Marco teórico, DAGs e hipótesis

Del marco al DAG · IA como compañero crítico · Lab L3 · 🏁 H2 Evidence Map + DAG

Juan Carlos Muñoz-Mora, PhD

Universidad EAFIT · Escuela de Finanzas, Economía y Gobierno

15 de mayo de 2026

Bienvenidos

Unidad 5 — Marco teórico, DAGs e hipótesis

Sesión 5 · Viernes 15/05 · 18:00–22:00 · 4h

Nota

Pregunta guía: ¿Cómo formalizo mis supuestos causales en un DAG falsable que disciplina mis controles y deriva hipótesis testables?

Lo que entregan al final de S5:

✅ DAG identificable con backdoor paths marcados
✅ 1 H primaria + 2-3 H secundarias falsables
✅ Set de control mínimo justificado
✅ Audit-log L3 del compañero crítico
✅ 🏁 Hito H2 entregado (20%)

Cómo trabajamos hoy — Sprint 0 + 4 Sprints + 🏁 H2

Bloque	Tema	🎓 JC	🔧 Act	Fin
Sprint 0 · 🎤 ELEVADOR AJENO	Claridad antes de marco · parejas preparan · 4 elevators en plenaria · QR retroalimentación	3	40	18:43
Sprint 1 · ¿QUÉ?	Marco ≠ estado del arte · DAG como lengua franca · Ladder · 3 estructuras (9 JC compactos)	28	0	19:11
☕ Descanso 1 · café largo	19 min			19:30
Sprint 2 · 🧪 ¿CONTROLAR?	Cinelli · Good/Bad/Neutral · M-bias · Table 2 fallacy · Lab L3 (25 min)	25	25	20:20
☕ Descanso 2	7 min			20:27
Sprint 3 · 📖 IDENTIFICAR	Backdoor · adjustment sets · hipótesis con 4 elementos · ML genera hipótesis (compactado)	25	13	21:05
☕ Descanso 3	7 min			21:12
Sprint 4 · 🏁 H2	Lockdown · Evidence Map + DAG + Hipótesis + Audit L3	5	43	22:00

Regla del aula: la IA es compañero crítico del DAG; no es autor del DAG. Modo AIAS dominante: 3 (Collaboration). Sprint 0 nuevo: voz humana antes que IA — la claridad de tu pregunta no la dicta un LLM.

Consejo

Lecturas hoy: (Cinelli et al., 2024) (good/bad controls · ★★★) · (Pearl & Mackenzie, 2018) (Book of Why · cap. 4) · (Ludwig & Mullainathan, 2024) (ML genera hipótesis) · ficha Cinelli2024.md.

El bridge · H1 + Evidence Map → 🎤 claridad → DAG → 🏁 H2

Anoche entregaron H1 (PRON 2 págs · OG · OE). Ayer Sprint B abrió con U4 (Evidence Map + 15-25 papers verificados). Hoy cerramos Sprint B: pero antes de meternos a marco teórico, el Elevador Ajeno (Sprint 0) somete su pregunta a la prueba más dura — ¿alguien que no es ustedes puede explicarla con claridad?

🏁 H1 (U3)
PRON 2 págs
+ 1 OG + 3 OE

→

📚 U4
Evidence Map
+ 15-25 refs

→

🎤 Sprint 0
Elevador
ajeno

→

🎯 Sprint 1
Marco ≠ estado
DAG · 3 estr.

→

🧪 Sprint 2
Good/Bad
+ Lab L3

→

📖 Sprint 3
Backdoor
hipótesis

→

🏁 H2
DAG + H
20%

Advertencia

Doble anclaje del DAG hoy:

Horizontal (U4 → U5): cada arista del DAG debe poder citarse a uno de los 15-25 papers verificados del Evidence Map. Sin literatura no hay DAG.
Vertical (U1 → U2 → U5): el DAG no nace hoy · es la formalización del ARV (Actores · Relaciones · Variables) que ya trabajamos en U1 (Bitácora I conceptual) y diligenciamos en U2 (3-3-3 → DAG provisional). Hoy le ponemos las reglas Pearl/Cinelli.

Sprint 0 · 🎤 El Elevador Ajeno

3 JC · 40 Act · La prueba dura de claridad antes del marco teórico

¿Por qué un “Elevador AJENO”? (3 min)

El test brutal de claridad:

Si vos podés explicar tu pregunta de investigación, no demuestra mucho. Vos sabés todo el contexto que no dijiste.

Si OTRA PERSONA — sin tu experiencia — puede explicarla con claridad después de que se la enseñes en parejas · entonces sí está clara.

Ese es el último filtro antes de meterse al marco teórico. Marco mal construido sobre pregunta vaga = ruina garantizada.

Consejo

Conexión con U3: ya hicieron el elevator 30/60/90s propio (su propia voz). Hoy lo invertimos: prueba de transferibilidad.

Nota

Modo AIAS de este Sprint: 0 (No-AI) · puro intercambio humano. La IA no entra al ejercicio. Es el momento donde la voz colectiva del aula valida si la pregunta soporta el escrutinio antes de pedirle al LLM que critique el DAG (Sprint 2).

Lo que entregan al final del Sprint 0:

✅ Calificación por pares de la transferibilidad de su pregunta (QR Tally)
✅ Detección de capas borrosas (situación, justificación, problema, pregunta)
✅ Lista de aclaraciones pendientes para el marco
✅ Pregunta lista para sobrevivir al DAG

📋 Reglas del ejercicio (3 min)

Estructura del elevator ajeno (4 capas):

1Situación problemáticaEl fenómeno empírico observable · datos · magnitudes 2Justificación¿Por qué importa? · ¿qué pasa si no se estudia? 3Problema investigableLo que SÍ se puede responder con recursos disponibles 4Pregunta de investigaciónLa pregunta concreta · acotada · falsable

Advertencia

Reglas duras del formato:

⏱️ 8 min por propuesta:
- Elevator del explicador: 60–90 seg (timer aleatorio)
- Discusión y preguntas: 5 min (grupo · NO el autor)
- Aclaración final del autor: 30 seg (aclarar, NO defender)
🤐 Autor en silencio durante los 8 min.
- Excepción: 1 veto · el autor puede vetar una sola afirmación grave (factual error)
📱 QR Tally al final de cada propuesta: claridad 1–3 + comentario
🎲 Picker aleatorio decide quién del aula explica

🎲 Formación de parejas · picker (2 min)

— click ▶ —

Una vez formadas las parejas:

A le cuenta a B su pregunta de investigación con las 4 capas.
B le cuenta a A su pregunta de investigación con las 4 capas.
Cada uno entrena al otro · 4 min cada dirección.

