Introducción

Inferencia Causal

Irvin Rojas

Centro de Investigación y Docencia Económicas
Maestría en Economía

Descripción general del curso

1. Programa
2. Tareas (entregadas en Teams sin comprimir)
   
3. Laboratorios
   
4. Presentaciones
5. Exámenes
   • Examen parcial: jueves 8 de octubre en horario de clase
   • Examen final: por definir
6. Proyecto final
   
7. Teams (administrar tareas, exámenes y calificaciones)

Política sobre IA

• Ustedes conocen el límite entre la IA como herramienta y la IA como fraude
• Los incentivos del curso están alineados para que ustedes establezcan este límite y no lo crucen si su objetivo es aprender

Respóndanse en privado ¿estoy aprendiendo algo nuevo y útil de este curso al utilizar una IA?

Aspectos clave para el curso

• Leer artículos y capítulos de libro antes de clase
• Tareas preaparatorias para los exámenes
• Colaborar para las tareas, redactar informes individuales
• Exámenes presenciales y en papel

Inferencia Causal: preguntas, diseño y econometría

Inferencia Causal

• Este curso está enfocado en métodos para identificar relaciones causales
  
• Entre ellas están las relaciones que surgen por la implementación deliberada de programas públicos
  
• Pero no nos limitamos a este tipo de acciones: nos interesa comprender la teoría y la práctica para dar respuesta a relaciones que surgen
  • De la legislación nacional o subnacional
    
  • De fenómenos naturales
    
  • Del funcionamiento de los mercados y las instituciones

• En el curso enfatizaremos lo siguiente:
  1. La importancia de las preguntas
     
  2. El diseño para identificar relaciones causales
  3. La econometría apropiada para implementar el diseño

1. La importancia de las preguntas

Las preguntas

• Podemos estimar relaciones causales casi de cualquier cosa
  
• Pero no todas las relaciones causales son de interés
  
• Y muchas cosas que son de interés son difíciles de estudiar desde el punto de vista de las relaciones causales

La importancia de la teoría

• En este curso enfatizaremos el uso de datos para revelar la relación entre dos variables
• Para los economistas, los datos no hablan solos
  
• La teoría es necesaria para establecer la relación entre \(x\) y \(y\)
  
• Tenemos la fortuna de disponer cada vez de mejores datos
  
• Mejores datos nos permiten probar mejor modelos cada vez más ricos

Series de tiempo vs microeconometría

• Teoría económica usaba modelos y deducía de ellos los efectos de cambios de política
  
• O usaba series de tiempo agregadas que trataban de ser ligadas a modelos con consumidores o empresas representativas

• Cosas que han cambiado:
  • Disponibilidad de microdatos
    
  • Demanda por probar empíricamente modelos más ricos
    
  • Capacidad de cómputo

• De hecho, algunos macroeconomistas están volteando a ver los métodos de la microeconomía aplicada:
  • Sorpresas de política
  • Diferencia en diferencias
  • Estudios de evento
    
  • Controles sintéticos

Tipos de problemas de inferencia

1. Efectos de tratamiento

• ¿Cuál es el efecto de \(T\) sobre los participantes o no participantes de cierta política?
  
• ¿Funciona un determinado programa?
  
• Se requieren condiciones débiles
  
• No es fácil extrapolar las conclusiones a otros contextos

2. Estimación estructural

• ¿Cuál es el efecto potencial de un nuevo \(T\) en una población?
  
• Problema parecido a determinar la demanda de un bien recién introducido al mercado
  
• Se imponen condiciones fuertes
  
• Se trata de estimar un conjunto de parámetros que caracterizan las preferencias y tecnología de individuos, hogares y empresas

Ejemplo: impuestos

• Consideremos el cambio en la tasa del impuesto al ingreso \(t\)
  
• La oferta es función del salario \(W\), de características observadas \(X\) y de inobservables \(U\):
  \(H=\phi(W,X,U)\)
  
• La pregunta de evaluación es encontrar la magnitud de
  \(\phi(W(1-t'),X,U)-\phi(W(1-t),X,U)\) para cada individuo

• Tenemos tres posibles tipos de preguntas de investigación, dependiendo del tipo de impuesto y dónde se va a implementar:
  1. Un impuesto que ya ha existido antes en una población y queremos saber su efecto en la misma población, caracterizada por su distribución de \((W,X,U)\)
     
  2. El impuesto ha existido antes, pero queremos conocer su efecto en una población distinta, con una distribución distinta de \((W,X,U)\)
     
  3. El impuesto nunca ha sido implementado y queremos predecir su efecto en la población usada para estimar la oferta laboral o en otra población

Caso 1. Un impuesto ya conocido en la misma población

• Supongamos que la población ha vivido distintos regímenes de impuestos \(t_j\), con \(j=1,\ldots, J\) y tenemos datos sobre la oferta laboral bajo estos regímenes
  
• Este es un problema relativamente simple pues tenemos los datos para calcular la oferta laboral esperada para cada impuesto:
  \[E(H|W,X,t)=\int\phi(W(1-t_j),X,U)dG(U|X,W)\]
  
• No necesitamos un contrafactual pues podemos esperar que lo ocurrido antes aplique para el futuro si \(\phi(\cdot)\) y \(G(\cdot)\) no cambiaron

Caso 2. Decir algo sobre una política en un nuevo contexto

• Problema mucho más complicado
  
• Debemos estimar \(\phi'(\cdot)\) y \(G'(\cdot)\) en el nuevo ambiente, o tratar de determinar la relación entre \(\phi\) y \(\phi'\) y entre \(G\) y \(G'\)

La existencia de un problema radica en que el futuro es distinto que el pasado, mientras que la posibilidad de una solución depende de que el futuro se parezca al pasado.

