LAS VENTAJAS DE LOS MODELOS CAUSALES SOBRE LOS PROBABILISTAS

DESDE EL PROGRAMA DE PEARL; Una diagrama dice ms que mil palabras

Melisa Gutirrez Vivanco


1. INTRODUCCIN

Las investigaciones sobre la naturaleza del conocimiento cientfico, as como sobre la
misma prctica cientfica, han motivado a los filsofos de la ciencia durante aos a
intentar dar modelos de cmo es que la ciencia se encarga (o se debera encargar) de
describir, explicar y predecir los fenmenos naturales. A mi parecer, estos intentos
podran, a grandes rasgos, dividirse en tres tipos; aquellos que intentan describir (o
normar) el quehacer cientfico en trminos de relaciones lgicas (Hempel
1
, Carnap
2
,
etc), aquellos que intentan describirlo en trminos de relaciones probabilsticas
(Reinchenbach
3
Salmon
4
, Railton
5
, Spirtes
6
, etc.) y aquellos que intentan describirlo en
trminos de relaciones causales [Carwright
7
]. Por supuesto que estas tres visiones no
tienen porqu ser ajenas entre s, por ejemplo, Salmon (1984) pretende dar una teora
causal en trminos de estadstica y probabilidad.

Dado el enorme xito del bayesianismo en ciencias como la biologa y la medicina [ver
8
un gran auge en los ltimos aos, haciendo crecer as, el por ejemplo ], ste ha cobrado

1
Hempel, Carl G. 1962. Two Basic Types of Scientific Explanation.
2
Rudolf Carnap. 1928. Der Logische Aufbau der Welt. Leipzig: Felix Meiner Verlag. Traduccin al
ingls de Rolf A. George, 1967. The Logical Structure of the World: Pseudoproblems in Philosophy.
University of California Press.
3
Reinchenbach H. 1923. The principle of causality and the possibility of its empirical confirmation. In
Modern philosophy of science.
4
Salmon, W., 1984, Scientific Explanation and the Causal Structure of the World, Princeton: Princeton
University Press.
5
Railton, P., 1981, Probability, Explanation, and Information. Synthese 48: 233-56
6
Spirtes, P. Glymour, C. and Scheines, R., 2000, Causation,Prediction and Search, Second Edition.
Cambridge: MIT Press.
7
Cartwright, Nancy D. 1980. The Reality of Causes in a World of Instrumental Laws. In Proceedings of
the Philosophy of Science Association, ed. P. Asquith and R. Giere. Philosophy of Science Association.
8
- Sachs, K., Perez, O., Peer, D., Lauffenburger, DA., & Nolan, GP. Causal protein-signaling networks
derived from multiparameter single-cell data. Science 308: 523529, 2005
- Huelsenbeck, J P., Larget, B., Miller, RE., & Ronquist, F. Potential Applications and Pitfalls of
Bayesian Inference of Phylogeny. Systems Biology. 51:673-88, 2002
- Johnson SR, Tomlinson GA, Hawker GA, Granton J T, Feldman BM. Methods to elicit beliefs for
Bayesian priors: a systematic review. J ournal of Clinical Epidemiology. 2010 Apr;63(4):355-69.
nmero de propuestas de modelos probabilistas. Mi objetivo es presentar algunas de las
principales crticas de Pearl a los modelos cientficos probabilistas, as como las razones
por las cules deberamos explorar alternativas a partir del uso de modelos causales.
Una de las principales motivaciones para iniciar dicha empresa es que los modelos
causales nos permiten dar cuenta de elementos que son indispensables para el desarrollo
de la ciencia, como dice Pearl, para buscar la cura de una enfermedad es necesario
descubrir qu es lo que la causa. Bajo esta perspectiva, resulta insuficiente contar con
las relaciones probabilsticas que existen, por ejemplo, entre los sntomas y la
enfermedad.

