El diseo de la investigacin social

Causalidad e inferencia causal

Introduccin
Al igual que los historiadores, los cientficos sociales necesitan resumir los pormenores
histricos y hacer inferencias descriptivas, sin embargo las ciencias sociales pretenden alcanzar
ciertos objetivos, si no hay inferencia causal, el anlisis es insuficiente.
1. Definicin de causalidad.
1.1 Definicin y un ejemplo cualitativo
Imaginemos que podemos instaurar un sistema parlamentario y que, peridicamente,
durante unos diez aos, calibramos su grado de estabilidad democrtica (quiz la
propia supervivencia o desaparicin del sistema, as como los intentos del golpe de
estado que sufre u otros indicadores de inestabilidad); a la vez en el mismo pas,
fundamos un sistema presidencial y tambin medimos su estabilidad en el mismo
periodo y con los mismos elementos. El efecto causal realizado ser la diferencia entre
los grados de estabilidad observado en el sistema presidencial y en el parlamentario.
2. Clarificacin de las definiciones alternativas de causalidad
2.1 Mecanismos causales
Identificar mecanismos causales es una forma habitual de hacer anlisis empricos a la
que se ha denominado con expresiones ligeramente diferentes: rastreo de procesos,
anlisis histricos y estudios de casos detallados. Muchos de los pormenores de
los estudios de caso bien hechos conllevan la identificacin de mecanismos causales.
Sin embargo para precisar cules son esos mecanismos es necesario utilizar la
inferencia causal, el investigador debe demostrar el carcter causal de cada posible
vnculo en un mecanismo como ese tendr que definir el efecto causal subyacente y

luego hacer una estimacin del mismo. Identificar los mecanismos que hacen que una
causa tenga un efecto suele servir de apoyo a una teora y es un procedimiento
operativo muy til. A veces determinar mecanismos causales puede darnos ms
control sobre una teora.
2.2 Causalidad mltiple
Charles Ragin (1987) aboga por una metodologa que utilice muchas variables
explicativas y pocas observaciones con el fin de que se pueda tener en cuenta lo que l
denomina causalidad mltiple. Esto quiere decir que el fenmeno 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 mtodos estadsticos que rechazan equivocadamente
hiptesis de que tales variables tengan un carcter causal. La clave para entender estas
situaciones tan habituales es definir la condicin contra fctica mediante una precisa
concepcin de cada efecto causal.
2.3 Causalidad simtrica y asimtrica
Stanley lieberson (1985) distingue entre lo que clasifica como formas de causalidad
simtricas y asimtricas y se centra en las diferencias que se producen en los efectos
causales cuando se aumenta una variable explicativa o cuando se reduce. Segn sus
propias palabras:
Al examinar por ejemplo la influencia causal de X1 (una variable explicativa) sobre Y
(una dependiente), tambin hay que considerar si los cambios producidos desde
cualquier direccin en un valor dado de X tienen las mismas consecuencias para Y
() si la relacin causal entre X1 (la variable explicativa) e Y (la dependiente) es
simtrica o realmente reversible, el efecto que tendr sobre Y un aumento de X1,

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

sean constantes).
3. Supuestos necesarios para la estimacin de efectos causales
Las inferencias causales no deben parecer mgicas y los supuestos pueden y deben
justificarse mediante cualquier informacin colateral o investigacin anterior que se
pueda aportar, siempre que se reconozca explcitamente.
3.1 Homogeneidad de las unidades
Se puede poner en marcha dando diferentes valores a nuestra variable explicativa en
cada ocasin. Dos unidades son homogneas 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 tendrn
tambin el mismo valor esperado en la dependiente. El efecto causal no es ms que la
diferencia entre los dos valores esperados.

