Black-box rule of the chapter
Regla de caja negra del capítulo
Assume that an ESS has declared causal evidence as Conditional or Required and has identified a treatment, outcome, temporal order, causal question, and candidate identification assumptions.
Asumir que un ESS declaró evidencia causal como Condicional o Requerida e identificó tratamiento, resultado, orden temporal, pregunta causal y supuestos candidatos de identificación.
The chapter does not yet know the implementation. Its responsibility is to determine whether the causal need is structural representation, graphical identification, intervention calculus, quasi-experimental estimation, temporal predictive precedence, latent-path modeling, or threshold-based identification.
El capítulo todavía no conoce la implementación. Su responsabilidad es determinar si la necesidad causal es representación estructural, identificación gráfica, cálculo de intervención, estimación cuasi-experimental, precedencia predictiva temporal, modelado de rutas latentes o identificación basada en umbrales.
Boundary: causality is not created by a method name. It depends on a defensible design, valid identification assumptions, correct temporal ordering, appropriate comparison, and sensitivity to violations.
Frontera: la causalidad no se crea por el nombre de un método. Depende de diseño defendible, supuestos válidos de identificación, orden temporal correcto, comparación apropiada y sensibilidad a violaciones.
Chapter learning objectives
Objetivos de aprendizaje del capítulo
Define causal evidence
Definir evidencia causal
Separate intervention effect, structural assumption, temporal precedence, and association.
Separar efecto de intervención, supuesto estructural, precedencia temporal y asociación.
Validate identification
Validar identificación
State what must be assumed for a causal effect to be estimable.
Declarar qué debe asumirse para estimar un efecto causal.
Match method to causal question
Alinear método con pregunta causal
Distinguish graphical, structural, temporal, instrumental, policy-change, and threshold designs.
Distinguir diseños gráficos, estructurales, temporales, instrumentales, de política y de umbral.
Select conditionally
Seleccionar condicionalmente
Choose only methods whose assumptions can be defended and stress-tested.
Elegir solamente métodos cuyos supuestos pueden defenderse y someterse a sensibilidad.
1. What does it mean to produce causal evidence?
1. ¿Qué significa producir evidencia causal?
Producing causal evidence means estimating or identifying how an outcome would change under a defined intervention, while distinguishing that intervention from mere observation and documenting the assumptions that connect observed data to the counterfactual question.
Producir evidencia causal significa estimar o identificar cómo cambiaría un resultado bajo una intervención definida, distinguiendo esa intervención de la mera observación y documentando los supuestos que conectan los datos observados con la pregunta contrafactual.
TreatmentTratamientoWhat intervention or exposure is being changed?¿Qué intervención o exposición se modifica?
OutcomeResultadoWhat response is expected to change?¿Qué respuesta se espera que cambie?
CounterfactualContrafactualWhat would have happened under another intervention?¿Qué habría ocurrido bajo otra intervención?
IdentificationIdentificaciónCan the causal quantity be expressed from observed data under assumptions?¿Puede expresarse la cantidad causal desde datos observados bajo supuestos?
ExchangeabilityIntercambiabilidadAre comparison groups comparable after design or adjustment?¿Los grupos comparados son equivalentes después del diseño o ajuste?
PositivityPositividadDo relevant units have support for each intervention condition?¿Las unidades relevantes tienen soporte para cada intervención?
ConsistencyConsistenciaDoes the defined intervention correspond to the observed exposure?¿La intervención definida corresponde con la exposición observada?