Finalmente a manera de apndice, presentar de manera muy breve como ejemplo de
teora causal, aquella que est dada en trminos de contrafcticos, pues pienso que si se
logra una buena teora de contrafcticos, stos pueden constituir una fuente vasta y
confiable de conocimiento acerca de las relaciones causales entre dos fenmenos. A mi
parecer, y en el mismo espritu de Pearl, vale la pena explorar nuevas propuestas de
sistemas formales que nos permitan capturar relaciones causales, pues un aparato causal
es mejor para estudiar las teoras y modelos que ya estn matematizados con mtodos
probabilistas. Pienso que los modelos causales son la mejor alternativa para encontrar
un buen equilibrio entre la formalizacin y un verdadero contenido del mundo real, o
como lo presenta Pearl, entre el conocimiento humano y los nuevos datos empricos.


2. ALGUNOS PROBLEMAS DE LOS MODELOS PROBABILISTAS

La razn por la que Pearl se sigue considerando, al menos parcialmente, bayesiano es
que l intenta usar la intuicin de que debemos aprender de lo que sabemos. Sin
embargo, el clculo de probabilidades no es la herramienta apropiada para ello. En
primer lugar, porque Pearl pone en duda que la herramienta probabilstica sea la ms
natural y la ms til, y principalmente, porque Pearl cree que en general es falso que las

- Bumgarner RE, Yeung KY Methods for the inference of biological pathways and networks.Methods in
Molecular Biology. 2009;541:225-45.
- Sieberts SK, Schadt EE. Moving toward a system genetics view of disease. Mammalian Genome. 2007
J ul;18(6-7):389-401
-
M

Nielsen R, Beaumont MA. Statistical inferences in phylogeography. Molecular Ecology. 2009

ar;18(6):1034-4
probabilidades subjetivas se vayan depurando conforme incremente el nmero de
nuestras observaciones. Si bien el conocimiento de los acontecimientos previos es una
invaluable fuente para la actividad humana, el clculo de probabilidades no es la mejor
opcin para combinar estos elementos con los datos empricos.

Pearl presenta en varios de sus trabajos, diferentes crticas contra los modelos
probabilistas. La crtica que presenta en Bayesianism and causality, or, why Im only a
half bayesian me parece la ms adecuada para el desarrollo de mi trabajo. La razn de
esto es que para abordar dicha crtica, Pearl revisa la dicotoma entre conocimiento
causal y conocimiento estadstico. Por supuesto, Pearl tiene anlisis mucho ms
profundos y detallados acerca de los problemas de los sistemas probabilistas pero mi
objetivo en este trabajo no es argumentar porqu es mala la probabilidad, sino presentar
algunas ventajas que tienen las teoras causales sobre las teoras probabilsticas.

El objetivo de una teora probabilstica es desarrollar cierta herramienta tcnica que nos
permita inferir asociaciones entre variables, estimar similitud entre eventos ya sean
pasados o futuros, y actualizar las similitudes entre eventos a la luz de nueva evidencia
o de nuevas funciones de medida. El problema con toda esta herramienta tcnica, es que
toda ella trabaja en un marco de incertidumbre que yace sobre condiciones estticas. Es
decir, an cuando obtengamos cierta informacin sobre el fenmeno, una vez que las
condiciones cambien, la informacin es susceptible de degradarse. Cabe sealar que en
este caso, Pearl est pensando en probabilidades subjetivas (como la bayesiana) las
cuales son condicionales y requieren de probabilidades anteriores (a priori) para poder
hacer los clculos necesarios
9
(estas condiciones son donde radica la mencionada
esttica de los modelos).

Otra observacin surge del hecho de que la probabilidad se da en trminos de
distribucin. La distribucin de una variable aleatoria es una funcin que asigna a cada
suceso definido sobre la variable, la probabilidad de que dicho suceso ocurra. La
cuestin es que no existe nada en la distribucin conjunta de los sntomas y las
enfermedades que nos diga que la curacin de los sntomas no cura la enfermedad. Y
por supuesto, no hay nada en una funcin de distribucin que nos diga cmo la

9
Maher Patrick, 2007. Bayesian Probability. Cambridge University Press.
distribucin sera diferente si las condiciones externas cambiaran. Esto para Pearl
implica que uno no puede convertir conocimiento estadstico en conocimiento causal
pues uno no puede sustanciar afirmaciones causales si slo cuenta con informacin
sobre asociaciones de eventos.

