |
Critical boundary: association, prediction, and precedence can support a causal hypothesis, but none is sufficient by itself to identify a causal effect.
Frontera crítica: asociación, predicción y precedencia pueden sustentar una hipótesis causal, pero ninguna es suficiente por sí sola para identificar un efecto causal.
3. Anatomy of a causal question
3. Anatomía de una pregunta causal
| ElementElemento | DefinitionDefinición |
|---|---|
| TreatmentTratamiento | The intervention, exposure, policy, state, or action being contrasted.La intervención, exposición, política, estado o acción que se contrasta. |
| OutcomeResultado | The Y variable expected to change under alternative treatment states.La variable Y que se espera cambie bajo estados alternativos de tratamiento. |
| PopulationPoblación | The units for which the causal effect is defined.Las unidades para las cuales se define el efecto causal. |
| TimeTiempo | When treatment occurs and when outcomes are measured.Cuándo ocurre el tratamiento y cuándo se miden los resultados. |
| ContextContexto | The environment, regime, location, institution, or conditions under which the effect is defined.El entorno, régimen, ubicación, institución o condiciones bajo las cuales se define el efecto. |
| Average effectEfecto promedio | The expected treatment contrast across the target population.El contraste esperado del tratamiento en la población objetivo. |
| Individual effectEfecto individual | The causal contrast for one unit, generally not directly observable.El contraste causal para una unidad, generalmente no observable directamente. |
| Heterogeneous effectEfecto heterogéneo | The effect varies across groups, contexts, locations, times, or objective states.El efecto varía entre grupos, contextos, ubicaciones, tiempos o estados de objetivos. |
For whom, compared with what, at what time, in which context, and for which outcome is the causal effect defined?
¿Para quién, comparado con qué, en qué tiempo, en qué contexto y para qué resultado se define el efecto causal?
4. Causal architectures in Multi-X/Y systems
4. Arquitecturas causales en sistemas Multi-X/Y
4.1 Single treatment to single outcome
4.1 Tratamiento único hacia resultado único
X
→
Y
4.2 Treatment group to one outcome
4.2 Grupo de tratamientos hacia un resultado
Xᵍ = {X₁…Xₚ}
→
Yⱼ
Several interventions or treatment components may act jointly, sequentially, or interactively.
Varias intervenciones o componentes de tratamiento pueden actuar conjunta, secuencial o interactivamente.
4.3 One treatment to multiple outcomes
4.3 Un tratamiento hacia múltiples resultados
X
→
{Y₁…Yₘ}
One intervention may improve one objective, harm another, and leave a third unchanged.
Una intervención puede mejorar un objetivo, perjudicar otro y dejar un tercero sin cambios.
4.4 Objective-mediated causal path
4.4 Ruta causal mediada por objetivo
X
→
Y₁
→
Y₂
4.5 Set-to-set causal system
4.5 Sistema causal conjunto–conjunto
{X₁…Xₚ}
→
{Y₁…Yₘ}
A multi-objective causal analysis must preserve outcome-specific effects, trade-offs, mediating paths, interference, and possible spillovers.
Un análisis causal multiobjetivo debe preservar efectos específicos por resultado, compensaciones, rutas mediadoras, interferencia y posibles spillovers.
5. Experimental capability
5. Capacidad experimental
Experiments create causal leverage by assigning treatment through a controlled mechanism intended to break systematic differences between treated and control groups.
Los experimentos crean capacidad causal asignando tratamiento mediante un mecanismo controlado destinado a romper diferencias sistemáticas entre grupos tratados y de control.
Random assignmentAsignación aleatoriaTreatment assignment is independent of potential outcomes by design.La asignación del tratamiento es independiente de los resultados potenciales por diseño.
Treated groupGrupo tratadoUnits receiving the intervention or treatment state.Unidades que reciben la intervención o estado de tratamiento.
Control groupGrupo de controlUnits representing the comparison condition.Unidades que representan la condición de comparación.
BalanceBalanceRelevant pre-treatment characteristics are comparable across groups.Características relevantes previas al tratamiento son comparables entre grupos.