Consejo

Reglas de la preparación (8 min):

🎯 Cada uno entrena al otro para que pueda explicar su pregunta con propiedad.
📝 Tomá notas si querés — vas a explicar algo que no es tuyo.
🚫 No memorices · entendé el mecanismo.
💡 Pregunta clave que B le hace a A: “¿qué es lo que más fácil se me olvidaría?”

⏱️ Preparación en parejas · 8 min

⏱️ S0 · Prep parejas 08:00

Estructura sugerida (4 min cada dirección):

Min	Quien habla	Qué se hace
0–4	A → B	A le enseña su pregunta. B escucha activamente. B pregunta lo que no entiende.
4–8	B → A	B le enseña su pregunta. A escucha activamente. A pregunta lo que no entiende.

Advertencia

Las 4 capas que B debe poder reproducir:

🌊 Situación problemática · qué pasa empíricamente
⚡ Justificación · por qué importa
🔬 Problema investigable · qué se puede responder
❓ Pregunta · acotada · falsable

Si B se traba en cualquier capa → A no ha sido suficientemente claro · más entrenamiento.

🎤 Plenaria · 4 elevators · TODO en un solo bloque

🎲 — pickeá explicador —

1️⃣ Elevator 01:00 1 min · explicador

2️⃣ Discusión 05:00 5 min · grupo · ⚡1 veto

3️⃣ Aclaración 00:30 30 s · autor · NO responde

⏱️ Plenaria 4 elevators 32:00

📱 Calificación · escala 1–3

o tally.so/r/J9XPGo
marca versión: elevador ajeno

#118:11→18:19

#218:19→18:27

#318:27→18:35

#418:35→18:43

Advertencia

Cómo se usa el cockpit (todo en este slide · sin saltar):

🎲 Picker → elige autor. 2. ▶ INICIAR RONDA → arranca elevator (1 min) y encadena automáticamente discusión (5 min) y aclaración (30 s). El bloque activo se resalta. 3. 📱 QR antes de aplaudir. 4. Reset → siguiente picker → nueva ronda. El timer master (32 min) corre en paralelo.

Reglas no negociables: 🤐 Autor calla los primeros 6 min (excepto el veto) · ⚡ Veto = 1 vez · sólo error factual grave · 🎯 No es debate, es prueba de claridad · 📱 QR antes de aplaudir.

📊 Síntesis del Sprint 0 · ¿qué aprendimos? (2 min)

Lectura colectiva (en vivo · 2 min):

¿Quién quedó en el top de claridad? ¿Qué capa dominaron?
¿Hubo alguna pregunta con claridad <2? ¿Qué capa falló?
- 🌊 Situación → falta datos/magnitudes
- ⚡ Justificación → falta el “¿y qué?”
- 🔬 Problema → confunde tema con problema
- ❓ Pregunta → vaga · no acotada
¿Hubo muchos vetos? → pregunta complicada de transferir → señal de problema

Consejo

Implicación para el marco teórico (próximos sprints):

Si tu compañero no pudo explicar tu pregunta → tu marco teórico tampoco la va a sostener.

→ Antes de meterte al DAG (Sprint 1+), anotá las 2 aclaraciones más importantes que surgieron en tu elevator ajeno.

→ Esas aclaraciones deben quedar reflejadas en tu DAG del Sprint 4 (H2).

Advertencia

Decisión: estudiantes con claridad promedio <2 → 1-a-1 con JC durante el café largo (19:11–19:30).

Sprint 1 · ¿Qué es un marco teórico moderno?

28 JC compactos · 9 slides × 3 min · DAG fundamentos + 3 estructuras canónicas

📍 Estructura del Sprint 1 · 9 secciones JC × 3 min (sin Act)

⏱️ Bloque35 JC · 15 Act · 50 min

🎯 MetaEntender que el marco teórico moderno es un MODELO (Boumans · Grant) cuya forma causal moderna es un DAG (Pearl)

📦 ArtefactoPrimer borrador de tu DAG · ≥5 nodos · aristas dirigidas · al menos 1 confounder explícito

🧪 CheckpointCompañera puede leer tu DAG y decirte qué efecto estás identificando · y vos podés decir “take it seriously”

1Estado del arte ≠ marcoEl error pedagógico más común en tesis MAE

2Modelo ≠ teoríaEl test "take it seriously" (Grant 2018)

3Modelo como instrumentoLinterna · baking a cake · built-in justification (Boumans 2005)

4Reach-grasp PPFCausalidad · fidelidad · versatilidad + 3 herramientas (Grant 2018)

5Del ARV al DAGRetomamos U1/U2 · ARV conceptual → DAG formal Pearl/Hernán-Robins

6Ladder of causationAsociación → Intervención → Contrafactuales

73 estructuras canónicasCadena · bifurcación · collider (operacionalizadas)

🔧Actividad S1 · 15 minDibujá tu DAG primer borrador · llevalo al Sprint 2

🎓 JC 1/9 · El error más común en tesis MAE (3 min)

Lo que estudiantes hacen en “Capítulo 2 — Marco teórico”:

Definición de pobreza (citan PNUD).
Definición de capital humano (citan Becker).
Definición de exclusión social (citan Sen).
15 páginas de collage de definiciones.

❌ Eso es glosario, no marco teórico.

Lo que es marco teórico:

Una lente analítica que articula:

Los conceptos clave.

Las relaciones causales entre ellos.

Los mecanismos por los que esas relaciones operan.

Las predicciones testables.

→ Es una teoría, no una definición.

Consejo

Truco mnemotécnico (del bridge del Sprint): > Estado del arte mira hacia atrás (lo que se hizo · Evidence Map U4). > Marco teórico mira hacia delante (qué espero encontrar · DAG U5).

🎓 JC 2/9 · Tipos de marcos · ¿solo marco teórico? (3 min)

Tu tesis NO tiene solo “marco teórico”. Tiene varios marcos · cada uno responde a una pregunta distinta. Confundirlos es el segundo error pedagógico más común.

① Marco teórico¿Qué teoría establecida explica el fenómeno? (Capital humano · Agencia · Coase · etc.)

② Marco conceptual¿Cómo se relacionan los constructs de TU investigación? (mapa visual · puede no invocar teoría)

③ Marco referencial / Estado del arte¿Qué se ha encontrado empíricamente? (= Evidence Map de U4)

④ Marco contextual¿En qué tiempo · lugar · institución ocurre el fenómeno?

⑤ Marco normativo / legal¿Qué leyes · políticas · reglas aplican? (relevante en MAE LATAM)

⑥ Marco metodológico¿Qué tradición de inferencia uso? (DAG-Pearl · econometría aplicada · estructural · etc.)

Distinción clave: ① teórico vs ② conceptual (Imenda 2014 · Ravitch & Riggan 2017):

	Marco teórico	Marco conceptual
Origen	Teoría establecida (Pearl · Coase · Marx)	Construido por el investigador
Forma	Proposiciones formales	Diagrama de constructs
Falsabilidad	Heredada de la teoría	Propia del DAG
Riesgo	Lente prestada que no aplica	“Castillo de naipes” sin sustento

Consejo

Para MAE: lo que entregás en H2 es un marco conceptual (DAG con TUS variables) anclado en un marco teórico (la teoría que justifica las aristas). NO son lo mismo.