Las preocupaciones de Pearl se manifiestan muy bien en los casos relacionados con
cuestiones genticas, en donde claramente, la informacin estadstica resulta
insuficiente. A continuacin muestro brevemente un ejemplo de esta clase.

Para estudiar enfermedades genticas se apela al uso de "variables de riesgo" (VR)
donde VR = una secuencia gentica que es probabilsticamente ms comn entre
personas con cierta enfermedad que en personas sanas (donde sano es que no tengan esa
enfermedad). Los genetistas dan el salto de la correlacin estadstica a decir que VR
debe ser causa necesaria (aunque no suficiente) de la enfermedad. Y aqu viene la
principal objecin de Pearl a los modelos probabilistas; la probabilidad slo muestra
que hay una correlacin, pero no da informacin alguna de que sta sea causal. No
existe justificacin suficiente para afirmar que VR es causa de la enfermedad. A partir
del anlisis estadstico no podemos saber si la correlacin realmente tiene que ver con la
enfermedad en s, o es simplemente es una correlacin espuria, o incluso, si VR es
efecto de la enfermedad.

Con la diabetes ocurre algo como lo que menciono en el prrafo anterior; se vincula la
variante TCF7L2 con el riego de padecer diabetes tipo 2 a partir de los siguientes
datos
10
:

En mujeres danesas:
- La probabilidad (frecuentista) de presentar los genes riesgosos con diabetes tipo
2 es de 33%
- La probabilidad de presentar los genes y no tener diabetes es de 26%
En mujeres estadounidenses:
- La probabilidad de presentar los genes riesgosos con diabetes tipo 2 es de 38.5%
- La probabilidad de pre

sentar los genes y no tener diabetes es de 25.3%

10
Struan F A Grant, Gudmar Thorleifsson: [et al.] (2006)Variant of transcription factor 7-like 2
(TCF7L2) gene confers risk of type 2 diabetes. Nature Genetics.

La conclusin (contundente) de este estudio es que TCF7L2 es un factor que contribuye
a padecer diabetes [para ms detalles y otros ejemplos similares ver
11
]. Pareciera que lo
nico que estamos justificados a concluir es que se observan ciertos datos que insinan
algn tipo de relacin entre TCF7L2 y la diabetes pero, cul es esta relacin?


Finalmente, dentro de la elucidacin que Pearl hace de la diferencia entre conocimiento
causal y conocimiento estadstico, nos presenta las dos fuertes crticas que haran los
probabilistas a una propuesta como la suya, as como sus respuestas, que de algn
modo, funcionan tambin como crticas a los modelos probabilistas. Estas crticas son:
i) La barrera de las presunciones sin comprobar.
ii) La barrera de la nueva notacin.

La crtica de las presunciones sin comprobar tiene que ver con una serie de supuestos
imposibles de comprobar que se requieren para poder sostener un modelo causal. Por
ejemplo, al pretender dar una teora causal, ms all de los compromisos metafsicos tan
fuertes que estamos haciendo, estamos proponiendo una teora con una nueva entidad
sobre la que no hay datos. Estamos tambin suponiendo que todos (o al menos la gran
mayora de los casos) son cuantificables, que el conjunto de causas (a las que adems
tenemos acceso) es finito y exhaustivo, etc. Pearl sale de estos cuestionamientos
argumentando bsicamente que si bien, todo esto es cierto, l no est haciendo nada que
los probabilistas no hagan, pues por ejemplo, cmo podramos verificar que una
muestra es realmente representativa? O, cmo podramos comprobar que hay una
funcin de densidad de probabilidad? La suposicin de que esta funcin existe es
bastante fuerte y todo probabilista est obligado a aceptarla.