2. What does causal evidence require?
2. ¿Qué requiere la evidencia causal?
| RequirementRequisito | Why it mattersPor qué importa |
|---|---|
| Explicit interventionIntervención explícita | A vague exposure cannot support a well-defined causal effect.Una exposición vaga no puede sustentar un efecto causal bien definido. |
| Explicit outcomeResultado explícito | The causal estimand depends on which outcome and time horizon are targeted.El estimando causal depende del resultado y horizonte objetivo. |
| Temporal orderingOrden temporal | Causes must precede effects, but precedence alone is insufficient.Las causas deben preceder los efectos, pero la precedencia no es suficiente. |
| Confounder strategyEstrategia de confusores | Backdoor paths, common causes, and selection mechanisms must be addressed.Rutas backdoor, causas comunes y mecanismos de selección deben abordarse. |
| Comparison architectureArquitectura de comparación | Randomized, quasi-experimental, instrumental, temporal, or threshold comparisons imply different assumptions.Comparaciones aleatorias, cuasi-experimentales, instrumentales, temporales o de umbral implican supuestos distintos. |
| Identification assumptionsSupuestos de identificación | No causal estimate is valid without stating what makes it identifiable.Ningún estimado causal es válido sin declarar qué lo identifica. |
| Sensitivity analysisAnálisis de sensibilidad | Unmeasured confounding, anticipation, spillovers, weak instruments, and manipulation must be stress-tested.Confusión no medida, anticipación, spillovers, instrumentos débiles y manipulación deben someterse a sensibilidad. |
| Estimand definitionDefinición del estimando | ATE, ATT, local effects, path effects, and dynamic effects are not interchangeable.ATE, ATT, efectos locales, de ruta y dinámicos no son intercambiables. |
3. Method-selection map by causal configuration
3. Mapa de selección por configuración causal
| Causal configurationConfiguración causal | Primary candidateCandidato principal |
|---|---|
| Explicit causal assumptions and graphical path controlSupuestos causales explícitos y control gráfico de rutas | DAG |
| Probabilistic causal structure with conditional relationshipsEstructura causal probabilística con relaciones condicionales | Bayesian Networks |
| Latent variables and simultaneous path systemsVariables latentes y sistemas simultáneos de rutas | Structural Equation Models |
| Temporal predictive precedence in ordered seriesPrecedencia predictiva temporal en series ordenadas | Granger |
| Formal identification of intervention distributions from graphsIdentificación formal de distribuciones de intervención desde grafos | Do-Calculus |
| Unmeasured confounding with a valid external instrumentConfusión no medida con instrumento externo válido | Instrumental Variables |
| Policy or treatment introduced over time with treated and comparison groupsPolítica o tratamiento introducido en el tiempo con grupos tratados y de comparación | Difference in Differences |
| Treatment assigned by a cutoff in a running variableTratamiento asignado por punto de corte en variable continua | Regression Discontinuity |
No universal causal winner: graphical identification, instrumental designs, policy shocks, temporal precedence, and threshold designs solve different causal problems.
No existe ganador causal universal: identificación gráfica, instrumentos, shocks de política, precedencia temporal y umbrales resuelven problemas distintos.
4. Standard method card
4. Ficha estándar del método
Method Name Scientific Purpose Causal Quantity or Structure Best Identification Configuration Treatment / Outcome Requirements Comparison Design Strengths Weaknesses Identification Assumptions Limitations Computational Cost Interpretability Robustness Critical Parameters Validation and Falsification Tests Acceptance Interpretation Failure Modes Complementary Methods Module III Selection Status
5. Directed Acyclic Graphs (DAG)
5. Grafos Dirigidos Acíclicos (DAG)
| Scientific purposePropósito científico | Represent causal assumptions and identify open, blocked, confounding, mediating, and collider paths.Representar supuestos causales e identificar rutas abiertas, bloqueadas, confusoras, mediadoras y colisionadoras. |
| Evidence producedEvidencia producida | A formal causal structure and candidate adjustment sets—not a numerical effect by itself.Una estructura causal formal y conjuntos candidatos de ajuste, no un efecto numérico por sí solo. |
