Unidad 5 · Marco teórico, DAGs e hipótesis

4 Sprints + 🏁 H2 · DAG como lengua franca · Good/Bad Controls · Lab L3 compañero crítico · Hipótesis falsables

Autor/a

Afiliación

Juan Carlos Muñoz-Mora, PhD

Universidad EAFIT · Escuela de Finanzas, Economía y Gobierno

Del marco al DAG · IA como compañero crítico (no como autor). Esta unidad cierra el Sprint macro B (EVIDENCE): convertimos el Evidence Map de U4 en un argumento causal formalizado. El marco teórico moderno no es un collage de definiciones — es un modelo (Boumans 2005 · Grant 2018) cuya forma operativa para inferencia causal es un DAG explícito (Pearl). Un modelo se distingue de una teoría por el test “take it seriously” (Grant): si decís “no me lo tomes literalmente”, entonces no es un modelo. Operacionalizamos las 3 estructuras canónicas heredadas de U2 (cadena · bifurcación · collider), aplicamos la taxonomía Good/Bad/Neutral controls de Cinelli, Forney & Pearl 2024, identificamos las trampas de M-bias y Table 2 fallacy (Westreich-Greenland 2013), y derivamos hipótesis falsables con los 4 elementos (dirección · magnitud · mecanismo · condicionalidad). En el centro: el Lab L3 · Compañero crítico DAG — el estudiante dibuja el DAG; ≥2 LLMs lo critican como segunda opinión razonada; el humano acepta/rechaza con justificación. Cierre del Sprint B con 🏁 H2 Evidence Map + DAG (20%) entregado al final de S5.

Sesión: S05 · Viernes 15/05 · 18:00–22:00 · 4 sprints + 🏁 lockdown H2 · Modo AIAS: 3 (Collaboration · dominante) · Lab IA²: L3

Estructura · 4 Sprints + 🏁 H2

Hora	Sprint	Foco	JC · Act
18:00–18:50	Sprint 1 · ¿QUÉ es un marco teórico?	Marco ≠ estado del arte · Modelo ≠ teoría (Grant) · modelo como linterna (Boumans) · reach-grasp PPF · DAG · Ladder · 3 estructuras	35 · 15
18:50–19:10	☕ Café largo · 20 min
19:10–20:00	Sprint 2 · 🧪 ¿CONTROLAR?	Cinelli good/bad/neutral · M-bias · Table 2 fallacy · Lab L3 (25 min)	25 · 25
20:00–20:10	☕ Descanso 2
20:10–21:00	Sprint 3 · 📖 IDENTIFICAR	Backdoor criterion · adjustment sets · hipótesis con 4 elementos · ML genera hipótesis	35 · 15
21:00–21:10	☕ Descanso 3
21:10–22:00	Sprint 4 · 🏁 H2	Lockdown · Evidence Map + DAG + Hipótesis + Audit L3 · entrega 22:00	5 · 45

Presentación de la unidad

Tip

🎥 Abrir presentación

Atajos: F fullscreen · ←/→ navegar · Esc overview · S speaker notes · B chalkboard · ? ayuda

Piezas pedagógicas icónicas

🎯 El reframing post-2018 · del collage al DAG

Hernández-Sampieri 2010 entendía el marco teórico como compendio de definiciones. Pearl & Mackenzie 2018 (The Book of Why) cambió el lenguaje: marco teórico moderno = DAG explícito + mecanismos + predicciones. La unidad enseña a leer un DAG, operacionalizar las 3 estructuras canónicas (cadena · bifurcación · collider) y mapear cada arista a tu Evidence Map de U4.

🛠️ Modelo ≠ teoría · “take it seriously” (Grant 2018 + Boumans 2005)

Grant 2018 (cap. 6 “Theory and Models”) define modelo operativamente: “un intento de describir resultados observados que pretende ser tomado en serio”. Si decís “no me lo tomes literalmente”, no es modelo — es teoría. Boumans 2005 complementa con la filosofía del modelo como instrumento (“linterna” — Fisher 1892), no como teoría ni como dato: los modelos son mediadores autónomos (Morrison & Morgan 1999) que se construyen integrando ingredientes dispares (“baking a cake without a recipe”) con built-in justification. El reach-grasp problem (Grant) — PPF entre causalidad · fidelidad · versatilidad, navegada con 3 herramientas (exactitude · abstraction · causal depth) — da la rúbrica operativa para decidir tradeoffs en tu DAG.

🔗 El bridge vertical · del ARV al DAG (U1 → U2 → U5)

El DAG no nace en U5 · es la formalización de un trabajo que comenzó en U1 (lectura 1 · Bitácora I) con el filtro ARV (Actores · Relaciones · Variables) como heurística conceptual para excavar la Capa 3 del iceberg, y se diligenció formalmente en U2 (3-3-3 → DAG provisional con reglas Pearl). En U5 le ponemos las reglas duras: dirección obligatoria · acíclico · back-door criterion · adjustment sets. El mapeo es directo: Actores → Nodos · Relaciones → Aristas dirigidas · Variables → Atributos del nodo. El DAG no reemplaza el ARV — lo disciplina.

🧪 Three types of controls + el M-bias contraintuitivo

Cinelli, Forney & Pearl 2024 — la guía operativa. Good controls (confounders) reducen sesgo; Bad controls (colliders · mediators no-deseados · post-treatment) lo AGREGAN; Neutral controls son opcionales. El M-bias es el contraintuitivo estrella: una variable que parece “control natural” puede sesgar más que omitirla. La regla “más controles = mejor” es falsa.