Intervention fidelityFidelidad de la intervenciónThe assigned treatment is delivered as intended.El tratamiento asignado se entrega según lo previsto.
Internal validityValidez internaThe observed contrast is attributable to treatment within the study.El contraste observado es atribuible al tratamiento dentro del estudio.
External validityValidez externaThe effect may transfer to other populations, times, or contexts.El efecto puede transferirse a otras poblaciones, tiempos o contextos.
6. Quasi-experimental capability
6. Capacidad cuasi-experimental
Quasi-experiments use naturally occurring assignment rules, thresholds, timing changes, comparison trends, or constructed controls to approximate an intervention contrast.
Los cuasi-experimentos utilizan reglas naturales de asignación, umbrales, cambios temporales, tendencias comparativas o controles construidos para aproximar un contraste de intervención.
| Design capabilityCapacidad de diseño | Identification logicLógica de identificación |
|---|---|
| Natural experimentExperimento natural | External circumstances create treatment variation resembling random assignment.Circunstancias externas crean variación de tratamiento semejante a asignación aleatoria. |
| Difference-in-DifferencesDiferencias en Diferencias | Compares before-after changes between treated and comparison groups.Compara cambios antes-después entre grupos tratados y de comparación. |
| Regression DiscontinuityDiscontinuidad de Regresión | Uses a treatment assignment cutoff to compare units near the threshold.Usa un punto de corte de asignación para comparar unidades cercanas al umbral. |
| Instrumental VariablesVariables Instrumentales | Uses external variation affecting treatment but not the outcome except through treatment.Usa variación externa que afecta el tratamiento, pero no el resultado excepto mediante el tratamiento. |
| Interrupted time seriesSeries temporales interrumpidas | Evaluates whether level or trend changes after a defined intervention time.Evalúa si nivel o tendencia cambia después de un tiempo definido de intervención. |
| Synthetic ControlControl Sintético | Constructs a weighted comparison unit approximating the treated unit before intervention.Construye una unidad de comparación ponderada que aproxima la unidad tratada antes de la intervención. |
7. Observational causal adjustment
7. Ajuste causal observacional
Observational methods attempt to create comparability using measured covariates when treatment is not randomly assigned.
Los métodos observacionales intentan crear comparabilidad utilizando covariables medidas cuando el tratamiento no se asigna aleatoriamente.
Confounding adjustmentAjuste por confusiónControls measured common causes of treatment and outcome.Controla causas comunes medidas del tratamiento y resultado.
MatchingMatchingCompares treated and untreated units with similar observed characteristics.Compara unidades tratadas y no tratadas con características observadas similares.
Propensity scoresPropensity scoresSummarize treatment assignment probability from measured covariates.Resumen la probabilidad de asignación al tratamiento desde covariables medidas.
WeightingPonderaciónReweights observations to construct a target comparison population.Repondera observaciones para construir una población objetivo de comparación.
StratificationEstratificaciónCompares treatment states within more homogeneous covariate strata.Compara estados de tratamiento dentro de estratos de covariables más homogéneos.
Causal outcome modelsModelos causales de resultadosEstimate potential outcomes conditional on measured covariates.Estiman resultados potenciales condicionados por covariables medidas.
Hidden-variable sensitivitySensibilidad a variables ocultasExamines how strong unmeasured confounding would need to be to alter conclusions.Examina cuán fuerte tendría que ser la confusión no medida para alterar conclusiones.
Critical assumption: adjustment for measured variables cannot automatically remove confounding from variables that were never observed or correctly represented.
Supuesto crítico: ajustar por variables medidas no elimina automáticamente confusión proveniente de variables que nunca fueron observadas o representadas correctamente.
8. Causal graphs
8. Grafos causales
Causal graphs encode assumptions about directional relationships and help distinguish confounders, mediators, colliders, and valid adjustment sets.
Los grafos causales codifican supuestos sobre relaciones direccionales y ayudan a distinguir confusores, mediadores, colisionadores y conjuntos válidos de ajuste.
NodesNodosVariables, treatments, outcomes, mediators, or contexts.Variables, tratamientos, resultados, mediadores o contextos.
ArrowsFlechasAssumed directional causal relations.Relaciones causales direccionales asumidas.