| Best configurationMejor configuración | Problems where domain assumptions can be encoded before estimation.Problemas donde supuestos de dominio pueden codificarse antes de estimar. |
| StrengthsFortalezas | Clarifies assumptions, prevents inappropriate adjustment, and supports identification logic.Aclara supuestos, evita ajustes inapropiados y sustenta lógica de identificación. |
| WeaknessesDebilidades | Depends on correct graph structure; omitted variables and uncertain directions remain critical.Depende de estructura correcta; variables omitidas y direcciones inciertas siguen siendo críticas. |
| Identification assumptionsSupuestos de identificación | Acyclicity, causal Markov structure, and graph completeness relative to relevant variables.Aciclicidad, estructura causal de Markov y completitud respecto de variables relevantes. |
| ValidationValidación | Expert review, implied conditional independencies, alternative-graph sensitivity, temporal consistency. |
| Failure modesModos de fallo | Data-driven graph treated as truth, collider adjustment, omitted confounders, cycles ignored, and numerical effect inferred without estimation.Tratar grafo aprendido como verdad, ajustar colisionadores, omitir confusores, ignorar ciclos e inferir efecto sin estimación. |
| Complementary methodsMétodos complementarios | Do-Calculus, SEM, IV, sensitivity analysis. |
6. Bayesian Networks
6. Redes Bayesianas
| Scientific purposePropósito científico | Represent a joint probability distribution through a directed graph and local conditional distributions.Representar una distribución conjunta mediante un grafo dirigido y distribuciones condicionales locales. |
| Evidence producedEvidencia producida | Probabilistic dependencies, conditional queries, and potentially causal interpretation when the graph is causally justified.Dependencias probabilísticas, consultas condicionales y posible interpretación causal cuando el grafo está justificado causalmente. |
| Best configurationMejor configuración | Complex systems requiring probabilistic structure, uncertainty propagation, and explicit graph-based reasoning.Sistemas complejos que requieren estructura probabilística, propagación de incertidumbre y razonamiento gráfico. |
| StrengthsFortalezas | Combines structure and probability, supports missing data and probabilistic inference, and can encode expert knowledge.Combina estructura y probabilidad, admite faltantes e inferencia y puede codificar conocimiento experto. |
| WeaknessesDebilidades | Structure learning may be non-identifiable; causal interpretation requires assumptions beyond fit.El aprendizaje estructural puede no ser identificable; la interpretación causal requiere supuestos adicionales. |
| Identification assumptionsSupuestos de identificación | Correct graph, appropriate conditional distributions, causal sufficiency or documented latent structure, and faithfulness when used for discovery.Grafo correcto, distribuciones adecuadas, suficiencia causal o estructura latente documentada y fidelidad cuando se usa descubrimiento. |
| Critical parametersParámetros críticos | Graph structure, score or search method, priors, conditional probability models. |
| ValidationValidación | Predictive likelihood, structural stability, expert review, intervention consistency when available. |
| Failure modesModos de fallo | Equating probabilistic edges with causes, unstable structure, hidden confounding, Markov-equivalent ambiguity, and overfitting.Confundir aristas probabilísticas con causas, estructura inestable, confusión oculta, equivalencia Markov y sobreajuste. |
| Complementary methodsMétodos complementarios | DAG review, Do-Calculus, SEM, interventional validation. |
7. Structural Equation Models (SEM)
7. Modelos de Ecuaciones Estructurales (SEM)
| Scientific purposePropósito científico | Estimate systems of relationships among observed and latent variables using structural and measurement equations.Estimar sistemas de relaciones entre variables observadas y latentes mediante ecuaciones estructurales y de medición. |
| Evidence producedEvidencia producida | Direct, indirect, total, latent, and measurement-path estimates under a specified structural model.Estimaciones directas, indirectas, totales, latentes y de medición bajo un modelo estructural especificado. |
| Best configurationMejor configuración | Theory-driven systems with latent constructs, mediation, and simultaneous paths.Sistemas guiados por teoría con constructos latentes, mediación y rutas simultáneas. |