3.2 Independencia condicional

Segn 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 seleccin y asignacin nos ayuda a extraer inferencias causales por que
cumple unos supuestos:

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

independiente de las dependientes (no existe problema de endogeneidad)

Que no hay sesgo de seleccin
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 asignacin y de seleccin tenemos que recurrir a

alguna versin del supuesto de homogeneidad de las unidades para hacer inferencias
causales vlidas.
1. Reglas para elaborar teoras causales
Las teoras causales tienen como objetivo mostrar las causas de un fenmeno o un
conjunto de fenmenos. Cualquier teora, independientemente de que en principio
haya sido deductiva o inductiva, conlleva a un conjunto correlacionado de
hiptesis causales. Cada una de ellas postula la existencia de una relacin entre
variables que genera consecuencias observables: si unas determinadas variables
explicativas tienen ciertos valores se predice que las dependientes tendrn otros
valores especficos. Para comprobar o evaluar cualquier hiptesis causal se
necesitan inferencias del mismo tipo.
1.1 regla 1: elaborar teoras falsables
Una teora que no puede estar equivocada no es tal teora, si no que las teoras
hay que disearlas para que se pueda demostrar de la forma ms rpida y fcil
posible que estn equivocadas. Es evidente que no tenemos que intentar
equivocarnos, pero incluso una teora incorrecta es mejor que una afirmacin
que no es falsa ni cierta.
Popper cree que una teora, una vez enunciada, pasa a convertirse
inmediatamente en parte integrante del cuerpo de conocimientos cientficos
aceptados. Sin embargo solo es posible someter a pruebas empricas a un
nmero ilimitado de hiptesis. Al comprobar cada hiptesis se puede
demostrar que es coherente con la teora, si se demuestra

que una sola

hiptesis es incorrecta y por tanto que no se ajusta a la teora, esta ser falsada
y dejara de pertenecer al bagaje del conocimiento humano. En las ciencias

sociales intenta falsar teoras es buscar lmites de su aplicabilidad. Cada

prueba que pasa una teora influye tanto en la estimacin de su validez como
en la incertidumbre de ese clculo y el impacto puede alcanzar nuestro grado
de inters en que la teora funciones.

1.2 regla 2: construir teoras que tengan coherencia interna

Una teora sin coherencia interna no solo es falsable: es falsa. Si tiene dos o
ms componentes que generan hiptesis contradictorias no hay datos del
mundo emprico que puedan sostenerla. Los modelos formales no son
explicaciones verificadas si no evalan empricamente sus predicciones. Un
buen modelo formal debe ser abstracto de manera que los rasgos clave del
problema se pongan de manifiesto y pueda aplicarse fcilmente el
razonamiento matemtico. Los modelos formales son extremadamente tiles
para aclarar nuestras ideas y para desarrollar teoras 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 estn basadas en la variable dependiente para
que esta se mantenga constante. Elegir una variable dependiente que
represente la variacin que queremos explicar. Poner lmites artificiales del
abanico de posibilidades de la variable dependiente como sesgo de seleccin.
1.4 regla 4: maximizar lo concreto.
En una ciencia emprica como la muestra la principal norma explicativa tiene
que ser la verificacin o falsificacin emprica. Cuantos ms abstractos sean

nuestros conceptos, mas difusas sern sus consecuencias observables y menos

posibilidades habrn de falsar teora.
1.5 regla 5: Formular teoras de forma tan incluyente como sea posible
Hay que formular teora de manera que explique una parte del mundo lo ms
grande posible. No debemos presentar nuestra teora como si solo fuera
aplicable, no es preciso dar pruebas de todas sus consecuencias, siempre que
se haga una estimacin razonable de la incertidumbre que conlleva.
Para retomar nuestro concepto que hemos mencionado anteriormente, enunciar
teoras de este modo es maximizar el control. Si la teora puede comprobarse y
es evidente que el peligro de las ms generales es que quiz estn expresadas
de manera que no se pueda cuanto ms general sea, mejor. O sea a mayor
amplitud ms control.

Referencias bibliogrficas
Cullar, J. (2000). Designing Social Inquiry. Scientific Inferencia In Qualitative
Research. Madrid: Alianza Editorial.