Me he dado cuenta de que investiga la enfermedad de Alzheimer, incluidos sus factores. Así que supongamos que quieres saber la influencia causal de la edad en un factor concreto. Ha mencionado que cree que la edad influye en el estado civil (seguramente no a la inversa, ¡salvo quizás en sentido figurado!), y quizás también esté pensando que el estado civil influye en el factor del Alzheimer. En ese caso, tendrías un diagrama causal como éste:
![enter image description here]()
Esta situación se conoce como mediadora: el estado civil es un mediador del efecto causal de la edad sobre el factor de Alzheimer. En este escenario, el estado civil NO es un factor de confusión, porque no establece una vía de retorno desde la edad al factor Alzheimer. Si se hace una regresión del factor Alzheimer sobre la edad y se incluye el estado civil, se estaría condicionando el estado civil y se obtendría un efecto causal incorrecto de la edad sobre el factor Alzheimer. Conclusión: haga una regresión del factor Alzheimer únicamente sobre la edad, sin incluir el estado civil.
Por otro lado, podría estar interesado en investigar el efecto causal del estado civil sobre el factor Alzheimer. Utilizando el mismo diagrama causal, pero reordenándolo un poco, se obtiene esta imagen bastante diferente:
![enter image description here]()
Ahora la edad establece un camino de vuelta desde el estado civil hasta el factor del Alzheimer. Si se quiere obtener el efecto causal correcto del estado civil sobre el factor de Alzheimer, hay que condicionar la edad (incluirla en la regresión).
He hecho algunas suposiciones en esta respuesta que pueden ser bastante diferentes de lo que realmente estás tratando de lograr, pero quería mostrarte cómo la Nueva Revolución Causal puede realmente ayudar a aclarar qué hacer cuando, en particular cuando se trata de variables de confusión. De hecho, considero que la comprensión de las variables de confusión es una de el avances más importantes de la Nueva Revolución Causal.