En cuanto a la barrera de la nueva notacin, Pearl piensa que cada disciplina
determinar cul es la notacin ms conveniente, aqu l est apelando a que podemos
construir una gran variedad de diagramas causales que nos proporcionen los elementos
que sean requeridos, dependiendo de los intereses de la investigacin. Incluso piensa
que habr ocasiones, como en epidemiologa, en las que la distincin entre meras

11
http://www.nature.com/naturegenetics
correlaciones y relaciones causales no es necesaria y por lo tanto, no es ni siquiera
necesario proponer una nueva notacin.

Una vez planteadas las cuestiones por las cules Pearl piensa que es necesario dar una
alternativa causal a las teoras probabilsticas surge la pregunta natural de, qu es lo
que Pearl entiende por causalidad?


3. EL CONCEPTO DE CAUSALIDAD PARA J UDEA PEARL

Para Pearl, el objetivo central de algunos estudios en las ciencias fsicas, del
comportamiento, sociales, y biolgicas, es la elucidacin de las relaciones causa-efecto
entre variables o eventos. La causalidad, an cuando es clara la relevancia filosfica del
concepto, es principalmente un sistema formal, ms adelante explicar la razn de esto.

El objetivo de este sistema formal es que nos permita diferenciar enunciados como El
lodo causa la lluvia de otros como El lodo est relacionado con la lluvia y que,
posteriormente nos permitir asignarle a cada uno, un valor de verdad. En este sentido,
el principal problema que presentan las teoras de la probabilidad estndar es que ni
siquiera contienen la palabra causa en su vocabulario pues el clculo de
probabilidades, an con sus poderosos operadores de condicionalizacin y
marginalizacin es insuficiente para expresar informacin causal. Los lenguajes
matemticos oficiales de muchas ciencias empricas no nos permiten expresar
enunciados tales como Los sntomas no causan la enfermedad. A lo ms nos dicen
que dos eventos estn mutuamente correlacionados o son dependientes (en el sentido de
que si encontramos uno de ellos, podemos esperar encontrar el otro).

Como punto de partida de la bsqueda de un sistema que capture dichas relaciones,
Pearl nos dice que los dos cuestionamientos fundamentales de la causalidad son:
(1) Qu evidencia emprica se requiere para legitimar la inferencia de las
relaciones causa-efecto?
(2) Una vez que estamos dispuestos a aceptar la informacin causal acerca de los
fenmenos, qu inferencias podemos extraer de dicha informacin? y, bajo
qu procedimientos lo haremos?
Las razones por las cules Pearl considera que estas dos cuestiones an no han sido
resueltas son, en parte porque no hemos contado con una semntica clara para
afirmaciones causales, y en parte porque no hemos tenido herramientas matemticas
eficaces para plantear preguntas causales o derivar respuestas causales
12
.

A partir de estos dos puntos, Pearl justifica haber transformado la causalidad, de un
concepto envuelto en misterio, en un objeto matemtico con una semntica bien
definida y una lgica bien fundada. As pues, se han resuelto paradojas, se han
explicado conceptos escurridizos y, muchos problemas prcticos, basndose en
informacin causal que muchos consideraban ya sea metafsica o inmanejable, ahora se
pueden resolver utilizando matemticas elementales.

En el artculo Bayesianism and causality, or, why Im only a half bayesian, Pearl est
interesado principalmente en presentar algunas crticas de los modelos probabilistas, as
como las ventajas y motivaciones para desarrollar, y aplicar en las ciencias empricas,
modelos causales. En el apndice de dicho artculo aparecen una serie de conceptos y
definiciones que nuestro autor utiliza para construir un lenguaje formal a partir del cul
se construirn los modelos causales pero no profundiza en los detalles. Sin embargo, en
el libro Causality, Pearl explica y describe de manera sistemtica los avances tanto
conceptuales como matemticos logrados en inferencia causal y, adicionalmente,
identifica y explica los supuestos necesarios para sustanciar las afirmaciones causales.