| StrengthsFortalezas | Integrates measurement error, latent variables, and complex path structures.Integra error de medición, variables latentes y estructuras complejas de rutas. |
| WeaknessesDebilidades | Strongly specification-dependent; equivalent models can fit similarly; large samples may be required.Depende fuertemente de especificación; modelos equivalentes pueden ajustar igual; puede requerir muestras grandes. |
| Identification assumptionsSupuestos de identificación | Correct structural form, identified parameters, valid measurement model, and defensible exclusion or covariance constraints.Forma estructural correcta, parámetros identificados, modelo de medición válido y restricciones defendibles. |
| Critical parametersParámetros críticos | Path structure, latent loadings, residual covariances, estimator, constraints. |
| ValidationValidación | Model fit, residuals, alternative-model comparison, parameter stability, measurement invariance. |
| Failure modesModos de fallo | Good fit treated as causal proof, underidentification, post-hoc modification, weak measurement, and omitted confounding.Tratar buen ajuste como prueba causal, subidentificación, modificación post hoc, medición débil y confusión omitida. |
| Complementary methodsMétodos complementarios | DAGs, sensitivity analysis, longitudinal or experimental design. |
8. Granger Causality
8. Causalidad de Granger
| Scientific purposePropósito científico | Test whether past values of X improve prediction of future Y beyond Y’s own history.Probar si valores pasados de X mejoran la predicción futura de Y más allá de la historia de Y. |
| Evidence producedEvidencia producida | Temporal predictive precedence under a specified lagged model.Precedencia predictiva temporal bajo un modelo rezagado especificado. |
| Best configurationMejor configuración | Ordered time series with sufficient depth, stable lag structure, and explicit temporal prediction question.Series ordenadas con profundidad suficiente, estructura de rezagos estable y pregunta predictiva temporal explícita. |
| StrengthsFortalezas | Operationally clear lead–lag test and useful temporal screening.Prueba clara de antecedencia-rezago y útil para exploración temporal. |
| WeaknessesDebilidades | Common drivers, nonstationarity, wrong lags, and model misspecification can generate misleading results.Causas comunes, no estacionariedad, rezagos incorrectos y mala especificación pueden engañar. |
| Identification assumptionsSupuestos de identificación | Correct temporal order, sufficient conditioning history, stable process, and no omitted predictive common causes in the model.Orden temporal correcto, historia de condicionamiento suficiente, proceso estable y ausencia de causas predictivas comunes omitidas. |
| ValidationValidación | Lag sensitivity, residual diagnostics, stationarity checks, reverse-direction test, out-of-time prediction. |
| Failure modesModos de fallo | Calling predictive precedence causal mechanism, omitted common drivers, synchronization artifacts, and data snooping across lags.Llamar mecanismo causal a precedencia predictiva, omitir causas comunes, artefactos de sincronización y búsqueda excesiva de rezagos. |
| Complementary methodsMétodos complementarios | Transfer Entropy, DAGs, natural experiments, structural time-series models. |
9. Do-Calculus
9. Do-Calculus
| Scientific purposePropósito científico | Determine whether and how intervention distributions can be identified from observational distributions under a causal graph.Determinar si y cómo distribuciones de intervención pueden identificarse desde distribuciones observacionales bajo un grafo causal. |
| Evidence producedEvidencia producida | A formal identification expression or a conclusion that the causal quantity is not identifiable from available information.Una expresión formal de identificación o la conclusión de que la cantidad causal no es identificable. |
| Best configurationMejor configuración | Graph-based causal questions involving interventions, mediators, hidden variables, and transport across distributions.Preguntas causales gráficas con intervenciones, mediadores, variables ocultas y transporte entre distribuciones. |
| StrengthsFortalezas | Provides rigorous intervention logic and clarifies when observational data are insufficient.Proporciona lógica rigurosa de intervención y aclara cuándo los datos observacionales son insuficientes. |
| WeaknessesDebilidades | Requires a correct causal graph and may be difficult to operationalize for complex systems.Requiere un grafo causal correcto y puede ser difícil de operacionalizar. |