Common causesCausas comunesVariables influencing both treatment and outcome.Variables que influyen tanto en tratamiento como en resultado.
MediatorsMediadoresVariables lying on the causal pathway from X to Y.Variables situadas en la ruta causal desde X hacia Y.
CollidersColisionadoresVariables caused by two or more upstream variables; conditioning can create bias.Variables causadas por dos o más variables anteriores; condicionar puede crear sesgo.
Open and closed pathsCaminos abiertos y cerradosPaths through which association can or cannot flow under a conditioning set.Rutas mediante las cuales la asociación puede o no fluir bajo un conjunto de condicionamiento.
Adjustment setsConjuntos de ajusteVariables sufficient to block noncausal backdoor paths under the graph assumptions.Variables suficientes para bloquear rutas no causales de puerta trasera bajo los supuestos del grafo.
A causal graph is an explicit assumption architecture. Data can challenge implications of the graph, but the graph cannot be validated completely from observational data alone.
Un grafo causal es una arquitectura explícita de supuestos. Los datos pueden cuestionar implicaciones del grafo, pero el grafo no puede validarse completamente usando solamente datos observacionales.
9. Counterfactual and potential-outcome architecture
9. Arquitectura contrafactual y de resultados potenciales
Observed outcome
Resultado observado
What occurred under the treatment state actually received.
Lo que ocurrió bajo el estado de tratamiento realmente recibido.
Counterfactual outcome
Resultado contrafactual
What would have occurred for the same unit under an alternative treatment state.
Lo que habría ocurrido para la misma unidad bajo un estado alternativo de tratamiento.
Y(1)
−
Y(0)
=
Individual causal effect
Efecto causal individual
Potential outcomeResultado potencialThe outcome associated with each possible treatment state.El resultado asociado con cada estado posible de tratamiento.
Individual effectEfecto individualThe difference between potential outcomes for one unit.La diferencia entre resultados potenciales para una unidad.
Average effectEfecto promedioThe expected individual contrast across a population.El contraste individual esperado en una población.
Fundamental missing stateEstado fundamental faltanteBoth potential outcomes cannot normally be observed for the same unit at the same time.Normalmente no pueden observarse ambos resultados potenciales para la misma unidad al mismo tiempo.
10. Mediation, heterogeneity, spillover, and interference
10. Mediación, heterogeneidad, spillover e interferencia
Direct effectEfecto directoThe treatment affects Y without passing through the specified mediator.El tratamiento afecta Y sin pasar mediante el mediador especificado.
Indirect effectEfecto indirectoThe treatment affects Y through an intermediate mediator.El tratamiento afecta Y mediante un mediador intermedio.
Effect heterogeneityHeterogeneidad del efectoTreatment effects differ across units, groups, contexts, times, or outcomes.Los efectos del tratamiento difieren entre unidades, grupos, contextos, tiempos o resultados.
SpilloverSpilloverTreatment assigned to one unit changes outcomes for other units.El tratamiento asignado a una unidad cambia resultados para otras unidades.
InterferenceInterferenciaOne unit's outcome depends on the treatment states of other units.El resultado de una unidad depende de los estados de tratamiento de otras unidades.
Objective trade-offCompensación entre objetivosOne intervention produces different or opposing effects across Y₁…Yₘ.Una intervención produce efectos diferentes u opuestos entre Y₁…Yₘ.
Ignoring spillover or interference can invalidate the assumed treatment-control comparison because units are no longer independent treatment recipients.
Ignorar spillover o interferencia puede invalidar la comparación tratamiento-control asumida porque las unidades dejan de ser receptoras independientes del tratamiento.