Advertencia

Trampa pedagógica: llamar “marco teórico” a una lista de definiciones copiada del Hernández-Sampieri. Eso es glosario, no marco. El marco explica POR QUÉ las relaciones del DAG tienen el signo que tienen.

🎓 JC 3/9 · Modelo ≠ teoría · el test “take it seriously” (3 min)

Grant 2018 (Grant, 2018, 6) — definición operativa:

“Un modelo es un intento de describir resultados observados que pretende ser tomado en serio.”

El litmus test (brutal):

“Aquí está mi modelo.” — “Genial · testealo con datos.” — “¡No! era una metáfora, no me lo tomes literalmente…”

🛑 Entonces no le llames modelo. Llámale teoría.

Consejo

Teoría vs Modelo (énfasis distintos):

	Teoría	Modelo
Propósito	Elucidar causa	Describir resultados
Lealtad	Lucidez · elegancia	Accuracy · realismo
Cuando divergen	Sacrifica realismo	Sacrifica elegancia

El reto a tu DAG (luego): > “¿Te lo tomás en serio? ¿Me dirías ‘sí, testealo’ o me dirías ‘es ilustrativo’?”

Si decís lo segundo → no es modelo · es teoría disfrazada.

Implicación para H2: tu DAG debe predecir magnitudes, no sólo signos. Lucas 1987: compensación por business cycle = 0.2% del ingreso (≈ una cena). Take it seriously = dame una banda de magnitud.

🎓 JC 4/9 · El modelo como instrumento · “linterna” (3 min)

Boumans 2005 (Boumans, 2004) — modelo como instrumento, no como teoría:

“Mathematics is the lantern by which what before was dimly visible now looms up in firm, bold outlines.” — Irving Fisher (1892)

Los modelos son linternas para ver el mundo económico (que es “misty region”). No son la teoría. No son los datos. Son mediadores autónomos que viven entre ambos (Morrison & Morgan 1999).

Consejo

Model building = “hornear una torta sin receta”:

Integrás ingredientes dispares: - 📐 Conceptos teóricos - 🎯 Vistas de política - ➕ Formalismo matemático - 🎭 Metáforas y analogías - 📊 Hechos estilizados + datos

→ Mathematical moulding los homogeneiza.

Built-in justification: la justificación no se añade al final — se hornea en cada decisión.

“Integration and justification are two sides of the same coin.”

Implicación para tu DAG: cada arista es un ingrediente integrado — viene de teoría, paper de U4, intuición vernacular, etc. Listá los ingredientes y de dónde vinieron. Si todos vienen de “intuición pura” → es teoría, no modelo.

🎓 JC 5/9 · IA para construir tu marco · 3 zonas (Bail 2024) (3 min)

¿Puede la IA escribirte el marco teórico? Bail (2024, PNAS) clasifica el uso de Generative AI en 3 zonas según el riesgo epistémico. Conocerlas evita la “ilusión de teoría” (Messeri-Crockett 2024).

🟢 Zona augmentación (segura)

Coding cualitativo · annotation · summarization · extracción de constructs · classification. LLMs match humanos (Ziems 2023, ~85% accuracy).

🟡 Zona asistencia conceptual (cuidado)

Proponer hipótesis · armar mapas de constructs · revisar literatura · critica del DAG (= Lab L3). Útil con verificación humana · alta tasa de "alucinación de teoría".

🔴 Zona reemplazo (peligrosa)

IA "hace" el marco · "elige" la teoría · "decide" identificación. Ilusión de teoría · narrativa plausible sin sustento. Messeri-Crockett 2024 documenta el sesgo.

Workflow IA-asistido para tu marco (modo AIAS 3):

Paso	Tarea	Zona
1	Extraer constructs del Evidence Map (U4)	🟢
2	Mapear constructs a teorías candidatas	🟡
3	Pedir 3-5 hipótesis alternativas	🟡
4	Crítica adversarial del DAG (Lab L3)	🟡
5	Decidir teoría dominante · dirección aristas	👤 humano
6	Validar narrativa contra literatura	🟢

Advertencia

La trampa moderna: ChatGPT escribe un marco que suena bien pero no resiste el test “take it seriously”. Si NO podés citar paper-by-paper cada arista del DAG, el marco es alucinación elegante. (Bail, 2024) (Messeri & Crockett, 2024)

Consejo

Manning, Zhu & Horton 2024: LLMs pueden simular científico Y sujeto experimental — útil para stress-test del DAG · NO para reemplazar el campo. (Manning et al., 2024)

🎓 JC 6/9 · El reach-grasp problem · 3 herramientas (3 min)

Grant 2018: modelar es navegar una PPF entre tres objetivos en tensión.

Los 3 objetivos del modelo:

🎯 Causalidad · línea limpia causa → efecto
📏 Fidelidad · accuracy + precisión en la descripción
🌍 Versatilidad · aplicable a distintos lugares/tiempos

“You can reach far, but you can only grasp so much.”

Advertencia

Caso 2008: modelos Black-Scholes tenían causal depth alta + ajuste perfecto in-sample · colapsaron out-of-sample porque los inputs cubrían sólo 20 años de euforia. Causal depth alta = más frágil.

Las 3 herramientas para navegar tradeoffs:

📐 Exactitude Especificidad numérica/funcional.
Funciones exactas vs heurísticas.
📚 Ultramaratón Grant 2016: 5 heurísticas > forma funcional exacta.

🌫️ Abstraction Desprendido de detalles concretos.
Latent variables · constructos genéricos.
📚 Wilson 1989 burocracia: abandona abstracción · gana versatilidad.

🔗 Causal depth Cuán completa es la cadena causal.
Reduced form (depth 0) vs structural (depth alta).
📚 Baik-Kim 2007 attorneys: depth alta + accuracy alta = el ideal.

Implicación para H2: cuando elijas controles (Sprint 2) y método (U6), estás eligiendo posición en la PPF. DiD tiene causal depth media · IV tiene causal depth alta + versatilidad media · OLS reduced-form tiene causal depth baja + versatilidad alta. No hay “el método correcto” — hay tradeoffs declarados.

🎓 JC 7/9 · Del iceberg U2 al marco teórico al DAG · Catatumbo (4 min · ⏱️ apretado)

El recorrido completo del curso · de capa visible → modelo causal formal. Recordá el iceberg de U2 (4 capas). Cada capa se traduce a un componente distinto del marco · y el conjunto se materializa en el DAG.

