---
citekey: Cinelli2024
priority: nucleo
units: [U5, U6]
type: article
venue: Sociological Methods & Research
year: 2024
---

# Cinelli, Forney & Pearl 2024 — A Crash Course in Good and Bad Controls

**Cita.** Cinelli, C., Forney, A., & Pearl, J. (2024). A crash course in good and bad controls. *Sociological Methods & Research*, 53(3), 1071–1104. DOI: 10.1177/00491241221099552.

**Citekey Quarto:** `[@Cinelli2024]`

## Tesis central

La pregunta "¿qué variables de control debo incluir?" no se responde con intuición ni con "incluir todo lo correlacionado". Se responde con **DAGs** (Directed Acyclic Graphs). Los autores —dos académicos jóvenes y Judea Pearl (autor de *The Book of Why*)— ofrecen una **clasificación pedagógica de 18 estructuras DAG** mostrando cuándo agregar un control **mejora la identificación**, cuándo **la sesga**, y cuándo es **irrelevante**. Es la guía operacional para que un estudiante de maestría aplique pensamiento causal a su tesis sin resolver matemática avanzada.

## Aporte por unidad del curso

- **U5 (Marco teórico):** Es la **lectura núcleo de DAGs aplicados** del curso. Reemplaza la mítica "ladder of causation" abstracta por casos concretos.
- **U6 (Métodos):** Decisión de qué controles incluir en una regresión es metodológica; este paper la disciplina.

## Metodología / diseño

**Paper pedagógico-metodológico**. Los autores construyen 18 modelos DAG simples (3-5 nodos cada uno) y demuestran via cálculo de paths qué pasa cuando uno controla por una variable específica. No es empírico — es una **taxonomía aplicada**. Tabla síntesis al final.

## Hallazgos clave (citables para slide)

**Las tres categorías de controles:**

1. **Good controls (necesarios):**
   - **Confounders** (variables que afectan tratamiento Y outcome).
   - **Mediators que NO se quieren bloquear** (depende de qué efecto se quiere identificar, total vs directo).

2. **Bad controls (sesgan):**
   - **Colliders** — variables afectadas tanto por tratamiento como por outcome. Controlarlas crea correlación espuria (selection bias).
   - **M-bias** — controlar una variable que es collider de dos confounders no observados.
   - **Mediators que se quieren incluir** en el efecto total — controlarlos sub-estima el efecto.
   - **Post-treatment variables** — bias por estratificación.

3. **Neutral controls (irrelevantes):**
   - Predictores del outcome no asociados al tratamiento (mejoran precisión sin sesgar).
   - Predictores del tratamiento no asociados al outcome (no ayudan; pueden empeorar precisión).

**El "butterfly bias" / "M-bias"** es el caso pedagógico estrella: una variable que parece "control natural" puede sesgar **más** que omitirla.

## Citas textuales destacadas

> "Including a 'good control' improves an estimate; including a 'bad control' biases it; and including a 'neutral control' has no impact on bias but may affect precision."

> "The decision is not 'control for as much as you can'; it is 'draw the DAG and follow the rules'."

## Conexiones con otras lecturas del bib

- **Marco fundacional:** `[@Pearl2018]` — *The Book of Why* (libro) introduce DAGs accesiblemente.
- **Aplicación profunda:** `[@HernanRobins2020]` — *Causal Inference: What If* (libro libre) formaliza los conceptos.
- **DiD y diseño:** `[@Cunningham2021]`, `[@HuntingtonKlein2022]` — los textbooks modernos integran DAGs antes de regresión.

## Limitaciones y críticas

- **DAGs requieren que el investigador sepa la estructura causal.** Si no la conoces, los DAGs no te la revelan. Son una herramienta de razonamiento, no de descubrimiento.
- **18 estructuras es manejable, pero la realidad es más compleja.** Los DAGs reales tienen 10+ nodos; identificar el tipo de cada control requiere práctica.
- **Tensión con economía aplicada tradicional.** En econometría, el debate "DAG vs Potential Outcomes" tiene defensores en ambos lados (Imbens es escéptico de DAGs).

## Pregunta detonadora para clase

> Tomen una regresión publicada en su área. Dibujen el DAG **implícito**. ¿Hay algún control que sea **collider**? Si lo hay, ¿qué tan distinto sería el coeficiente sin él?

## Slide de aterrizaje sugerido

- **Título:** "Tres tipos de controles, una decisión"
- **Visual:** matriz 3 columnas (Good / Bad / Neutral) con un DAG ejemplar y un emoji (✅/❌/⚪) en cada uno.
- **Bullet de cierre:** *"'Controlo por todo lo correlacionado' es la receta del p-hacking. DAGs disciplinan la decisión."*

## Lectura mínima si el tiempo es escaso

- Tabla síntesis al final del paper (1 página) — clasifica las 18 estructuras.
- Sección "M-bias" — el contraintuitivo más importante (3 páginas).
- Total: 4 páginas de lectura mínima viable.