El diseño de la investigación social

Causalidad e inferencia causal

Introducción

Al igual que los historiadores, los científicos sociales necesitan resumir los pormenores

históricos y hacer inferencias descriptivas, sin embargo las ciencias sociales pretenden alcanzar

ciertos objetivos, si no hay inferencia causal, el análisis es insuficiente.

1. Definición de causalidad.

1.1 Definición y un ejemplo cualitativo

Imaginemos que podemos instaurar un sistema parlamentario y que, periódicamente,

durante unos diez años, calibramos su grado de estabilidad democrática (quizá la

propia supervivencia o desaparición del sistema, así como los intentos del golpe de

estado que sufre u otros indicadores de inestabilidad); a la vez en el mismo país,

fundamos un sistema presidencial y también medimos su estabilidad en el mismo

periodo y con los mismos elementos. El efecto causal realizado será la diferencia entre

los grados de estabilidad observado en el sistema presidencial y en el parlamentario.

2. Clarificación de las definiciones alternativas de causalidad

2.1 Mecanismos causales

Identificar mecanismos causales es una forma habitual de hacer análisis empíricos a la

que se ha denominado con expresiones ligeramente diferentes: ‘’rastreo de procesos’’,

‘’’análisis históricos’’ y ‘’estudios de casos detallados’’. Muchos de los pormenores

de los estudios de caso bien hechos conllevan la identificación de mecanismos

causales. Sin embargo para precisar cuáles son esos mecanismos es necesario utilizar

la inferencia causal, el investigador debe demostrar el carácter causal de cada posible

vínculo en un mecanismo como ese tendrá que definir el efecto causal subyacente y

luego hacer una estimación del mismo. Identificar los mecanismos que hacen que una

causa tenga un efecto suele servir de apoyo a una teoría y es un procedimiento

operativo muy útil. A veces determinar mecanismos causales puede darnos más

control sobre una teoría.

2.2 Causalidad múltiple

Charles Ragin (1987) aboga por una metodología que utilice muchas variables

explicativas y pocas observaciones con el fin de que se pueda tener en cuenta lo que él

denomina ‘’causalidad múltiple’’. Esto quiere decir que el fenómeno que se investiga

tiene determinantes alternativos; lo que Mill (1843) lo llamaba el problema de la

pluralidad de las causas’’.

Para Ragin cuando diversas variables explicativas pueden explicar el mismo resultado

en una variable dependiente hay métodos estadísticos que rechazan equivocadamente

hipótesis de que tales variables tengan un carácter causal. La clave para entender estas

situaciones tan habituales es definir la condición contra fáctica mediante una precisa

concepción de cada efecto causal.

2.3 Causalidad ‘’simétrica’’ y ‘’asimétrica’’

Stanley lieberson (1985) distingue entre lo que clasifica como formas de causalidad

simétricas y asimétricas y se centra en las diferencias que se producen en los efectos

causales cuando se aumenta una variable explicativa o cuando se reduce. Según sus

propias palabras:

Al examinar por ejemplo la influencia causal de X1 (una variable explicativa) sobre Y

(una dependiente), también hay que considerar si los cambios producidos desde

cualquier dirección en un valor dado de X tienen las mismas consecuencias para Y

(…) si la relación causal entre X1 (la variable explicativa) e Y (la dependiente) es

simétrica o realmente reversible, el efecto que tendrá sobre Y un aumento de X1,

desaparecerá si X1 vuelve a su nivel anterior (siempre que el resto de las condiciones

sean constantes).

3. Supuestos necesarios para la estimación de efectos causales

Las inferencias causales no deben parecer mágicas y los supuestos pueden y deben

justificarse mediante cualquier información colateral o investigación anterior que se

pueda aportar, siempre que se reconozca explícitamente.

3.1 Homogeneidad de las unidades

Se puede poner en marcha dando diferentes valores a nuestra variable explicativa en

cada ocasión. Dos unidades son homogéneas si los valores esperados de las variables

dependientes de cada una de ellas son los mismos cuando nuestra variable explicativa

adopta un valor determinado. La homogeneidad de las unidades consiste en

presuponer que todas las que tengan igual valor en sus variables explicativas tendrán

también el mismo valor esperado en la dependiente. El efecto causal no es más que la

diferencia entre los dos valores esperados.