El problema ahora es cmo puede uno expresar matemticamente el entendimiento
comn de que los sntomas no causan la enfermedad?

Uno de los primeros intentos por representar estas relaciones causales fue el de Sewal
Wright [1921] quien us una combinacin de ecuaciones y diagramas. A continuacin
muestro dicho ejemplo de manera detallada, pues me parece que muestra de manera
muy clara las intuiciones de Pearl.

12
Pearl Judea, 2000. Causality. Cambridge University Press, United Kingdom.
Digamos que X es la variable que refiere a la enfermedad y Y es la variable asociada a
los sntomas de la enfermedad. En este caso, Wright intenta representar la relacin
causal por medio de la ecuacin lineal
u ax y + = ,
junto con el diagrama
Y X
donde podemos pensar a x como una instanciacin de la variable X (la enfermedad) a y
como una instanciacin de la variable Y (los sntomas), au como una instanciacin de la
variable U (las variables exgenas; es decir, aquellas que no se encuentran dentro del
sistema) y a es lo que se conoce como el coeficiente de trayectoria. ste es el que
cuantifica el efecto causal directo de X sobre Y, ms precisamente, x en este caso
representa el nivel de la enfermedad (qu tan enfermo est el paciente), y representa el
nivel de los sntomas (qu tan fuertes son stos), u representa todos aquellas factores
que podran afectar en Y, por ejemplo, que la persona sea particularmente sensible al
dolor, o est mal alimentada, etc. (aquello que pudiera repercutir en el nivel de los
sntomas sin ser parte de la enfermedad) y, dado el valor numrico de a, la ecuacin
afirma que ceteris paribus, cada unidad que se incremente en X, resultara en el
incremento de una unidad multiplicada por a en Y. Es decir, los niveles en Y cambiarn
de manera proporcional a los de X, donde la constante de proporcionalidad es a (qu tan
enfermo ests, determinar qu tanto son los sntomas, con una razn de cambio a).
El diagrama por su parte, nos dice sobre la posible existencia de influencia directa
causal de X en Y, as como de la ausencia de influencia causal de Y sobre X. De esta
manera es que el modelo nos est diciendo La enfermedad causa los sntomas en un
factor a ms una variable exgena u (ceteris paribus) y los sntomas no causan la
enfermedad.

Me parece que son claras las limitaciones del modelo de Wright, slo por mencionar
dos muy evidentes, i) Este modelo es posible, una vez que ya conocemos a priori de
dnde a dnde es la relacin causal. Si no hubiramos sabido desde antes que es la
enfermedad la que causa los sntomas y no al revs, no hubiera sido posible determinar
el diagrama, ya que la ecuacin por s sola carece de la asimetra necesaria para hacer
dicha representacin, y ii) No es posible incluir en este esquema fenmenos en los que
intervengan mltiples causas.

El ejemplo que acabo de presentar ilustra muy bien, a mi parecer, cmo es que las
relaciones causales se conectan con los modelos formales que le interesan a Pearl. En el
marco de la discusin que Pearl sostiene con los bayesianos, l enfatiza que la
causalidad no es ms, un concepto indefinido, pues el do-calculus (ms adelante
explicar el significado de este trmino) puede ser una efectiva herramienta matemtica
para ciertas tareas, no del tipo que nos acerca al ms profundo y ltimo entendimiento
de la palabra causalidad, pero s aquellas que estn basadas solamente en las teoras
clsicas de la probabilidad.

En conclusin, para Pearl, dado que es un pragmatista, la causalidad no es una
propiedad metafsica, ni le interesa mucho de dnde viene o cules son las cuestiones
ontolgicas y/o epistmicas que la justifican, la cuestin importante en el contexto de su
trabajo es que la informacin causal sale de los modelos que, en ltimo trmino, se
reducen a los diagramas. Esto no quiere decir que la causalidad no sea objetiva; un
modelo causal bien hecho, necesariamente representar las relaciones causales tal
cual stas son. Desde esta perspectiva, Pearl es un mecanicista y por tanto cree en la
posibilidad de construir sus modelos de manera que stos sean descripciones correctas
de la realidad.