Mapeo iceberg (U2) → marcos → DAG:

    🌊 Capa 1 · Tema visible
    → Marco contextual
    Catatumbo: asfalto · violencia · IPM observados
  

    🏔️ Capa 2 · Situación problemática
    → Marco referencial (= Evidence Map U4)
    Catatumbo: la paradoja · ruta a Tibú vs Boyacá
  

    🧊 Capa 3 · Mecanismos · ARV
    → Marco teórico + conceptual · ⭐ corazón
    Catatumbo: pavimento → acceso · violencia → rentas armadas
  

    🔬 Capa 4 · Problema investigable
    → DAG formal + hipótesis (hoy)
    Catatumbo: ¿qué tanto modera la violencia el efecto del asfalto sobre IPM?
  

Consejo

Lectura: las 4 capas del iceberg no compiten · todas viven en U5. El DAG está en Capa 4 · pero las aristas vienen justificadas desde Capas 1-3.

DAG Catatumbo · primera versión formal (refinable en Sprint 2 Lab L3):

flowchart LR
    Pav[🛣 Pavimento km] --> Acc[Acceso a mercados]
    Acc --> IPM[📉 IPM ↓]
    Viol[⚔️ Violencia activa] -.modera.-> Pav
    Viol --> Cost[Costos transacción ↑]
    Cost --> IPM
    Geo[🌄 Topografía] --> Pav
    Geo --> Viol
    Hist[📜 Conflicto histórico] --> Viol
    Hist -.-> Acc
    Coca[🌱 Coca] --> Viol
    Coca --> Cost
    style Pav fill:#FAD7B3,stroke:#E67E22
    style IPM fill:#9BD4C2,stroke:#4FA68A
    style Viol fill:#FFE6E0,stroke:#B23A1A

Lectura del DAG (mapeo a capas):

🌊 Capa 1 (contexto): Geo · Hist · Coca · variables del entorno
🏔️ Capa 2 (referencial): efectos documentados en lit U4 — Faber · Asher-Novosad · Donaldson
🧊 Capa 3 (mecanismos): Acc + Cost = canales causales · ARV formalizado
🔬 Capa 4 (investigable): Pav → IPM moderado por Viol = pregunta operacional

Advertencia

Trampa común: dibujar el DAG sin pasar por el iceberg. Resultado: DAG que parece elegante pero NO explica el fenómeno real. Regla: cada arista debe poder citarse a (a) literatura U4 + (b) capa específica del iceberg U2.

Sprint 2 Lab L3 somete este DAG a crítica IA · vos decidís qué aristas defendés.

🎓 JC 8/9 · La Ladder of Causation (Pearl) (3 min)

Pearl distingue 3 niveles de razonamiento causal. Tu pregunta vive en uno · tu método debe vivir en el mismo o superior.

1. Asociación · "¿qué veo?" ¿Qué tan correlacionados están X e Y?
🛠️ Estadística descriptiva · correlación · ML predictivo
❌ No distingue causa de coincidencia
📚 ejemplo: pobreza correlaciona con violencia

2. Intervención · "¿qué pasa si hago?" ¿Qué efecto tiene CAMBIAR X sobre Y?
🛠️ RCT · DiD · RDD · IV
⚠️ Requiere asumir el DAG correcto
📚 ejemplo: ¿qué pasa si abro tramo 4G?

3. Contrafactuales · "¿qué habría?" ¿Y para individuo i si hubiera recibido X'?
🛠️ Matching · efectos heterogéneos · mediation
⚠️ Identificación delicada · supuestos fuertes
📚 ejemplo: ¿qué pasó al hogar que NO recibió tratamiento?

“You cannot get a causal answer from a non-causal question — no matter how big your data is.” (Pearl & Mackenzie, 2018)

Implicación para H2: declarar en tu DAG en qué escalón vive tu pregunta. Si tu H1 PRON dice “¿qué causa Y?” estás en escalón 2 o 3 — tu DAG debe sostenerlo.

🎓 JC 9/9 · Las 3 estructuras canónicas (3 min)

Recordá U2 (problema de investigación): ya las vimos como motivación. Hoy las operacionalizamos — cada una tiene una decisión de control distinta.

🔗 Cadena · Mediador X → M → Y
M está EN el camino causal.
❌ NO controlar M para efecto total
✅ Controlar M solo si querés efecto directo
📚 X=programa · M=skills · Y=empleo

🔱 Bifurcación · Confounder X ← Z → Y
Z afecta X y Y por separado.
✅ SÍ controlar Z · cierra backdoor
⚠️ Si Z es no observable (U) → identificación rota
📚 Z=educación parental · X=programa · Y=empleo

⚡ Collider X → C ← Y
X y Y impactan ambos a C.
❌ NO controlar C
⚠️ Controlarlo CREA correlación espuria
📚 C=graduado universitario · X=talento · Y=esfuerzo

Consejo

Regla operativa: antes de “agregar un control”, preguntate qué estructura es en el DAG. Si no lo sabés, no lo agregues. “More controls ≠ better identification” (Cinelli et al., 2024).

☕ Descanso · café largo 19 min

Volvemos a las 19:30 · durante el café · boceto rápido del DAG en papel (D · Y · 2 confounders · 1 U) — lo refinamos en Sprint 2 con Lab L3.

🚨 Estudiantes con claridad <2 en Sprint 0 · 1-a-1 con JC en estos 19 min.

Sprint 2 · 🧪 Good/Bad Controls + Lab L3

25 JC · 25 Act · Cinelli 2024 · M-bias · Table 2 fallacy · IA como compañero crítico

📍 Estructura del Sprint 2 · 4 secciones JC + Lab L3

⏱️ Bloque25 JC · 25 Act · 50 min

🎯 MetaAprender a clasificar controles (good/bad/neutral) y usar IA como compañero crítico del DAG (modo AIAS 3)

📦 ArtefactoDAG v2 + audit-log L3 con objeciones IA aceptadas/rechazadas

🧪 CheckpointPodés defender CADA arista del DAG v2 sin volver al thread con la IA

1Three types of controlsCinelli 2024 · Good · Bad · Neutral

2El M-bias contraintuitivoEl control que sesga más que omitirlo

3Table 2 fallacyWestreich-Greenland 2013 · no todo coeficiente es causal

4Lab L3 · SetupPrompt estructurado · compañero crítico DAG

🔧Lab L3 · ejecución25 min · 2 LLMs · audit log

🎓 JC 1/4 · Three types of controls (8 min)

(Cinelli et al., 2024) (Sociological Methods & Research · ★★★ núcleo). 18 estructuras DAG analizadas. La regla operativa:

✅ Good controls Confounders · variables que afectan T y Y simultáneamente.

Decisión: SÍ controlar.
Efecto: cierran backdoor · reducen sesgo
📚 educación parental ↔ programa ↔ empleo

❌ Bad controls Colliders · M-bias · mediators no-deseados.