11. Evidence capabilities of causal methods
11. Capacidades evidenciales de los métodos causales
| CapabilityCapacidad | Abstract questionPregunta abstracta |
|---|---|
| Estimate effectsEstimar efectos | What is the treatment contrast for the target population?¿Cuál es el contraste del tratamiento para la población objetivo? |
| Compare interventionsComparar intervenciones | Which treatment state produces the preferable outcome profile?¿Qué estado de tratamiento produce el perfil de resultados preferible? |
| Separate causality from associationSeparar causalidad de asociación | Which design reduces plausible alternative explanations?¿Qué diseño reduce explicaciones alternativas plausibles? |
| Identify confoundersIdentificar confusores | Which common causes must be controlled?¿Qué causas comunes deben controlarse? |
| Analyze mediationAnalizar mediación | Through which intermediate pathways does the effect operate?¿Mediante qué rutas intermedias opera el efecto? |
| Examine heterogeneityExaminar heterogeneidad | For whom, where, and under which conditions does the effect differ?¿Para quién, dónde y bajo qué condiciones difiere el efecto? |
| Evaluate policiesEvaluar políticas | What outcome changes are attributable to a policy intervention?¿Qué cambios de resultados son atribuibles a una intervención de política? |
12. Representative methods appear after the capability
12. Los métodos representativos aparecen después de la capacidad
The following methods are inhabitants of the causal-evidence landscape. Their validity depends on design-specific assumptions.
Los métodos siguientes son habitantes del panorama de evidencia causal. Su validez depende de supuestos específicos del diseño.
| Causal capability familyFamilia de capacidad causal | Representative inhabitantsRepresentantes |
|---|---|
| Randomized interventionIntervención aleatorizada | Randomized Controlled Trials |
| Observed-unit comparabilityComparabilidad de unidades observadas | Matching |
| Treatment-assignment adjustmentAjuste de asignación al tratamiento | Propensity Score Methods |
| Comparative changeCambio comparativo | Difference-in-Differences |
| Threshold assignmentAsignación por umbral | Regression Discontinuity |
| External treatment variationVariación externa del tratamiento | Instrumental Variables |
| Constructed counterfactual unitUnidad contrafactual construida | Synthetic Control |
| Assumption architectureArquitectura de supuestos | Causal Graphs |
| Heterogeneous treatment effectsEfectos heterogéneos del tratamiento | Causal Forests |
| High-dimensional causal adjustmentAjuste causal de alta dimensión | Double Machine Learning |
13. What causal analysis cannot guarantee automatically
13. Qué no puede garantizar automáticamente el análisis causal
Not total absence of biasNo ausencia total de sesgoDesign and measurement limitations can leave residual bias.Limitaciones de diseño y medición pueden dejar sesgo residual.
Not the complete mechanismNo el mecanismo completoAn identified effect may not reveal every pathway.Un efecto identificado puede no revelar todas las rutas.
Not validity in other contextsNo validez en otros contextosEffects may not transport to other populations, times, places, or institutions.Los efectos pueden no transportarse a otras poblaciones, tiempos, lugares o instituciones.
Not automatic assumption complianceNo cumplimiento automático de supuestosUsing a method does not prove that its identification assumptions hold.Usar un método no demuestra que sus supuestos de identificación se cumplan.
Not a precise individual effectNo efecto individual precisoPopulation effects do not automatically identify each unit's causal response.Efectos poblacionales no identifican automáticamente la respuesta causal de cada unidad.
Not an ethical or recommended actionNo una acción ética o recomendableA beneficial effect estimate does not settle ethics, rights, feasibility, equity, or policy choice.Una estimación de efecto beneficioso no resuelve ética, derechos, factibilidad, equidad o elección de política.
14. Conditions of validity
14. Condiciones de validez
Well-defined treatmentTratamiento bien definidoThe intervention and comparison states must be unambiguous.La intervención y estados de comparación deben ser inequívocos.
Temporal orderOrden temporalTreatment must precede the outcome measurement.El tratamiento debe preceder la medición del resultado.
Positivity or overlapPositividad o solapamientoRelevant units must have plausible access to alternative treatment states.Unidades relevantes deben tener acceso plausible a estados alternativos de tratamiento.
ConsistencyConsistenciaThe observed outcome under the received treatment corresponds to the relevant potential outcome.El resultado observado bajo el tratamiento recibido corresponde al resultado potencial relevante.
No uncontrolled confoundingSin confusión no controladaThe design must address common causes sufficiently for the target estimand.El diseño debe abordar suficientemente causas comunes para el estimando objetivo.