| Identification assumptionsSupuestos de identificación | Correct graph, intervention semantics, consistency, and graphical conditions supporting the derivation.Grafo correcto, semántica de intervención, consistencia y condiciones gráficas que sustentan la derivación. |
| ValidationValidación | Graph review, algebraic verification, alternative-graph sensitivity, empirical estimation diagnostics after identification. |
| Failure modesModos de fallo | Incorrect graph, hidden-variable omission, confusing identification with estimation, and assuming identifiability guarantees precision.Grafo incorrecto, omisión de ocultas, confundir identificación con estimación y asumir que identificabilidad garantiza precisión. |
| Complementary methodsMétodos complementarios | DAGs, g-methods, IV, mediation analysis, sensitivity analysis. |
10. Instrumental Variables (IV)
10. Variables Instrumentales (IV)
| Scientific purposePropósito científico | Estimate a causal effect when treatment is confounded, using a variable that shifts treatment without directly affecting the outcome.Estimar un efecto causal cuando el tratamiento está confundido, usando una variable que modifica tratamiento sin afectar directamente el resultado. |
| Evidence producedEvidencia producida | A local or structural causal effect under relevance, exclusion, independence, and often monotonicity assumptions.Un efecto causal local o estructural bajo relevancia, exclusión, independencia y a menudo monotonicidad. |
| Best configurationMejor configuración | Observational settings with unmeasured confounding and a credible external source of treatment variation.Escenarios observacionales con confusión no medida y una fuente externa creíble de variación del tratamiento. |
| StrengthsFortalezas | Can address unmeasured confounding when a valid instrument exists.Puede abordar confusión no medida cuando existe un instrumento válido. |
| WeaknessesDebilidades | Valid instruments are rare; exclusion is often untestable; weak instruments produce bias and imprecision.Instrumentos válidos son raros; exclusión suele ser no comprobable; instrumentos débiles producen sesgo e imprecisión. |
| Identification assumptionsSupuestos de identificación | Relevance, exclusion restriction, independence from unmeasured confounders, and monotonicity for LATE interpretation.Relevancia, restricción de exclusión, independencia de confusores no medidos y monotonicidad para LATE. |
| Critical parametersParámetros críticos | First-stage strength, instrument set, estimator, compliance type, standard-error method. |
| ValidationValidación | First-stage diagnostics, weak-instrument tests, overidentification checks when applicable, falsification outcomes. |
| Failure modesModos de fallo | Weak instrument, violated exclusion, direct instrument effect, population mismatch, and interpreting local effects as universal.Instrumento débil, exclusión violada, efecto directo, población incompatible e interpretar efecto local como universal. |
| Complementary methodsMétodos complementarios | DAGs, sensitivity analysis, RDD, natural experiments. |
11. Difference in Differences (DiD)
11. Diferencias en Diferencias (DiD)
| Scientific purposePropósito científico | Estimate the effect of a policy or treatment by comparing outcome changes over time between treated and comparison groups.Estimar el efecto de una política o tratamiento comparando cambios temporales entre grupos tratados y de comparación. |
| Evidence producedEvidencia producida | A treatment effect based on differential change relative to a counterfactual trend.Un efecto de tratamiento basado en cambio diferencial respecto de una tendencia contrafactual. |
| Best configurationMejor configuración | Policy, intervention, or shock affecting one group or time while another group provides comparison.Política, intervención o shock que afecta un grupo o tiempo mientras otro sirve de comparación. |
| StrengthsFortalezas | Intuitive quasi-experimental design and useful for policy evaluation.Diseño cuasi-experimental intuitivo y útil para evaluar políticas. |
| WeaknessesDebilidades | Depends on parallel trends, no differential shocks, stable composition, and careful handling of staggered treatment.Depende de tendencias paralelas, ausencia de shocks diferenciales, composición estable y manejo cuidadoso de tratamientos escalonados. |
| Identification assumptionsSupuestos de identificación | Parallel trends absent treatment, no anticipation, no spillovers, and consistent group definitions.Tendencias paralelas sin tratamiento, sin anticipación, sin spillovers y grupos consistentes. |