🛑 La Table 2 fallacy · no todo coeficiente es causal

Westreich & Greenland 2013 (AJE): reportar todos los coeficientes de una regresión como si fueran efectos causales es una falacia. Solo uno (la exposición de interés) es causal — los demás son artefactos del condicionamiento. La falacia se previene dibujando el DAG primero.

🤖 Lab L3 · El compañero crítico DAG (modo AIAS 3)

El estudiante dibuja el DAG (humano-first); ≥2 LLMs lo critican en 6 ejes (confounders omitidos · backdoor no-bloqueables · mala clasificación · supuestos discutibles · sensibilidad Cinelli · DAGs contrafactuales); el humano acepta/rechaza con justificación en audit log. Las objeciones donde 2 modelos coinciden son las más serias. La IA no dibuja el DAG — critica el tuyo.

🏁 H2 · El cierre del Sprint macro B (EVIDENCE)

La sesión integra entregable: Evidence Map (U4) + DAG v2 + 3-5 hipótesis con 4 elementos + adjustment set + audit log L3 + reporte AIAS. 50 min de lockdown · peer-check con compañera antes de Submit. Cierra Sprint B; lunes abrimos Sprint C (METHODS · U6).

Conversar con el corpus de la unidad

💬 NotebookLM · Unidad 5

NotebookLM tiene cargadas todas las lecturas, slides y notas de esta unidad. Pregúntale cualquier concepto, cita o conexión y te responde con referencia al material.

Abrir NotebookLM →

Requiere cuenta de Google. La conversación con el bot es parte del experimento: usar IA² para aprender IA².

Recursos relacionados

• Sesión correspondiente en cronograma
• Manifiesto IA²
• Política de uso de IA
• Lab L3 · El compañero crítico DAG · plantilla
• Rúbrica H2 · Evidence Map + DAG

Bibliografía clave de la unidad

Núcleo · Filosofía y oficio del modelado:

• Grant (2018) — Methods of Economic Research · cap. 6 “Theory and Models” · take it seriously · reach-grasp PPF · 3 herramientas (★★★)
• Boumans (2004) — How Economists Model the World into Numbers (Routledge 2005) · modelo como instrumento · mediator · built-in justification (★★★)

Núcleo · DAGs e inferencia causal:

• Pearl & Mackenzie (2018) — The Book of Why · DAGs, do-calculus, ladder of causation (libro canónico)
• Hernán & Robins (2020) — Causal Inference: What If · texto autoritativo, libre online (Harvard)
• Cinelli et al. (2024) — A Crash Course in Good and Bad Controls (Sociol Methods Res · ★★★ operativo)
• Westreich & Greenland (2013) — Table 2 Fallacy (AJE · ★★★ canónico)

Aplicado · textbooks modernos:

• Huntington-Klein (2022) — The Effect · accesible para MAE
• Cunningham (2021) — Causal Inference: The Mixtape · DAGs antes de DiD

ML y la fase generativa:

• Ludwig & Mullainathan (2024) — ML/LLMs como generadores de hipótesis (QJE)
• Messeri & Crockett (2024) — AI as Surrogate · ilusión de teoría (Nature)
• Manning et al. (2024) — LLMs como sujetos experimentales (NBER · avanzado)

Validez · Hernández-Sampieri (contraste pedagógico):

• Hernández-Sampieri (2010) — Metodología de la Investigación · el “marco teórico” pre-Pearl
• Shadish et al. (2002) — Validez SCC · interna · externa · constructo

📚 Bibliografía completa

La unidad referencia la bibliografía maestra del curso. Descarga el archivo BibTeX:

📥 Descargar references.bib

Referencias

Boumans, M. (2004). How Economists Model the World into Numbers (p. 206). Routledge.

Cinelli, C., Forney, A., & Pearl, J. (2024). A Crash Course in Good and Bad Controls. Sociological Methods and Research, 53(3), 1071-1104. https://doi.org/10.1177/00491241221099552

Cunningham, S. (2021). Causal Inference: The Mixtape. Yale University Press.

Grant, D. (2018). Methods of Economic Research: Craftsmanship and Credibility in Applied Microeconomics. Springer International Publishing.

Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC.

Hernández-Sampieri, R. (2010). Metodología de la Investigación: Las Rutas Cuantitativa, Cualitativa y Mixta (p. 654). McGraw Hill.

Huntington-Klein, N. (2022). The Effect: An Introduction to Research Design and Causality. Chapman & Hall/CRC. https://doi.org/10.1201/9781003226055

Ludwig, J., & Mullainathan, S. (2024). Machine Learning as a Tool for Hypothesis Generation. Quarterly Journal of Economics, 139(2), 751-827. https://doi.org/10.1093/qje/qjad055

Manning, B. S., Zhu, K., & Horton, J. J. (2024). Automated Social Science: Language Models as Scientist and Subjects. https://arxiv.org/abs/2404.11794

Messeri, L., & Crockett, M. J. (2024). Artificial Intelligence and Illusions of Understanding in Scientific Research. Nature, 627(8002), 49-58. https://doi.org/10.1038/s41586-024-07146-0

Pearl, J., & Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books.

Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and Quasi-Experimental Designs for Generalized Causal Inference. Houghton Mifflin.

Westreich, D., & Greenland, S. (2013). The Table 2 Fallacy: Presenting and Interpreting Confounder and Modifier Coefficients. American Journal of Epidemiology, 177(4), 292-298. https://doi.org/10.1093/aje/kws412