¿Mide el análisis de regresión la causa y el efecto?

Question

¿Mide el análisis de regresión la causa y el efecto?

Si es así, ¿cómo? En caso negativo, ¿qué se hace? Describa con un ejemplo.

Answer 1

De "Mistakes in Thinking About Causation" de la Universidad de Texas:

Cualquier texto de estadística que se precie advierte al lector de que no debe confundir correlación con causalidad. Sin embargo, el error es muy común. A modo de recordatorio, he aquí un ejemplo:

Considere las tallas de los zapatos de los alumnos de la escuela primaria y las puntuaciones en un examen de lectura estándar. Están correlacionados, pero decir que un mayor tamaño de de zapato provoca una mayor puntuación en el examen de lectura es tan absurdo como decir que que las altas puntuaciones en lectura provocan un mayor tamaño de los zapatos.

En este ejemplo, hay una clara variable al acecho: la edad. A medida que el niño crece, tanto su talla de zapatos como su capacidad de lectura aumentan.

Elaborando esta situación:

Si está de acuerdo en que el aumento de la edad (para los niños de la escuela primaria) provoca el aumento del tamaño del pie, y por lo tanto el aumento del tamaño del zapato, entonces se espera una correlación entre la edad y el tamaño del zapato. La correlación es simétrica, por lo que el tamaño del zapato y la edad están correlacionados. Pero sería absurdo decir que el tamaño del zapato causa la edad.

En otras palabras, incluso cuando existe una relación causal, la causalidad suele ir en una sola dirección. (Por supuesto, podría ir en ambos sentidos, como en un bucle de retroalimentación).

Una situación en la que la gente cae en la confusión la correlación y la causalidad están en la regresión . Por ejemplo, se podría hacer una regresión del GPA de la universidad sobre las puntuaciones del SAT, obteniendo un coeficiente beta positivo de la puntuación del SAT en la ecuación de regresión. Considere las dos afirmaciones siguientes:

1. Un aumento de un punto en las calificaciones del SAT provoca, por término medio, un aumento de β puntos en el GPA de la universidad.
2. Por cada aumento de un punto en los resultados del SAT, el aumento de promedio del GPA universitario es de β puntos.

La afirmación 2 es correcta (suponiendo, por supuesto, que la regresión se haya realizado correctamente). La afirmación 1 es incorrecta: la ecuación de regresión no proporciona información sobre la causalidad. De hecho, es probable que haya una variable oculta (o probablemente un grupo de variables ocultas) que afecte tanto a la nota media como a la nota de selectividad; la nota de selectividad se considera una medida (quizá burda) de esta variable oculta.

Answer 2

Las inferencias causales están autorizadas principalmente por el diseño de su estudio no por las técnicas estadísticas que utiliza .

El estándar de oro para la inferencia causal siempre ha sido ejecutar un experimento controlado *. Si se asignan aleatoriamente las unidades de estudio a las condiciones de tratamiento y control y se manipula el tratamiento de forma independiente, normalmente se puede inferir la causalidad, si los análisis apoyan la conclusión de que existe una diferencia entre las condiciones. Está perfectamente bien que el análisis en cuestión sea una regresión, pero cualquier otro análisis está igualmente bien (incluso se podría utilizar una correlación).

Una forma de cuestionar estos estudios es argumentar que la manipulación experimental induce a la confusión. Imaginemos un estudio que intenta determinar si un nuevo medicamento reduce la presión arterial. Los pacientes son asignados al azar a dos grupos, uno de los cuales toma la medicación y el otro no. Al final del estudio, los que toman la medicación tienen una presión arterial más baja. ¿Significa esto que la medicación reduce la presión arterial? Alguien podría argumentar que no, porque la mediación es confundido con la toma de una píldora (los del grupo de tratamiento tomaron una píldora, la medicación, mientras que los del grupo de control no tomaron ninguna píldora), es decir, argumentan que simplemente se detectó la efecto placebo . (Y puede que tengan razón; ¡se trata de un estudio mal diseñado!) Observe que lo que difiere entre este ejemplo y un ensayo aleatorio doble ciego controlado con placebo no es el análisis utilizado (regresión frente a otra cosa), sino el diseño de su estudio .

*Como nota a pie de página, permítanme mencionar que la causalidad puede inferirse válidamente sin realizar un experimento controlado. Hay técnicas especiales, como las variables instrumentales, o situaciones, como los experimentos naturales, que permiten la inferencia causal incluso con diseños observacionales. Hay bastantes cosas, y está fuera del alcance de esta respuesta tratar de explicarlas. Sin embargo, lo que vale la pena exponer aquí explícitamente es que estas técnicas no están relacionadas con el hecho de que se utilice un análisis de regresión o algún otro análisis estadístico.