| Critical parametersParámetros críticos | Treatment timing, control group, pre/post windows, fixed effects, clustering level. |
| ValidationValidación | Pre-trend analysis, event-study diagnostics, placebo periods, alternative controls, clustered uncertainty. |
| Failure modesModos de fallo | Nonparallel trends, anticipation, spillovers, changing group composition, bad controls, and biased staggered-treatment estimators.Tendencias no paralelas, anticipación, spillovers, composición cambiante, malos controles y sesgo con tratamiento escalonado. |
| Complementary methodsMétodos complementarios | Event studies, synthetic controls, matching, sensitivity analysis. |
12. Regression Discontinuity (RDD)
12. Regresión Discontinua (RDD)
| Scientific purposePropósito científico | Estimate a local causal effect when treatment assignment changes discontinuously at a known cutoff.Estimar un efecto causal local cuando la asignación del tratamiento cambia discontinuamente en un punto de corte conocido. |
| Evidence producedEvidencia producida | A local treatment effect at the cutoff under continuity and no-manipulation assumptions.Un efecto local en el punto de corte bajo supuestos de continuidad y no manipulación. |
| Best configurationMejor configuración | Programs, eligibility rules, scores, or thresholds that assign treatment near a cutoff.Programas, reglas de elegibilidad, puntuaciones o umbrales que asignan tratamiento cerca de un corte. |
| StrengthsFortalezas | Strong local identification when assignment and cutoff are credible.Identificación local fuerte cuando asignación y corte son creíbles. |
| WeaknessesDebilidades | Effect is local, bandwidth-sensitive, and vulnerable to manipulation or other discontinuities at the cutoff.El efecto es local, sensible al ancho y vulnerable a manipulación u otras discontinuidades. |
| Identification assumptionsSupuestos de identificación | Continuity of potential outcomes at the cutoff, no precise manipulation, and no concurrent discontinuous intervention.Continuidad de resultados potenciales, ausencia de manipulación precisa y sin otra intervención discontinua. |
| Critical parametersParámetros críticos | Cutoff, bandwidth, polynomial order, kernel, sharp/fuzzy design, covariate adjustment. |
| ValidationValidación | Density test, covariate continuity, bandwidth sensitivity, placebo cutoffs, graphical diagnostics. |
| Failure modesModos de fallo | Manipulation around cutoff, high-order polynomial instability, weak local support, concurrent policies, and extrapolating local effects.Manipulación en el corte, polinomios inestables, poco soporte local, políticas concurrentes y extrapolar efectos locales. |
| Complementary methodsMétodos complementarios | IV for fuzzy RDD, local randomization, sensitivity analysis. |
13. Conditional ranking of the top causal methods
13. Ranking condicional de los principales métodos causales
| Rank within configurationPosición dentro de la configuración | MethodMétodo | Best forMejor para | Main limitationLimitación principal | Robustness profilePerfil de robustez |
|---|---|---|---|---|
| 1A | DAG | Causal assumption and adjustment designDiseño de supuestos y ajuste | Depends on graph correctnessDepende de corrección del grafo | ★★★★☆ |
| 1B | Bayesian Networks | Probabilistic causal structureEstructura causal probabilística | Structure ambiguityAmbigüedad estructural | ★★★☆☆ |
| 1C | SEM | Latent and path systemsSistemas latentes y de rutas | Specification dependenceDependencia de especificación | ★★★☆☆ |
| 1D | Granger | Temporal predictive precedencePrecedencia predictiva temporal | Not intervention causalityNo es causalidad de intervención | ★★☆☆☆ |
| 1E | Do-Calculus | Formal graphical identificationIdentificación gráfica formal | Requires correct graphRequiere grafo correcto | ★★★★☆ |
| 1F | Instrumental Variables | Unmeasured confounding with valid instrumentConfusión no medida con instrumento válido | Instrument validity and weaknessValidez y debilidad del instrumento | ★★★☆☆ |
| 1G | Difference in Differences | Policy changes over timeCambios de política en el tiempo | Parallel trendsTendencias paralelas | ★★★★☆ |
| 1H | Regression Discontinuity | Threshold-based local effectsEfectos locales basados en umbral | Local scope and manipulationAlcance local y manipulación | ★★★★☆ |
Ranks 1A–1H identify the preferred method inside different causal identification problems. They do not define a universal causal hierarchy.