Decisión: NO controlar.
Efecto: AGREGAN sesgo (no lo quitan)
📚 "graduado universitario" entre talento y esfuerzo

⚪ Neutral controls Predictores de Y no asociados a T.

Decisión: opcional.
Efecto: no sesgan · mejoran precisión
📚 edad cuando edad afecta Y pero no T

“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.” (Cinelli et al., 2024)

🎓 JC 2/4 · El M-bias contraintuitivo (6 min)

flowchart TD
    U1[U1 oculto] --> M[M observable]
    U2[U2 oculto] --> M
    U1 --> X[Tratamiento X]
    U2 --> Y[Outcome Y]
    X --> Y

M parece “control natural” — está relacionado con X y con Y.

Advertencia

Pero M es un collider de U1 y U2.

Controlarlo abre un camino espurio U1 ⇢ U2 a través de M.

Resultado: sesgo MAYOR que omitirlo.

→ La regla “más controles = mejor” es falsa.

(Cinelli et al., 2024)

Consejo

Por qué te lo creyeron: el sentido común dice “controlemos por todo lo que correlaciona con X o Y”. Pero el sentido común no conoce el DAG. Por eso DAGs > intuición.

🎓 JC 3/4 · Table 2 fallacy (6 min)

Westreich & Greenland 2013 (★★★ canónico):

“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 de la condicionamiento.”

📚 (Westreich & Greenland, 2013) (American Journal of Epidemiology)

Advertencia

Síntoma común en tesis MAE:

“El coeficiente de edad es 0.03 (p<0.01), lo que sugiere que envejecer aumenta Y.”

❌ Falso si edad es confounder ajustado, no exposición.

Regla: en tu Capítulo 5 (Resultados U7), solo discutí causalmente el coeficiente de tu D. Los demás son nuisance.

Consejo

Conexión DAG: la “Table 2 fallacy” es síntoma de no haber dibujado el DAG primero. Si lo dibujás, sabés qué coeficiente es causal y cuáles son nuisance. El DAG disciplina la interpretación.

🎓 JC 4/4 · Lab L3 · Compañero crítico DAG (5 min)

Modo AIAS: 3 (Collaboration) — la IA critica, vos decidís. Nunca al revés.

El prompt estructurado (materiales/prompt-companero-critico-DAG.md):

Pegás tu DAG (sintaxis DAGitty).
Pedís crítica en 6 ejes:
- Confounders omitidos
- Backdoor paths no bloqueables
- Mala clasificación de variables
- Supuestos discutibles
- Sensibilidad (Cinelli)
- 3 DAGs contrafactuales
Pedís que la IA critique su propia crítica.

Advertencia

Reglas duras del Lab L3:

Probar en ≥2 LLMs (Claude + GPT-4 o Gemini).
Las objeciones donde ambos coinciden son las más serias.
Audit log obligatorio: cada objeción → Acepto / Rechazo / Modifico + justificación humana.
La IA no dibuja el DAG. Critica el tuyo.
Pregunta de cierre: “¿Mi DAG está mejor porque la IA me criticó, o me convencí sin pensarlo?”

🤔 Bingo · Bad Controls que parecen Good

Antes de ir al Lab L3 · checkpoint mental rápido. ¿Cuál de estos controlarían? (Levantá mano)

Caso 1 Estudiar efecto de programa de empleo sobre ingresos. Control candidato: "si terminó el programa" (≠ asignado al programa).

Caso 2 Estudiar efecto de educación sobre salario. Control candidato: "ocupación actual".

Caso 3 Estudiar efecto de cuarentena sobre contagios. Control candidato: "hospital lleno".

Advertencia

Spoiler (no leer si querés pensarlo):

Caso 1: “terminar” es post-treatment · controlarlo es Bad (selection bias).
Caso 2: ocupación es mediador · controlarla bloquea el efecto que querés estimar.
Caso 3: “hospital lleno” es collider de cuarentena y contagios · controlarlo M-bias.

3/3 son Bad controls disfrazados de Good. Esto es exactamente lo que Cinelli enseña.

🔧 Lab L3 · Crítica IA de tu DAG (25 min)

⏱️ Lab L3 25:00

Pasos (25 min):

5 min · Abrir dagitty.net · pasar tu DAG borrador a sintaxis DAGitty.
5 min · Correr adjustmentSets() · anotá qué set te sugiere.
10 min · Llevar el DAG a ≥2 LLMs con el prompt estructurado.
5 min · Completar audit log:

Objeción IA	Mi decisión	Justificación humana
Confounder omitido: ___	Acepto/Rechazo/Modifico
Backdoor no-bloqueable: ___
Mala clasificación: ___
Supuesto discutible: ___

Consejo

Output esperado:

DAG v2 (con cambios aceptados de la IA)
Adjustment set sugerido por DAGitty
Audit log con ≥3 decisiones (acepto/rechazo + justificación)
Sin alucinaciones: si la IA cita un paper, verificá que existe (L1 manda).

materiales/prompt-companero-critico-DAG.md · materiales/plantilla-DAG-DAGitty.md

Advertencia

No alargar el Lab más de 25 min. El audit log se cierra durante el descanso si hace falta. Prioridad: llegar al Sprint 3 con un DAG v2 funcional.

🎲 Picker · L3 · ¿Quién comparte un cambio aceptado?

— click ▶ —

Compartí en 60 seg:

¿Qué objeción aceptaste de la IA?
¿Por qué la aceptaste? (justificación humana)
¿Qué cambió en tu DAG v2?

Consejo

Regla: una objeción aceptada se prueba explicándola. Si no podés explicarla, la rechazaste sin justificación.

☕ Descanso · 7 min

Volvemos a las 20:27 · llevá tu DAG v2 + audit log al Sprint 3.

Sprint 3 · 📖 De DAG a hipótesis falsables

30 JC · 13 Act · 43 min · Tipos de hipótesis · backdoor · adjustment sets · hipótesis causal · ML

📍 Estructura del Sprint 3 · 6 secciones JC × 5 min + actividad

⏱️ Bloque30 JC · 13 Act · 43 min

🎯 MetaIdentificar tipo de hipótesis · derivar hipótesis falsables del DAG · adjustment set mínimo

📦 Artefacto1 H primaria + 2-3 H secundarias con tipo declarado · dirección predicha · adjustment set

🧪 CheckpointCada hipótesis tiene tipo + anatomía propia (causal=4 elementos · otras = sus propias)

1Backdoor criterionPearl · regla central de identificación

2Adjustment setsDAGitty · ggdag · qué controlar mínimamente

3Tipos de hipótesisEl menú · descriptiva · causal · cuali · etc.

