Estrictamente hablando, "Causalidad de Granger" no tiene nada que ver con la causalidad. Se trata de capacidad predictiva / precedencia temporal, se quiere comprobar si una serie temporal es útil para predecir otra serie temporal--- es adecuado para afirmaciones como "normalmente A ocurre antes de que B ocurra" o "conocer A me ayuda a predecir que B ocurrirá, pero no al revés" (incluso después de considerar toda la información pasada sobre $B$ ). La elección de este nombre fue muy desafortunada, y es causa de varios conceptos erróneos.
Aunque es casi indiscutible que una causa tiene que preceder a su efecto en el tiempo, para extraer conclusiones causales con precedencia temporal sigue siendo necesario afirmar la ausencia de confusión, entre otras fuentes de asociaciones espurias.
En cuanto a los resultados potenciales (Neyman-Rubin) frente a Gráficos causales/Modelado de ecuaciones estructurales (Pearl), yo diría que se trata de un falso dilema y que deberías aprender ambos.
En primer lugar, es importante tener en cuenta que no son opiniones opuestas sobre la causalidad . Como dice Pearl, hay una jerarquía en cuanto a las tareas de inferencia (causal):
- Predicción observacional
- Predicción bajo interveción
- Contrafactuales
Para la primera tarea sólo necesita conocer la distribución conjunta de las variables observadas. Para la segunda tarea necesita conocer la distribución conjunta y la estructura causal. Para la última tarea, de contrafactuales, necesitará además información sobre las formas funcionales de su modelo de ecuaciones estructurales.
Así que, al hablar de contrafactuales, _hay una equivalencia formal entre ambas perspectivas_ . La diferencia es que los resultados potenciales toman las declaraciones contrafactuales como primitivas y en los DAGs las contrafactuales parecen como derivado de las ecuaciones estructurales. Sin embargo, cabe preguntarse, si son "equivalentes", ¿por qué molestarse en aprender ambas? Porque hay diferencias en cuanto a la "facilidad" para expresar y derivar las cosas.
Por ejemplo, intente expresar el concepto de M-Bias usando sólo resultados potenciales nunca he visto uno bueno. De hecho, mi experiencia hasta ahora es que los investigadores que nunca estudiaron gráficos ni siquiera son conscientes de ello. Además, si planteas los supuestos sustantivos de tu modelo en lenguaje gráfico, te resultará más fácil derivar computacionalmente sus implicaciones empíricas comprobables y responder a cuestiones de identificabilidad. Por otro lado, a veces es más fácil pensar directamente en los contrafactuales y combinarlos con supuestos paramétricos para responder a preguntas muy específicas.
Se podría decir mucho más, pero la cuestión es que hay que aprender a "hablar los dos idiomas". Como referencia, puede consultar cómo empezar aquí.
