Mal control

En estadística, los controles malos son variables que introducen una discrepancia no intencionada entre los coeficientes de regresión y los efectos que dichos coeficientes se supone que miden. Estos se contrastan con los factores de confusión que son " controles buenos " y deben incluirse para eliminar el sesgo de variables omitidas. ^{[ 1 ]}^{[ 2 ]}^{[ 3 ]} Este problema surge cuando un control malo es una variable de resultado (o similar a) en un modelo causal y, por lo tanto, ajustarlo eliminaría parte de la ruta causal deseada. En otras palabras, los controles malos también podrían ser variables dependientes en el modelo en consideración. ^{[ 3 ]} Angrist y Pischke (2008) diferencian además dos tipos de controles malos : un escenario de control malo simple y un escenario de control proxy donde la variable incluida controla parcialmente los factores omitidos pero se ve parcialmente afectada por la variable de interés. ^{[ 3 ]} Pearl (1995) proporciona un método gráfico para determinar controles buenos utilizando diagramas de causalidad y el criterio de puerta trasera y el criterio de puerta delantera . ^{[ 4 ]}

Ejemplos

Mal control simple

{\displaystyle T} — Diagrama causal que muestra un tipo de control deficiente. Si controlamos el tipo de trabajo $T$ al realizar una regresión a partir de la educación $E$ a salarios $W$ Hemos interrumpido una ruta causal $E\to T\to W$ y dicho coeficiente de regresión no tiene una interpretación causal.

Un ejemplo simplificado estudia el efecto de la educación en los salarios. $W$ . ^{[ 3 ]} En este experimento mental , dos niveles de educación $E$ son posibles: inferior y superior y dos tipos de trabajos $T$ se realizan: trabajo de cuello blanco y trabajo de cuello azul. Al considerar el efecto causal de la educación en los salarios de un individuo, podría ser tentador controlar el tipo de trabajo. $T$ Sin embargo, el tipo de trabajo es un mediador ( $E\to T\to W$ ) en la relación causal entre educación y salarios (véase el diagrama causal) y, por lo tanto, controlarlo impide la inferencia causal a partir de los coeficientes de regresión.

Control de proxy deficiente

{\displaystyle L} — Diagrama causal que muestra un control de proxy deficiente. Si controlamos la capacidad tardía $L$ al realizar una regresión a partir de la educación $E$ a salarios $W$ Hemos introducido una nueva ruta no causal. $E\to L\leftarrow I\to W$ y, por lo tanto, un sesgo de colisionador.

Otro ejemplo de mal control se da al intentar controlar la capacidad innata al estimar el efecto de la educación. $E$ sobre salarios $W$ . ^{[ 3 ]} En este ejemplo, capacidad innata $I$ (considerado, por ejemplo, como el coeficiente intelectual en la edad preescolar) es una variable que influye en los salarios. $W$ pero su valor no está disponible para los investigadores en el momento de la estimación. En su lugar, eligen las puntuaciones de las pruebas de CI previas al trabajo. $L$ , o habilidad tardía, como variable proxy para estimar la habilidad innata y realizar una regresión de la educación a los salarios ajustando por la habilidad tardía. Desafortunadamente, la habilidad tardía (en este experimento mental) está causalmente determinada por la educación y la habilidad innata y, al controlarla, los investigadores introdujeron un sesgo de colisión en su modelo al abrir una ruta de puerta trasera. $E\to L\leftarrow I\to W$ Anteriormente no estaba presente en su modelo. Por otro lado, si ambos enlaces $E\to L$ y $I\to L$ son fuertes, se puede esperar una fuerte correlación (no causal) entre $I$ y $E$ y por lo tanto un gran sesgo por variables omitidas si $I$ no se controla. Sin embargo, este problema es independiente del problema de causalidad.

Referencias

↑ Cinelli C, Forney A, Pearl J (2020). "Un curso intensivo sobre controles buenos y malos" (PDF) . Sociological Methods & Research . SAGE Publications Sage CA: Los Ángeles.
↑ Angrist JD, Pischke JS (2014). Dominando las métricas: El camino de la causa al efecto . Princeton University Press. ISBN 9780691152844.
1 2 3 4 5 Angrist JD, Pischke JS (2008). Econometría casi inofensiva: Un compañero para el empirista . ISBN 0691120358.
↑ Pearl J (1995). "Diagramas causales para la investigación empírica" . Biometrika . 82 (4): 669– 688. doi : 10.1093/biomet/82.4.669 . ISSN 0006-3444 .

[Cinelli2020-1] Cinelli C, Forney A, Pearl J (2020). "Un curso intensivo sobre controles buenos y malos" (PDF) . Sociological Methods & Research . SAGE Publications Sage CA: Los Ángeles.

[Angrist2014-2] Angrist JD, Pischke JS (2014). Dominando las métricas: El camino de la causa al efecto . Princeton University Press. ISBN 9780691152844.

[Angrist2008-3] 1 2 3 4 5 Angrist JD, Pischke JS (2008). Econometría casi inofensiva: Un compañero para el empirista . ISBN 0691120358.

[Pearl1995-4] Pearl J (1995). "Diagramas causales para la investigación empírica" . Biometrika . 82 (4): 669– 688. doi : 10.1093/biomet/82.4.669 . ISSN 0006-3444 .

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]