4Hipótesis CAUSAL · 4 elementosDirección · magnitud · mecanismo · condicionalidad

5ML genera hipótesisLudwig-Mullainathan 2024 · QJE

6El riesgo: ilusión de teoríaMesseri-Crockett 2024

🔧Actividad S3 · 13 min3-5 hipótesis falsables desde tu DAG v2 · tipo declarado · plantilla por tipo

🎓 JC 1/6 · El Backdoor criterion (5 min)

Pearl (1995): dada una causa D y un efecto Y, un conjunto de variables S es suficiente para identificar D→Y si:

Ninguna variable en S es descendiente de D (no controlar consecuencias del tratamiento).
S bloquea todos los caminos backdoor entre D e Y (caminos que empiezan con flecha apuntando a D).

Consejo

Backdoor path: camino entre D e Y donde la flecha sale hacia D.

D ← Z → Y es backdoor. D → M → Y NO es backdoor (es el efecto causal mismo).

flowchart LR
    Z[Z confounder] --> D[D tratamiento]
    Z --> Y[Y outcome]
    D --> Y
    D --> M[M mediador]
    M --> Y
    U[U no obs] -.-> D
    U -.-> Y

Backdoor paths:

D ← Z → Y → cerrar con Z ✅
D ← U → Y → no cerrable ⚠️

Si tenés U no observable y no podés bloquearlo → necesitás IV · DiD · RDD (U6).

🎓 JC 2/6 · Adjustment sets · que el software decida (5 min)

En R · ggdag (recomendado · econometrics-friendly):

library(ggdag)
library(dagitty)

dag <- dagify(
  Y ~ D + Z + U,
  D ~ Z + U,
  exposure = "D",
  outcome = "Y",
  latent = "U"
)

# Adjustment set mínimo suficiente:
ggdag_adjustment_set(dag)
# Output: {Z}  (si U es no observable, devuelve "no identificado")

En navegador · DAGitty (sin instalar):

Ir a dagitty.net

Pegá tu DAG en sintaxis DAGitty:

dag {
  D [exposure]
  Y [outcome]
  U [unobserved]
  Z -> D
  Z -> Y
  D -> Y
  U -> D
  U -> Y
}

Panel derecho · “Minimal sufficient adjustment sets”.

Advertencia

Si DAGitty dice “identification not possible” → necesitás otro método (U6).

🎓 JC 3/6 · Tipos de hipótesis · el menú completo (5 min)

No toda investigación tiene “H₁ con efecto direccional”. Antes de meternos al núcleo causal del curso, hay que reconocer el menú completo (Creswell, 2014; Hernández-Sampieri et al., 2014; King et al., 1994):

Tipo	Pregunta que responde	Ejemplo
Descriptiva	¿Cómo es?	El empleo formal en municipios cruzados por el conflicto está por debajo de la media nacional.
Asociativa	¿Se mueven juntas X e Y?	Conectividad 4G y empleo formal están correlacionados a nivel municipal.
Comparativa	¿Difiere A de B?	El patrón de adopción difiere entre municipios costeros y de frontera.
Causal (cuanti) ⭐	¿X CAUSA Y?	El 4G causa +1-3 p.p. en empleo formal vía costos de transacción.
Mecanística (cuali)	¿Cómo opera el proceso?	El mecanismo opera vía secuencia s₁→s₂→s₃ documentable en casos.
Exploratoria	¿Qué hay sin teoría firme?	Esperamos encontrar patrones de adopción en X sin predicción direccional.

Nota

Dónde estamos hoy:

El curso prioriza causal porque la mayoría de tesis MAE-EAFIT parten de preguntas explicativas (D→Y).
Pero no toda tesis es causal. Algunas son interpretativas, comparativas o descriptivas — son tesis legítimas con anatomía distinta.
El DAG aplica a las 6, pero su función cambia: en causal identifica · en cuali documenta el mecanismo · en descriptiva mapea el fenómeno.

Advertencia

Atributo común a las 6 — Popper: una hipótesis (de cualquier tipo) debe ser falsable/refutable. Si no podés imaginar evidencia que la contradiga, no es hipótesis — es opinión.

Consejo

Tesis cuali · mixta · mecanismo: ver recurso async Métodos mixtos modernos (U6) · process tracing (Beach & Pedersen, 2019) · QCA · joint displays (Fetters, 2020).

Decisión personal AHORA · 1 minuto en silencio: mirá tu pregunta de H1. ¿Qué tipo de hipótesis aplica? Si es causal, lo que sigue (4 elementos + adjustment + ML) es tu camino. Si es otra → seguís acá, pero al volver al Sprint 4 ajustás la anatomía de tu hipótesis al tipo que te corresponde.

🎓 JC 4/6 · Hipótesis CAUSAL · los 4 elementos (5 min)

Si tu hipótesis es causal (la mayoría de uds), debe tener 4 elementos:

Dirección del efecto (positivo, negativo, no-monotónico).
Magnitud plausible (orden de magnitud · de literatura U4).
Mecanismo explicitado (qué arista del DAG es).
Condicionalidad (cuándo el efecto se modifica · heterogeneidad).

Advertencia

Magnitud NO la inventás. Viene de tu Evidence Map U4 · paper más cercano en contexto. Si no hay paper → marcar “magnitud abierta”.

Nota

Anatomía paralela por tipo (referencia rápida):

Descriptiva → atributo + población + período + valor esperado.
Comparativa → unidades + dimensión + dirección de la diferencia.
Mecanística → secuencia de pasos + evidencia esperada por paso ((Beach & Pedersen, 2019) · 4 tipos de tests).

Consejo

Ejemplo trabajado · Catatumbo (causal):

H1 (primaria): La apertura de tramos 4G en municipios cruzados por el conflicto aumenta la tasa de ocupación formal entre 1-3 p.p. en los primeros 24 meses, vía reducción de costos de transacción para empleos formales geográficamente dispersos (D→M→Y).

H2 (secundaria): El efecto es mayor en municipios con conectividad previa baja (efecto marginal decreciente · heterogeneidad).

H3 (secundaria · falsable inversa): Si el efecto se debe a auto-selección (no a 4G), debería desaparecer al controlar por baseline trends (placebo test).

Regla operativa H2: cada hipótesis se mapea a una arista (o conjunto de aristas) específica del DAG. Si no podés mapearla, no es derivada del DAG.

🎓 JC 5/6 · ML como herramienta para generar hipótesis (5 min)

Ludwig & Mullainathan (QJE 2024) (Ludwig & Mullainathan, 2024):

“ML/LLMs no solo analizan datos: generan candidatos a hipótesis que la mente humana no genera por sesgos cognitivos. El experimento riguroso es la última línea — la primera es ahora computacional.”

Workflow propuesto (modo AIAS 3+):

Carga subset de tu dataset (5,000 filas) en Code Interpreter o Claude Code.
Pedile: > “Generá 10 hipótesis sobre [variable Y]. Para cada: variables candidatas, mecanismo plausible, fuente de variación exógena potencial.”
Tú filtrás: ¿testables? ¿novedosas? ¿plausibles teóricamente?
Elegí 2-3 para profundizar literatura.