Valid comparison designDiseño de comparación válidoThe control condition must approximate the missing counterfactual.La condición de control debe aproximar el contrafactual faltante.
No prohibited interference—or explicit interference modelSin interferencia prohibida o con modelo explícitoTreatment of one unit must not silently alter another unit's outcome.El tratamiento de una unidad no debe alterar silenciosamente el resultado de otra.
Outcome alignmentAlineación de resultadosY₁…Yₘ require clear timing, units, definitions, and effect scales.Y₁…Yₘ requieren tiempos, unidades, definiciones y escalas de efecto claras.
15. Principal interpretation risks
15. Principales riesgos de interpretación
Residual confoundingConfusión residualUnmeasured or imperfectly measured common causes remain.Permanecen causas comunes no medidas o medidas imperfectamente.
Invalid instrumentVariable instrumental inválidaThe instrument affects Y through pathways other than treatment or shares common causes with Y.El instrumento afecta Y mediante rutas distintas al tratamiento o comparte causas comunes con Y.
False parallel trendsTendencias paralelas falsasTreated and comparison groups would not have evolved similarly without treatment.Grupos tratados y de comparación no habrían evolucionado de forma similar sin tratamiento.
Cutoff manipulationManipulación del punto de corteUnits influence assignment around the discontinuity threshold.Las unidades influyen en la asignación alrededor del umbral de discontinuidad.
SpilloverSpilloverTreatment effects spread to nominally untreated units.Los efectos del tratamiento se propagan a unidades nominalmente no tratadas.
InterferenceInterferenciaOne unit's outcome depends on other units' treatment assignments.El resultado de una unidad depende de asignaciones de tratamiento de otras unidades.
Selection biasSesgo de selecciónTreatment or study inclusion depends on factors related to potential outcomes.Tratamiento o inclusión en el estudio depende de factores relacionados con resultados potenciales.
Improper generalizationGeneralización indebidaA local or population-specific effect is transferred beyond its support.Un efecto local o específico de población se transfiere más allá de su soporte.
Post-treatment adjustmentAjuste postratamientoConditioning on mediators or consequences of treatment distorts the target effect.Condicionar por mediadores o consecuencias del tratamiento distorsiona el efecto objetivo.
Collider biasSesgo por colisionadorConditioning on a shared consequence creates a noncausal association.Condicionar por una consecuencia compartida crea una asociación no causal.
16. Black-box capability workshop
16. Taller de capacidades de caja negra
Case A: X predicts Y accurately, but changing X may not change Y
Caso A: X predice Y con precisión, pero cambiar X puede no cambiar Y
What boundary must be preserved?
¿Qué frontera debe preservarse?
Prediction must not be interpreted as causal intervention effect.Predicción no debe interpretarse como efecto causal de intervención.
Case B: treatment is assigned randomly and groups remain balanced
Caso B: el tratamiento se asigna aleatoriamente y los grupos permanecen balanceados
Which capability is strongest?
¿Qué capacidad es más fuerte?
Experimental identification with strong internal validity.Identificación experimental con fuerte validez interna.
Case C: treated and comparison groups diverged before intervention
Caso C: grupos tratados y de comparación divergieron antes de la intervención
Which design assumption is threatened?
¿Qué supuesto de diseño está amenazado?
The parallel-trends assumption required by Difference-in-Differences.El supuesto de tendencias paralelas requerido por Diferencias en Diferencias.
Case D: conditioning on Z opens a relation between X and Y, while Z is caused by both
Caso D: condicionar por Z abre una relación entre X y Y, mientras Z es causada por ambas
What graph structure is present?
¿Qué estructura gráfica está presente?
Collider bias produced by conditioning on a shared consequence.Sesgo por colisionador producido al condicionar por una consecuencia compartida.
Case E: X improves Y₁ but worsens Y₂
Caso E: X mejora Y₁, pero empeora Y₂
What must be reported?
¿Qué debe reportarse?
Outcome-specific causal effects and the multi-objective trade-off.Efectos causales específicos por resultado y la compensación multiobjetivo.
Case F: treatment of one unit changes outcomes for nearby untreated units
Caso F: el tratamiento de una unidad cambia resultados de unidades cercanas no tratadas
Which assumption fails?
