La inferència causal és el procés de determinar l'efecte independent i real d'un fenomen particular que és un component d'un sistema més ampli. La principal diferència entre la inferència causal i la inferència d'associació és que la inferència causal analitza la resposta d'una variable d'efecte quan es canvia una causa de la variable d'efecte.
L'estudi de per què ocorren les coses s'anomena etiologia, i es pot descriure utilitzant el llenguatge de la notació causal científica. Es diu que la inferència causal proporciona l'evidència de la causalitat teoritzada pel raonament causal. La inferència causal s'estudia àmpliament en totes les ciències. Diverses innovacions en el desenvolupament i la implementació de la metodologia dissenyada per determinar la causalitat han proliferat en les darreres dècades. La inferència causal continua sent especialment difícil on l'experimentació és difícil o impossible, cosa que és habitual a la majoria de les ciències.
Els enfocaments de la inferència causal són àmpliament aplicables a tot tipus de disciplines científiques, i molts mètodes d'inferència causal que van ser dissenyats per a certes disciplines han trobat ús en altres disciplines. Aquest article descriu el procés bàsic darrere de la inferència causal i detalla algunes de les proves més convencionals utilitzades en diferents disciplines; tanmateix, això no s'ha de confondre amb un suggeriment que aquests mètodes s'apliquen només a aquestes disciplines, sinó simplement que són els més utilitzats en aquesta disciplina.
La inferència causal és difícil de dur a terme i hi ha un debat important entre els científics sobre la manera adequada de determinar la causalitat. Malgrat altres innovacions, encara hi ha preocupacions sobre l'atribució errònia per part dels científics de resultats correlatius com a causals, sobre l'ús de metodologies incorrectes per part dels científics i sobre la manipulació deliberada per part dels científics dels resultats analítics per tal d'obtenir estimacions estadísticament significatives. Es planteja una preocupació particular per l'ús de models de regressió, especialment models de regressió lineal.
Definició Inferir la causa d'alguna cosa s'ha descrit com:
"...raonament fins a la conclusió que alguna cosa és, o és probable que sigui, la causa d'alguna altra cosa". "Identificació de la causa o causes d'un fenomen, establint la covariació de causa i efecte, una relació d'ordre temporal amb la causa que precedeix l'efecte i l'eliminació de causes alternatives plausibles."
Metodologia General La inferència causal es duu a terme mitjançant l'estudi de sistemes on se sospita que la mesura d'una variable afecta la mesura d'una altra. La inferència causal es duu a terme tenint en compte el mètode científic. El primer pas de la inferència causal és formular una hipòtesi nul·la falsable, que posteriorment es prova amb mètodes estadístics. La inferència estadística freqüentista és l'ús de mètodes estadístics per determinar la probabilitat que les dades es produeixin sota la hipòtesi nul·la per atzar; la inferència bayesiana s'utilitza per determinar l'efecte d'una variable independent. La inferència estadística s'utilitza generalment per determinar la diferència entre les variacions de les dades originals que són variació aleatòria o l'efecte d'un mecanisme causal ben especificat. Cal destacar que la correlació no implica causalitat, de manera que l'estudi de la causalitat es preocupa tant per l'estudi dels mecanismes causals potencials com per la variació entre les dades. Un estàndard d'inferència causal que es busca amb freqüència és un experiment en què el tractament s'assigna aleatòriament però tots els altres factors de confusió es mantenen constants. La majoria dels esforços en la inferència causal intenten replicar condicions experimentals.
Els estudis epidemiològics utilitzen diferents mètodes epidemiològics per recopilar i mesurar proves de factors de risc i efectes, i diferents maneres de mesurar l'associació entre tots dos. Els resultats d'una revisió del 2020 dels mètodes per a la inferència causal van trobar que l'ús de la literatura existent per a programes de formació clínica pot ser un repte. Això es deu al fet que els articles publicats sovint assumeixen una formació tècnica avançada, poden estar escrits des de múltiples perspectives estadístiques, epidemiològiques, informàtiques o filosòfiques, els enfocaments metodològics continuen expandint-se ràpidament i molts aspectes de la inferència causal reben una cobertura limitada. Els marcs comuns per a la inferència causal inclouen el model de pastís causal (component-causa), el model causal estructural de Pearl (diagrama causal + do-càlcul), la modelització d'equacions estructurals i el model causal de Rubin (potencial-resultat), que sovint s'utilitzen en àrees com les ciències socials i l'epidemiologia.
Experimental La verificació experimental dels mecanismes causals és possible mitjançant mètodes experimentals. La principal motivació darrere d'un experiment és mantenir constants les altres variables experimentals mentre es manipula deliberadament la variable d'interès. Si l'experiment produeix efectes estadísticament significatius com a resultat de manipular només la variable de tractament, hi ha motius per creure que es pot assignar un efecte causal a la variable de tractament, assumint que s'han complert altres estàndards de disseny experimental.
Quasi experimental La verificació quasi experimental dels mecanismes causals es duu a terme quan els mètodes experimentals tradicionals no estan disponibles. Això pot ser el resultat dels costos prohibitius de dur a terme un experiment o de la inviabilitat inherent de dur a terme un experiment, especialment experiments que es refereixen a grans sistemes com ara les economies dels sistemes electorals o per a tractaments que es considera que presenten un perill per al benestar dels subjectes de prova. Els quasi experiments també poden produir-se quan la informació es retingui per motius legals.