Consejo

Por qué funciona:

ML detecta interacciones no lineales que humanos descartan por costo cognitivo.

Por qué NO reemplaza:

ML no entiende contexto local (Catatumbo ≠ Texas) ni mecanismos. Genera correlaciones; vos derivás causa.

→ El humano es curador, no operador.

🎓 JC 6/6 · El riesgo · “ilusión de teoría” (5 min)

Advertencia

Messeri & Crockett 2024 ((Messeri & Crockett, 2024), Nature) advierten:

LLMs son entrenados en literatura existente. Pueden generar:

Hipótesis que suenan teóricamente fundadas pero replican supuestos heredados.
Mecanismos plausibles pero genéricos — no específicos a tu contexto.
Predicciones cuantitativas inventadas — sin literatura que las soporte.

→ “AI as Oracle” · “AI as Surrogate” son las trampas epistemológicas.

Consejo

Cómo usar IA sin caer en la ilusión:

No le pidas la teoría — pedile que critique tu teoría (= Lab L3).
Verificá todo mecanismo que sugiera contra tu marco real.
Si una predicción cuantitativa la dio la IA y no aparece en lit review → probablemente es alucinación (= Lab L1).
Tú formulás la hipótesis final, la IA es scaffolding.

🎯 La cita brutal: > “AI as Surrogate genera la ilusión de comprensión sin el costoso trabajo de la comprensión real.” (Messeri & Crockett, 2024)

🔧 Actividad S3 · 3-5 hipótesis falsables desde tu DAG (13 min)

⏱️ S3·Hipótesis 13:00

Pasos (13 min):

2 min · Declará el tipo dominante de tu hipótesis (causal · descriptiva · comparativa · mecanística · exploratoria). Una sola línea: “Mi hipótesis primaria es de tipo X porque…”
3 min · Mirá tu DAG v2 · enumerá las aristas que querés testear (o el patrón / la diferencia / el mecanismo que vas a documentar).
4 min · Para cada hipótesis, escribí los elementos según su tipo:
- Si causal → 4 elementos (dirección · magnitud · mecanismo · condicionalidad).
- Si otra → la anatomía paralela (ver JC 4/6).
2 min · Marcá cuál es H primaria y cuáles secundarias.
2 min · Añadí 1 hipótesis falsable inversa (placebo · contrafactual · evidencia que refutaría): qué patrón empírico refutaría tu argumento, sea del tipo que sea.

Consejo

Plantilla: materiales/plantilla-hipotesis-falsables.md

Mini-rúbrica:

✅ Tipo declarado (causal · cuali · etc.)
✅ 1 H primaria + 2-3 H secundarias
✅ Anatomía según tipo (4 elementos si causal · paralela si otra)
✅ Cada una mapeada a una arista, patrón o mecanismo del DAG
✅ ≥1 hipótesis falsable inversa (placebo o evidencia refutadora)

Magnitud sin fuente: marcar [magnitud abierta]. Honestidad > sobreajuste.

☕ Descanso · 7 min

Volvemos a las 21:12 · próximo: 🏁 Lockdown H2.

Sprint 4 · 🏁 Lockdown H2

5 JC · 43 Act · 48 min · Evidence Map + DAG + Hipótesis + Audit L3 · entrega 22:00

La instrucción · 48 min flexibles · cierre Sprint B

⏱️ Bloque5 JC · 45 Act · 50 min

🎯 MetaEntregar H2 al final de S5 · cierre del Sprint macro B (EVIDENCE)

📦 Artefacto1 PDF con: Evidence Map (de U4) · DAG v2 · 3-5 hipótesis · adjustment set · audit log L3 · reporte AIAS

🧪 CheckpointPeer-check 5 min antes de Submit · compañera firma que entiende tu DAG

📚 Componente 1 · Evidence Map De U4 · 15-25 refs · núcleo/periferia/gap/contradicción.
Ya está hecho · solo embebido.

🎯 Componente 2 · DAG v2 Imagen del DAG (DAGitty/ggdag) + sintaxis DAGitty en código.
Aristas citadas a Evidence Map.

🧪 Componente 3 · Hipótesis + Adjustment 1 H primaria + 2-3 H secundarias (4 elementos cada una) + adjustment set mínimo + ≥1 falsable inversa.

🤖 Componente 4 · AIAS + L3 Reporte AIAS (modo) + audit log L3 con ≥3 objeciones decididas.

📖 Ejemplo trabajado · DAG Catatumbo extendido desde U2

flowchart LR
    Z1[Educación parental] --> D[4G municipal]
    Z1 --> Y[Empleo formal]
    Z2[Pobreza baseline] --> D
    Z2 --> Y
    D --> M[Costos transacción ↓]
    M --> Y
    D --> Y
    U[Capacidad institucional] -.-> D
    U -.-> Y
    P[Presencia armada] --> Z2
    P -.-> D

Lectura del DAG:

D = apertura 4G · Y = empleo formal
Z1, Z2 = confounders observables (en censos)
M = mecanismo de Ludwig & Card 2023
U = capacidad institucional · NO observable
P = presencia armada · empuja Z2 y D (vía orden público)

Hipótesis derivadas:

H1 (primaria): D→Y vía M (efecto +1-3 p.p. en 24 meses) — cita: [paper conectividad LATAM de tu Evidence Map].

H2: Efecto heterogéneo según Z2 (decreciente en pobreza baseline) — cita: [paper heterogeneidad rural de tu Evidence Map].

H3 falsable inversa: Si D→Y se debe a Z2 (no a M), placebo test (municipios vecinos sin 4G) debería mostrar trends paralelos. Si no los muestra → DAG roto.

Adjustment set mínimo: {Z1, Z2}.

Advertencia

Como U es no observable, el efecto no está identificado por OLS. Necesitamos DiD escalonado (U6) o IV (proximidad fibra) para identificación.

Consejo

Patrón replicable: este es exactamente el tipo de DAG que H2 espera de ustedes. Mínimo 5 nodos · confounder · mediador · al menos 1 U · aristas citadas. No tiene que ser perfecto — tiene que ser honesto y defendible.

🔧 Construcción libre (~40 min) · TÚ controlás el ritmo

⏱️ H2 build 40:00

Distribución sugerida (flexible):

Min	Actividad
0-10	Pasar DAG v2 a imagen final (DAGitty o ggdag)
10-20	Escribir 3-5 hipótesis con plantilla 4 elementos
20-25	Justificar adjustment set mínimo
25-30	Embeber Evidence Map U4 + ajustar refs
30-35	Completar audit log L3 + reporte AIAS
35-40	Peer-check + Submit

Consejo

Recursos rápidos:

Modo recomendado:

🎧 NotebookLM unidad abierto · 🎯 Quarto al lado · ☕ Lo que necesiten.

