El libro del por qué

La introducción describe la insuficiencia de los métodos estadísticos de principios del siglo XX para establecer relaciones causales entre variables. A continuación, los autores describen lo que denominan «La Revolución Causal», que comenzó a mediados del siglo XX y proporcionó nuevas herramientas conceptuales y matemáticas para describir dichas relaciones.

El capítulo 1 presenta la «escalera de causalidad», un diagrama que ilustra los tres niveles del razonamiento causal. El primer nivel se denomina «Asociación» y analiza las relaciones entre variables. Preguntas como «¿Está la variable X asociada con la variable Y?» pueden responderse en este nivel. Sin embargo, y esto es crucial, no se invoca la causalidad. Un ejemplo de razonamiento en este primer nivel es la observación de que el canto de un gallo está asociado con el amanecer. No obstante, este tipo de razonamiento no puede describir relaciones causales. Por ejemplo, no podemos afirmar si el amanecer provoca que el gallo cante, ni si el gallo provoca la salida del sol. Muchas de las herramientas estadísticas de principios del siglo XX, como la correlación y la regresión, operan en este nivel.

El segundo nivel (o «peldaño») en la escala de causalidad se denomina «Intervención». El razonamiento en este nivel responde a preguntas del tipo «si realizo la intervención X, ¿cómo afectará esto a la probabilidad del resultado Y?». Por ejemplo, la pregunta «¿aumenta fumar mi riesgo de padecer cáncer de pulmón?» se encuentra en el segundo nivel de la escala de causalidad. Este tipo de razonamiento invoca la causalidad y puede utilizarse para investigar más cuestiones que el razonamiento del primer nivel.

El tercer peldaño de la escala de causalidad se denomina «Contrafactuales» e implica responder preguntas sobre qué podría haber sucedido si las circunstancias hubieran sido diferentes. Este razonamiento invoca la causalidad en mayor medida que el nivel anterior. Un ejemplo de pregunta contrafactual que se presenta en el libro es: «¿Estaría Kennedy vivo si Oswald no lo hubiera matado?».

El capítulo 2 comienza con un breve resumen de las contribuciones de Francis Galton y Karl Pearson (originalmente Carl Pearson) al desarrollo de la estadística a finales del siglo XIX y principios del XX. Los autores culpan a Karl Pearson de haber relegado el estudio de la estadística al primer escalón de la jerarquía de la causalidad y de haber desalentado cualquier debate sobre la causalidad en estadística. A continuación, se introduce el análisis causal mediante diagramas de trayectoria a través de las explicaciones del trabajo de Sewall Wright .

El capítulo 3 ofrece una introducción al teorema de Bayes . A continuación, se presentan las redes bayesianas . Finalmente, se analizan las relaciones entre las redes bayesianas y los diagramas causales.

Este capítulo introduce el concepto de factores de confusión y describe cómo se pueden utilizar los diagramas causales para identificar variables de confusión y determinar su efecto. Pearl explica que los ensayos controlados aleatorios (ECA) pueden utilizarse para anular el efecto de los factores de confusión, pero demuestra que, siempre que se disponga de un modelo causal de confusión, no es necesario realizar un ECA para obtener resultados.

Este capítulo aborda la pregunta "¿Fumar causa cáncer de pulmón?" desde una perspectiva histórica, centrándose en los argumentos de Abraham Lilienfeld , Jacob Yerushalmy, Ronald Fisher y Jerome Cornfield . Los autores explican que, si bien el tabaquismo estaba claramente correlacionado con el cáncer de pulmón, algunos, como Fisher y Yerushalmy, creían que ambas variables estaban relacionadas y argumentaban en contra de la hipótesis de que los cigarrillos causaran el cáncer. A continuación, explican cómo el razonamiento causal (desarrollado en el resto del libro) puede utilizarse para argumentar que los cigarrillos sí causan cáncer.

Este capítulo examina varias paradojas, entre ellas el problema de Monty Hall , la paradoja de Simpson , la paradoja de Berkson y la paradoja de Lord . Los autores muestran cómo se pueden resolver estas paradojas mediante el razonamiento causal.

Este capítulo examina el segundo escalón de la jerarquía de causalidad introducida en el capítulo 1. Los autores describen cómo utilizar diagramas causales para determinar el efecto causal de las intervenciones (por ejemplo, dejar de fumar) sobre los resultados (como el cáncer de pulmón). Se presentan el criterio de la puerta de entrada y el cálculo de la acción como herramientas para este fin. El capítulo finaliza con dos ejemplos que sirven para introducir el uso de variables instrumentales en la estimación de relaciones causales. El primero es el descubrimiento de John Snow de que el cólera es causado por el agua contaminada. El segundo es la relación entre los niveles de colesterol y la probabilidad de sufrir un infarto.

Este capítulo examina el tercer peldaño de la jerarquía causal: los contrafactuales. Se introducen los «modelos causales estructurales», que permiten razonar sobre contrafactuales de una manera que la estadística tradicional (no causal) no permite. Posteriormente, se exploran las aplicaciones del razonamiento contrafactual en los ámbitos de la ciencia climática y el derecho.

Este capítulo trata sobre la mediación: el mecanismo por el cual una causa produce un efecto. Los autores analizan el trabajo de Barbara Stoddard Burks sobre las causas de la inteligencia infantil, la política de "álgebra para todos" de las escuelas públicas de Chicago y el uso de torniquetes para tratar heridas de combate.

El último capítulo analiza el uso del razonamiento causal en el big data y la inteligencia artificial (IA), así como el problema filosófico que supone para la IA reflexionar sobre sus propias acciones, lo que requiere un razonamiento contrafactual (y, por lo tanto, causal).