3.2 Independencia condicional

Según el presupuesto de independencia condicional, los valores que se adjudican a las

variables explicativas son independientes de los de las dependientes. El sistema

aleatorio de selección y asignación nos ayuda a extraer inferencias causales por que

cumple unos supuestos:

Que el proceso de asignación de valores a las variables explicativas es

independiente de las dependientes (no existe problema de endogeneidad)

Que no hay sesgo de selección

No hay seso de la variable omitida

Cuando no es factible ni seleccionar ni asignar valores de manera aleatoria y tampoco

se puede controlar el proceso de asignación y de selección tenemos que recurrir a

alguna versión del supuesto de homogeneidad de las unidades para hacer inferencias

causales válidas.

1. Reglas para elaborar teorías causales

Las teorías causales tienen como objetivo mostrar las causas de un fenómeno o un

conjunto de fenómenos. Cualquier teoría, independientemente de que en principio

haya sido deductiva o inductiva, conlleva a un conjunto correlacionado de

hipótesis causales. Cada una de ellas postula la existencia de una relación entre

variables que genera consecuencias observables: si unas determinadas variables

explicativas tienen ciertos valores se predice que las dependientes tendrán otros

valores específicos. Para comprobar o evaluar cualquier hipótesis causal se

necesitan inferencias del mismo tipo.

1.1 regla 1: elaborar teorías falsables

Una teoría que no puede estar equivocada no es tal teoría, si no que las teorías

hay que diseñarlas para que se pueda demostrar de la forma más rápida y fácil

posible que están equivocadas. Es evidente que no tenemos que intentar

equivocarnos, pero incluso una teoría incorrecta es mejor que una afirmación

que no es falsa ni cierta.

Popper cree que una teoría, una vez enunciada, pasa a convertirse

inmediatamente en parte integrante del cuerpo de conocimientos científicos

aceptados. Sin embargo solo es posible someter a pruebas empíricas a un

número ilimitado de hipótesis. Al comprobar cada hipótesis se puede

demostrar que es coherente con la teoría, si se demuestra que una sola

hipótesis es incorrecta y por tanto que no se ajusta a la teoría, esta será falsada

y dejara de pertenecer al bagaje del conocimiento humano. En las ciencias

sociales intenta falsar teorías es buscar límites de su aplicabilidad. Cada

prueba que pasa una teoría influye tanto en la estimación de su validez como

en la incertidumbre de ese cálculo y el impacto puede alcanzar nuestro grado

de interés en que la teoría funciones.

1.2 regla 2: construir teorías que tengan coherencia interna

Una teoría sin coherencia interna no solo es falsable: es falsa. Si tiene dos o

más componentes que generan hipótesis contradictorias no hay datos del

mundo empírico que puedan sostenerla. Los modelos formales no son

explicaciones verificadas si no evalúan empíricamente sus predicciones. Un

buen modelo formal debe ser abstracto de manera que los rasgos clave del

problema se pongan de manifiesto y pueda aplicarse fácilmente el

razonamiento matemático. Los modelos formales son extremadamente útiles

para aclarar nuestras ideas y para desarrollar teorías con coherencia interna.

1.3 regla 3: seleccionar cuidadosamente las variables dependientes

Las variables dependientes deben ser realmente dependientes. No hay que

seleccionar observaciones que estén basadas en la variable dependiente para

que esta se mantenga constante. Elegir una variable dependiente que

represente la variación que queremos explicar. Poner límites artificiales del

abanico de posibilidades de la variable dependiente como sesgo de selección.

1.4 regla 4: maximizar lo concreto.

En una ciencia empírica como la muestra la principal norma explicativa tiene

que ser la verificación o falsificación empírica. Cuantos más abstractos sean

nuestros conceptos, mas difusas serán sus consecuencias observables y menos

posibilidades habrán de falsar teoría.

1.5 regla 5: Formular teorías de forma tan incluyente como sea posible

Hay que formular teoría de manera que explique una parte del mundo lo más

grande posible. No debemos presentar nuestra teoría como si solo fuera

aplicable, no es preciso dar pruebas de todas sus consecuencias, siempre que

se haga una estimación razonable de la incertidumbre que conlleva.

Para retomar nuestro concepto que hemos mencionado anteriormente, enunciar

teorías de este modo es maximizar el control. Si la teoría puede comprobarse y

es evidente que el peligro de las más generales es que quizá estén expresadas

de manera que no se pueda cuanto más general sea, mejor. O sea a mayor

amplitud más control.

Referencias bibliográficas

Cuéllar, J. (2000). Designing Social Inquiry. Scientific Inferencia In Qualitative

Research. Madrid: Alianza Editorial.