🛑 Reglas duras del entregable H2

Advertencia

Lo que H2 EXIGE:

DAG con ≥5 nodos, aristas dirigidas (no ↔︎), al menos 1 confounder observable y 1 U.
Cada arista citada a Evidence Map (citekey) · o marcada como “conjetura” con justificación.
3-5 hipótesis con los 4 elementos + ≥1 falsable inversa.
Adjustment set mínimo justificado con DAGitty/ggdag (output del software · screenshot ok).
Audit log L3 con ≥3 objeciones IA decididas (acepto/rechazo + justificación humana).
Reporte AIAS declarando modos por sección (3 dominante).

Lo que NO cuenta:

❌ DAG dibujado por la IA sin tu intervención (= AIAS 5 puro · no permitido para H2).
❌ Hipótesis sin mecanismo o sin condicionalidad.
❌ Adjustment set sin verificación de software.
❌ “Magnitud” inventada (sin paper que la sostenga · marcar como abierta).
❌ Audit log con todas las objeciones “rechazo sin razón”.

🏁 Audit log L3 · anexo obligatorio (5 min)

Estructura mínima (template en materiales/):

# Audit log · Lab L3 · DAG U5

**Estudiante:** [nombre] · **Fecha:** 2026-05-15
**LLMs usados:** Claude (1), GPT-4 (2)

## Objeción 1
- IA fuente: Claude
- Tipo: Confounder omitido
- Texto IA: "podrías estar omitiendo X"
- Mi decisión: **ACEPTO**
- Justificación humana: "Coincide con paper Y de mi Evidence Map · agregué nodo X al DAG"

Consejo

Reglas del audit log:

Mínimo 3 objeciones registradas.
Cada una con justificación humana ≥1 frase.
Las objeciones donde 2 LLMs coinciden deben ser tratadas (no podés rechazar ambas sin razón).
Pregunta final en el log: > “¿Mi DAG está mejor PORQUE la IA me criticó, o me convencí de algo sin pensarlo?”

Si no podés contestar honestamente “sí”, revisá el DAG antes de submit.

🏁 Cierre H2 · Peer-check + Submit (5 min)

⏱️ H2 Submit 05:00

Peer-check (3 min) · checklist con compañera:

Tu DAG tiene ≥5 nodos · ¿lo entiende ella?
Cada arista tiene citekey o marca de conjetura.
Las 3 hipótesis tienen los 4 elementos.
Adjustment set viene de DAGitty/ggdag (no de tu cabeza).
Audit log tiene ≥3 objeciones.
Reporte AIAS declara modos.

Submit (2 min) · Brightspace:

📤 1 PDF con todo lo anterior.
📤 Anexo: archivo DAGitty (.dag.txt) reproducible.
📤 Anexo: audit log L3 (.md).

Advertencia

Submit antes de 22:00. Late: penalización rúbrica (ver 03-evaluaciones/02-evidence-map-dag.qmd).

Si fallás algo: Submit lo que tengás + nota de qué falta. Mejor 80% on-time que 100% tarde.

🏁 Sprint macro B (EVIDENCE) cerrado. El lunes abrimos Sprint C (METHODS) con U6.

Cierre

Lo que se llevan de U5

Conceptual:

Estado del arte (mira atrás) ≠ marco teórico (mira adelante).
Marco teórico moderno = DAG + mecanismos + predicciones.
Ladder of causation (Pearl) · 3 niveles.
3 estructuras DAG operacionalizadas (cadena · bifurcación · collider).
Three types of controls (Cinelli 2024) · good · bad · neutral.
M-bias + Table 2 fallacy como trampas estándar.

Operativo:

DAG en DAGitty/ggdag · adjustment sets automáticos.
Backdoor criterion · regla central.
Hipótesis con 4 elementos (dirección · magnitud · mecanismo · condicionalidad).
Lab L3 · IA crítica · audit log obligatorio.

Crítico (anti-ilusión):

Más controles ≠ mejor (Cinelli et al., 2024).
LLMs pueden generar “ilusión de teoría” (Messeri & Crockett, 2024).
Hipótesis cuantitativas vienen de literatura, no de la IA.
El DAG es tuyo · la IA lo critica · vos decidís.

🏁 Cerrado hoy:

H2 Evidence Map + DAG (20%) entregado.
Sprint macro B (EVIDENCE) cerrado.

Próximo (lunes):

U6 · Métodos. Sprint C abre. Sorpresa pesada: el estimador TWFE está roto cuando hay tratamiento escalonado. Goodman-Bacon 2021, Callaway-Sant’Anna 2021, de Chaisemartin-D’Haultfœuille reescribieron las reglas. Y la frontera 2025: LLMs como datos econométricos.

Pregunta de cierre

De los controles que pensabas usar antes de hoy — ¿cuántos eran “good controls”? ¿Cuántos eran colliders disfrazados?

¿Cuántos sobrevivieron al Lab L3?

Lecturas mínimas + pre-trabajo U6

Nota

Para el fin de semana:

(Cinelli et al., 2024) — tabla síntesis al final + sección M-bias. 4 páginas mínimas. Ficha: Cinelli2024.md.
(Pearl & Mackenzie, 2018) Book of Why — capítulo 4 (“Confounding”) + capítulo 7 (“Beyond Adjustment”). 60 páginas (libro accesible).
(Ludwig & Mullainathan, 2024) — intro + caso aplicado. 15 páginas.
(Westreich & Greenland, 2013) — Table 2 fallacy · 3 páginas · canónico.

Si tienen 30 min más:

(Hernán & Robins, 2020) cap. 6-7 (DAGs y M-bias formalizado) · libro libre online.

Consejo

Pre-trabajo U6 (lunes 18/05 · 6h): lleguen con DAG H2 entregado + idea preliminar de qué método responde su H primaria (DiD · IV · RDD · matching). Sesión 6 es larga (Sprint C) — necesitan estar despiertos.

Gracias. Buen fin de semana. 🌳→🌲🌳🌲 → 🎯 DAG → 🧪 Métodos.

Bail, C. A. (2024). Can Generative AI improve social science? Proceedings of the National Academy of Sciences, 121(21), e2314021121. https://doi.org/10.1073/pnas.2314021121

Beach, D., & Pedersen, R. B. (2019). Process-Tracing Methods: Foundations and Guidelines (2nd ed.). University of Michigan Press.

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

Creswell, J. W. (2014). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches (4th ed.). SAGE Publications.

Fetters, M. D. (2020). The Mixed Methods Research Workbook: Activities for Designing, Implementing, and Publishing Projects. SAGE Publications.

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., Fernández-Collado, C., & Baptista-Lucio, M. del P. (2014). Metodología de la Investigación (6th ed.). McGraw Hill.

King, G., Keohane, R. O., & Verba, S. (1994). Designing Social Inquiry: Scientific Inference in Qualitative Research. Princeton University Press.

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.

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