— Knight (1921)

• Este es el tipo de problemas en donde la estimación estructural es de gran valor
  

Caso 3. Mucho más complicado

• ¿Qué pasa si nunca ha existido un impuesto similar en el país de interés?
  
• ¿Podemos identificar el efecto del impuesto a partir de variaciones en el salario?
  
• Solo si asumimos que el efecto del impuesto actúa vía el salario

2. El diseño para identificar relaciones causales

Causalidad e inferencia

• Los diseños experimentales se popularizaron en las primeras décadas del siglo como el gold standard para la inferencia causal
• Los investigadores peleaban por fondos de gobiernos, ONGs y think tanks para evaluar políticas realizando asignaciones experimentales de tratamientos
• Esther Duflo, Michael Kremer y Abhijit Banerjee ganaron el Nobel de Economía en 2019 por sus contribuciones a la lucha contra la pobreza, donde los experimentos tienen un papel primordial
• El modelo de causal de Rubin o de resultados potenciales permite conceptualizar la mayoría de los problemas de inferencia pensando en qué resultado obtendría una unidad con y sin intervención

- Sin embargo, el problema fundamental de la inferencia causal implica que solo podemos observar a cada unidad en uno de los estados posibles

Sesgo de selección

• En la práctica tenemos que comparar entre unidades que han recibido y que no han recibido el tratamiento
• Esto da original al sesgo de selección, es decir, a la existencia de factores que afectan tanto la asignación del tratamiento como del resultado mismo
• Veremos cómo la experimentación resuelve el sesgo de selección

• Pero también estudiaremos una amplia literatura que recae en una serie de supuestos estadísticos bajo los cuales es posible acercarnos a las condiciones de la asignación aleatoria
• Esta literatura incluye métodos muy estudiados como las técnicas de matching y el uso de variables instrumentales

Avances recientes en la literatura

• Diseños de regresión discontinua
• Diferencia en diferencias y control sintético
• Efectos con tratamiento multivariado y con tratamiento continuo
• Efectos en el largo plazo
• Efectos de tratamiento heterogéneos
• Intersección entre inferencia causal, big data e IA

3. La econometría apropiada para implementar el diseño

La Revolución de la Causalidad

• En 2021 el Nobel de Economía nuevamente fue otorgado a tres economistas que han revolucionado la forma de hacer investigación en economía
• David Card, Joshua Angrist y Guido Imbens fueron galardonados por su contribución al estudio de relaciones causales empleando datos observacionales, con énfasis en los mercados de trabajo
• Si revisan los libros con los que tradicionalmente se estudiaba economía notarán un enfoque estructural
• Se enfatizaba la bondad de ajuste y la significancia estadística
• La Revolución de la Credibilidad, iniciada por Card, Angrist, Pischke, Krueger, Imbens, entre otros, cuestionó el paradigma de la investigación empírica dominante hasta finales de los años de 1990
• Énfasis en la estimación creíble de parámetros con interpretación económica

La econometría como herramienta

• La complejidad de la econometría no sustituye la calidad de las preguntas y el diseño
• En muchas ocasiones será suficiente una diferencia de medias o una regresión lineal para identificar parámetros de interés
• Parte importante de nuestro curso será:
  • Conocer la teoría que permite la identificación econométrica de efectos causales bajo los distintos diseños
  • Implementar las estrategias empíricas con datos en R
  • Interpretar y reportar los resultados, con orientación a la investigación aplicada

Algunos temas que abordaremos en el curso incluyen

• Regresión por MCO, variables instrumentales y modelos no lineales
• Errores estándar robustos y agrupados
• Rutinas bootstrap
• Análisis con placebos
• Prueba de mútiples hipótesis
• Métodos no paramétricos
• Métodos de optimización

Habilidades de economista

Espero que al final del curso puedan

• Identificar relaciones causales
• Usar datos y programar sus estrategias empíricas
• Identificar literatura relevante, huecos en ella y avenidas para investigación futura
• Argumentar y presentar ideas de forma oral y escrita
• Usar buenas prácticas de reproductibilidad y transparencia en la investigación

Introducción

Inferencia Causal

Irvin Rojas

CIDE · Maestría en Economía

© 2026 Irvin Rojas. Distribuido bajo licencia Creative Commons CC BY-NC-SA 4.0. Los materiales de terceros citados conservan sus propios derechos.