Las posiciones 1A–1H identifican el método preferido dentro de problemas causales distintos. No definen una jerarquía universal.
14. Validation metrics and acceptance interpretation
14. Métricas de validación e interpretación de aceptación
| Validation dimensionDimensión de validación | Required evidenceEvidencia requerida |
|---|---|
| Identification validityValidez de identificación | The causal estimand is identifiable under explicit assumptions and design.El estimando causal es identificable bajo supuestos y diseño explícitos. |
| Design diagnosticsDiagnósticos de diseño | Pre-trends, balance, first stage, cutoff density, graph implications, or model identification as appropriate.Pre-tendencias, balance, primera etapa, densidad en corte, implicaciones del grafo o identificación según corresponda. |
| Sensitivity to violationsSensibilidad a violaciones | Results are tested against unmeasured confounding, alternative bandwidths, controls, graphs, lags, or instruments.Resultados se prueban frente a confusión no medida, anchos, controles, grafos, rezagos o instrumentos alternativos. |
| FalsificationFalsificación | Negative controls, placebo outcomes, placebo times, or placebo cutoffs do not show the same effect.Controles negativos, resultados placebo, tiempos placebo o cortes placebo no muestran el mismo efecto. |
| UncertaintyIncertidumbre | Standard errors, intervals, randomization inference, bootstrap, or robust clustering match the design.Errores, intervalos, inferencia por aleatorización, bootstrap o clustering corresponden al diseño. |
| External validityValidez externa | Local, subgroup, complier, or threshold effects are not generalized beyond their supported population.Efectos locales, de subgrupo, compliers o umbral no se generalizan fuera de su población. |
No universal “excellent causal estimate”: credibility depends on identification, design, falsification, sensitivity, uncertainty, and supported population—not effect size alone.
No existe “estimado causal excelente” universal: la credibilidad depende de identificación, diseño, falsificación, sensibilidad, incertidumbre y población soportada, no solo del tamaño del efecto.
15. Method selection protocol for causal evidence
15. Protocolo de selección para evidencia causal
- Read the ESS causal question, treatment, outcome, timing, target population, and estimand.
- Leer pregunta causal, tratamiento, resultado, tiempo, población y estimando del ESS.
- State the intervention precisely and distinguish observational from interventional quantities.
- Definir la intervención con precisión y distinguir cantidades observacionales e interventionales.
- Map confounders, mediators, colliders, selection variables, instruments, thresholds, and policy timing.
- Mapear confusores, mediadores, colisionadores, selección, instrumentos, umbrales y tiempos de política.
- Classify the identification need as graphical, structural, temporal, instrumental, policy-change, or threshold-based.
- Clasificar la necesidad como gráfica, estructural, temporal, instrumental, de política o de umbral.
- Generate eligible methods only when their identifying assumptions are plausible.
- Generar métodos elegibles solo cuando sus supuestos de identificación sean plausibles.
- Define falsification, placebo, sensitivity, and robustness tests before estimation.
- Definir pruebas de falsificación, placebo, sensibilidad y robustez antes de estimar.
- Compare identification strength, assumptions, interpretability, local/global scope, uncertainty, and computation.
- Comparar fuerza de identificación, supuestos, interpretabilidad, alcance, incertidumbre y cómputo.
- Record primary method, estimand, assumptions, diagnostics, sensitivity, and population limits in the MSS.