Enfocaments en epidemiologia L'epidemiologia estudia els patrons de salut i malaltia en poblacions definides d'éssers vius per tal d'inferir causes i efectes. Una associació entre una exposició a un suposat factor de risc i una malaltia pot suggerir causalitat, però no és equivalent a ella, perquè la correlació no implica causalitat. Històricament, els postulats de Koch s'han utilitzat des del segle XIX per decidir si un microorganisme era la causa d'una malaltia. Al segle XX, els criteris de Bradford Hill, descrits el 1965 s'han utilitzat per avaluar la causalitat de variables fora de la microbiologia, tot i que fins i tot aquests criteris no són maneres exclusives de determinar la causalitat. En epidemiologia molecular, els fenòmens estudiats es troben a nivell de biologia molecular, inclosa la genètica, on els biomarcadors són evidència de causa o efectes.
A principis de la dècada del 2010, els investigadors van començar a identificar proves de la influència de l'exposició en la patologia molecular dins del teixit o les cèl·lules malaltes, en el camp interdisciplinari emergent de l'epidemiologia patològica molecular (MPE). Vincular l'exposició a les signatures patològiques moleculars de la malaltia pot ajudar a avaluar la causalitat. Tenint en compte la naturalesa inherent de l'heterogeneïtat d'una malaltia determinada, el principi únic de la malaltia, la fenotipificació i la subtipificació de la malaltia són tendències en les ciències biomèdiques i de la salut pública, exemplificades com la medicina personalitzada i la medicina de precisió. miniatura|Gràfic causal on els factors de confusió ocults Z tenen un efecte sobre les variables observables X, el resultat y i l'elecció de tractament t. La inferència causal també s'ha utilitzat per a l'estimació de l'efecte del tractament. Assumint un conjunt de símptomes observables del pacient ( X) causats per un conjunt de causes ocultes ( Z ), podem optar per administrar o no un tractament t. El resultat d'administrar o no el tractament és l'estimació de l'efecte y. Si no es garanteix que el tractament tingui un efecte positiu, la decisió de si s'ha d'aplicar o no el tractament depèn en primer lloc del coneixement expert que engloba les connexions causals. Per a malalties noves, aquest coneixement expert pot no estar disponible. Com a resultat, ens basem únicament en els resultats de tractaments passats per prendre decisions. Es pot utilitzar un autocodificador variacional modificat per modelar el gràfic causal descrit anteriorment. Si bé l'escenari anterior es podria modelar sense l'ús del factor de confusió ocult (Z), perdríem la idea que els símptomes d'un pacient juntament amb altres factors influeixen tant en l'assignació del tractament com en el resultat.
Enfocaments en ciències socials Ciències socials Les ciències socials en general han anat avançant cada cop més cap a la inclusió de marcs quantitatius per avaluar la causalitat. Gran part d'això s'ha descrit com un mitjà per proporcionar un major rigor a la metodologia de les ciències socials. La ciència política va ser significativament influenciada per la publicació de Designing Social Inquiry, de Gary King, Robert Keohane i Sidney Verba, el 1994. King, Keohane i Verba recomanen que els investigadors apliquin mètodes quantitatius i qualitatius i adoptin el llenguatge de la inferència estadística per ser més clars sobre els seus temes d'interès i les unitats d'anàlisi. Els defensors dels mètodes quantitatius també han adoptat cada cop més el marc de resultats potencials, desenvolupat per Donald Rubin, com a estàndard per inferir la causalitat.
Tot i que gran part de l'èmfasi continua sent en la inferència estadística en el marc de resultats potencials, els metodòlegs de les ciències socials han desenvolupat noves eines per dur a terme inferència causal amb mètodes qualitatius i quantitatius, de vegades anomenats enfocaments de "mètodes mixtos". Els defensors dels diversos enfocaments metodològics argumenten que les diferents metodologies s'adapten millor a diferents temes d'estudi. El sociòleg Herbert Smith i els politòlegs James Mahoney i Gary Goertz han citat l'observació de Paul W. Holland, un estadístic i autor de l'article de 1986 "Statistics and Causal Inference", que la inferència estadística és més adequada per avaluar els "efectes de les causes" en lloc de les "causes dels efectes".
Els metodòlegs qualitatius han argumentat que els models formalitzats de causalitat, incloent-hi el traçat de processos i la teoria de conjunts difusos, ofereixen oportunitats per inferir la causalitat mitjançant la identificació de factors crítics dins dels estudis de casos o mitjançant un procés de comparació entre diversos estudis de casos. Aquestes metodologies també són valuoses per a temes en què un nombre limitat d'observacions potencials o la presència de variables de confusió limitarien l'aplicabilitat de la inferència estadística. En escales de temps més llargues, els estudis de persistència utilitzen la inferència causal per vincular esdeveniments històrics amb resultats polítics, econòmics i socials posteriors.
Economia i ciències polítiques En les ciències econòmiques i polítiques, la inferència causal sovint és difícil, a causa de la complexitat real de les realitats econòmiques i polítiques i la incapacitat de recrear molts fenòmens a gran escala dins d'experiments controlats. La inferència causal en les ciències econòmiques i polítiques continua millorant en metodologia i rigor, a causa de l'augment del nivell de tecnologia disponible per als científics socials, l'augment del nombre de científics socials i de recerca, i les millores en les metodologies d'inferència causal en totes les ciències socials. Malgrat les dificultats inherents a la determinació de la causalitat en els sistemes econòmics, existeixen diversos mètodes àmpliament utilitzats en aquests camps.
Aplicacions en màrqueting