¿Qué supuesto falla?
No-interference assumption; spillover must be modeled explicitly.Supuesto de no interferencia; el spillover debe modelarse explícitamente.
17. Black-box decision map
17. Mapa de decisión de caja negra
- Define treatment, alternative treatment state, outcomes Y₁…Yₘ, population, time, and context.
- Definir tratamiento, estado alternativo, resultados Y₁…Yₘ, población, tiempo y contexto.
- Specify the target estimand: average, individual, subgroup, direct, indirect, or heterogeneous effect.
- Especificar el estimando objetivo: efecto promedio, individual, por subgrupo, directo, indirecto o heterogéneo.
- Map candidate confounders, mediators, colliders, common causes, and objective pathways.
- Mapear confusores candidatos, mediadores, colisionadores, causas comunes y rutas entre objetivos.
- Identify the strongest available source of treatment variation: experiment, natural experiment, threshold, timing change, instrument, or observational comparison.
- Identificar la fuente más fuerte disponible de variación del tratamiento: experimento, experimento natural, umbral, cambio temporal, instrumento o comparación observacional.
- State the assumptions required for identification.
- Declarar los supuestos requeridos para identificación.
- Evaluate overlap, balance, pre-treatment trends, cutoff behavior, instrument validity, interference, and measurement quality as applicable.
- Evaluar solapamiento, balance, tendencias previas, comportamiento del punto de corte, validez instrumental, interferencia y calidad de medición según corresponda.
- Select the causal capability before selecting the method.
- Seleccionar la capacidad causal antes de seleccionar el método.
- Estimate effects with uncertainty and conduct sensitivity or robustness analysis.
- Estimar efectos con incertidumbre y realizar análisis de sensibilidad o robustez.
- Preserve outcome-specific effects and trade-offs in Multi-X/Y systems.
- Preservar efectos específicos por resultado y compensaciones en sistemas Multi-X/Y.
- Separate the identified effect from mechanism, transportability, ethics, and policy recommendation.
- Separar el efecto identificado de mecanismo, transportabilidad, ética y recomendación de política.
What design or source of variation would allow a causal effect to be distinguished from a simple association?
¿Qué diseño o fuente de variación permitiría distinguir un efecto causal de una simple asociación?
Chapter closing
Cierre del capítulo
Causal evidence requires more than association, prediction, precedence, or explanation. It requires a well-defined treatment contrast, a missing counterfactual, an identification design, explicit assumptions, and a defensible comparison. In Multi-X/Y systems, interventions may produce direct, indirect, heterogeneous, opposing, and spillover effects across several outcomes. Causal question first. Estimand second. Design third. Assumptions fourth. Capability fifth. Method sixth. Interpretation remains bounded by context and evidence.
La evidencia causal requiere más que asociación, predicción, precedencia o explicación. Requiere un contraste de tratamiento bien definido, un contrafactual faltante, un diseño de identificación, supuestos explícitos y una comparación defendible. En sistemas Multi-X/Y, las intervenciones pueden producir efectos directos, indirectos, heterogéneos, opuestos y de spillover entre varios resultados. Pregunta causal primero. Estimando después. Diseño tercero. Supuestos cuarto. Capacidad quinto. Método sexto. La interpretación permanece limitada por contexto y evidencia.
Applied reflection
Reflexión aplicada
Short publication text
Texto breve para publicar
Causality is not a stronger correlation. It is a comparison between potential outcomes under alternative treatment states, supported by an identification design that reduces plausible alternative explanations. Experiments, quasi-experiments, observational adjustment, and causal graphs provide different capabilities—but every causal claim remains conditional on its assumptions, population, time, context, and outcome architecture.
Causalidad no es una correlación más fuerte. Es una comparación entre resultados potenciales bajo estados alternativos de tratamiento, sustentada por un diseño de identificación que reduce explicaciones alternativas plausibles. Experimentos, cuasi-experimentos, ajuste observacional y grafos causales proporcionan capacidades diferentes, pero toda afirmación causal permanece condicionada por sus supuestos, población, tiempo, contexto y arquitectura de resultados.