- Registrar método principal, estimando, supuestos, diagnósticos, sensibilidad y límites poblacionales en el MSS.
16. Chapter workshop
16. Taller del capítulo
Case A: identify which variables should and should not be adjusted for
Caso A: identificar qué variables deben y no deben ajustarse
Primary candidate: DAG, with expert review, backdoor analysis, and alternative-graph sensitivity.Candidato principal: DAG, con revisión experta, análisis backdoor y sensibilidad a grafos alternativos.
Case B: a policy affects one group after a known date and a comparison group remains untreated
Caso B: una política afecta un grupo después de una fecha y otro permanece sin tratar
Primary candidate: Difference in Differences, conditional on parallel trends, no anticipation, and no spillovers.Candidato principal: Diferencias en Diferencias, condicionado a tendencias paralelas, sin anticipación ni spillovers.
Case C: treatment assignment changes sharply at an eligibility cutoff
Caso C: la asignación cambia bruscamente en un punto de elegibilidad
Primary candidate: Regression Discontinuity, with density, continuity, bandwidth, and placebo-cutoff diagnostics.Candidato principal: Regresión Discontinua, con diagnósticos de densidad, continuidad, ancho y cortes placebo.
Case D: treatment is confounded but a credible external source changes treatment uptake
Caso D: el tratamiento está confundido pero una fuente externa cambia su adopción
Primary candidate: Instrumental Variables, conditional on relevance, exclusion, independence, and weak-instrument diagnostics.Candidato principal: Variables Instrumentales, condicionado a relevancia, exclusión, independencia y diagnósticos de debilidad.
17. Chapter 8 MSS handoff template
17. Plantilla de entrega MSS del Capítulo 8
METHOD SELECTION SUMMARY — CAUSALITY ESS Causal Requirement ID: Treatment / Intervention: Outcome: Time Horizon: Target Population: Causal Estimand: Observed Comparison Design: Candidate Confounders: Mediators / Colliders: Instrument / Policy / Threshold Structure: Primary Selected Method: Exact Variant: Selection Status: Scientific Justification: Identification Assumptions: Alternative Method 1: Alternative Method 2: Required Design Diagnostics: Required Falsification Tests: Required Sensitivity Analyses: Required Uncertainty Method: Critical Parameters: Critical Failure Modes: External-Validity Boundary: Causal Claim Status: [IDENTIFIED / CONDITIONALLY IDENTIFIED / NOT IDENTIFIED] Module IV Implementation Readiness: [READY / CONDITIONAL / RETURN TO MODULE II]
Chapter closing
Cierre del capítulo
Causal-method selection begins with the intervention, outcome, estimand, design, and assumptions declared by the ESS. DAGs encode causal assumptions and adjustment logic. Bayesian Networks combine graph structure with probability. SEM represents latent and simultaneous path systems. Granger tests temporal predictive precedence. Do-Calculus determines graphical identification of interventions. Instrumental Variables address unmeasured confounding with a valid instrument. Difference in Differences evaluates policy or treatment changes over time. Regression Discontinuity estimates local effects at a cutoff. None is universally best. The correct method is the one whose identification assumptions, comparison design, falsification tests, sensitivity analysis, and population scope can be defended.
La selección de métodos causales comienza con intervención, resultado, estimando, diseño y supuestos declarados por el ESS. DAG codifica supuestos y lógica de ajuste. Redes Bayesianas combinan estructura y probabilidad. SEM representa sistemas latentes y simultáneos. Granger prueba precedencia predictiva temporal. Do-Calculus determina identificación gráfica de intervenciones. Variables Instrumentales abordan confusión no medida con un instrumento válido. Diferencias en Diferencias evalúa cambios de política o tratamiento. Regresión Discontinua estima efectos locales en un corte. Ninguno es universalmente superior. El método correcto es aquel cuyos supuestos de identificación, diseño comparativo, falsificación, sensibilidad y alcance poblacional pueden defenderse.