4. Y NO SER LA CAUSALIDAD UNA TEORA PROBABILISTA MS?

Como lo mencionaba en la introduccin, no es que a los probabilistas no se les haya
ocurrido que es una necesidad de la ciencia el que los modelos capturen las relaciones
causales, por ejemplo Salmon
13
y Williamson
14
pretenden construir modelos causales
utilizando para esto, elementos de probabilidad. La cuestin para Pearl es que las
aspiraciones de reducir la causalidad a la probabilidad son tanto insostenibles como
injustificadas y siempre que los filsofos han intentado dicha labor, se han visto
obligados a admitir herramientas tericas fuera del marco de la probabilidad, por
ejemplo, contrafcticos o relevancia causal.

13
Salmon, W., 1980, Probabilistic causality, In Causality and explanation pages 208-232 Oxford
University Press, Oxford.
14
Williamson, J on. 2009, Probabilistic Theories of Causality, In The Oxford Handbook of Causation
Draft of J uly 16, 2009.
La razn bsica de porqu no es posible capturar las relaciones causales con pura
herramienta probabilista es que la probabilidad trata con creencias sobre un mundo
incierto pero esttico, mientras que la causalidad trata con cambios que ocurren en el
mundo mismo, es decir, la causalidad (como teora) nos dice cmo las funciones de
probabilidad cambian en respuesta a influencias (por ejemplo, nuevas condiciones o
intervenciones) que se originan fuera del espacio de probabilidades. A continuacin
presentar un bosquejo del modelo que propone Pearl para dar luz a las observaciones
anteriores.

Un modelo causal es un objeto matemtico que asigna valores de verdad a enunciados
involucrando relaciones causales, acciones y contrafcticos.
Definicin . Un modelo causal es un triple ordenado
F V U M , , =
Donde
i) U es un conjunto de variables a las que llamamos exgenas. (Son
condiciones que estn fuera del modelo, recordemos el ejemplo sobre los
sntomas y la enfermedad que present en la seccin 3).
ii) V es un conjunto ordenado { }
n
V V V V , , , ,
3 2 1
K de variables llamadas
endgenas. (Estas representan variables que estn determinadas dentro del
modelo).
iii) F es un conjunto de funciones { }
m
f f f f , , , ,
3 2 1
K donde cada es una
funcin continua de
i
f
) (
1 3 2 1

i
V V V V U L en . Esto quiere decir que
cada nos indica el valor de dados los valores de U y de todos los
predecesores de en V.
i
V
i
f
i
V
i
V
Dado un modelo causal, si extraemos una flecha de cada miembro de (donde
representa el valor de la variable, predecesora de , evaluada bajo la funcin
considerando las influencias externas) hacia , entonces la grfica resultante G, ser lo
que llamaremos un diagrama causal. Si el diagrama causal es acclico, entonces el
correspondiente modelo es llamado semi-Markoviano y los valores de las variables X
i
PA
i
PA
i
V
i
f
i
X
sern nicamente determinados por las variables en U
15
. Por convencin las variables
exgenas no se acostumbran representar explcitamente en la grfica.

Pero hasta aqu, la propuesta de Pearl no parece aportar nada nuevo y podramos
tomarla como una teora probabilstica ms (la variable est dada en trminos de
probabilidad). De hecho, otros autores como Williamson
i
PA
16
presentan modelos muy
similares. La verdadera diferencia entre la propuesta de Pearl y sus competidoras surge
a partir de la inclusin del siguiente trmino.

Para cualquier modelo causal podemos definir un operador accin, do(x), el cual desde
un punto de vista conceptual, simula el efecto de la accin externa que establece el valor
de X a x, y desde un punto de vista formal, transforma el modelo M en un submodelo
M, es decir, un modelo causal que contiene menos funciones. Para no perdernos en el
amplio bagaje tcnico de la propuesta de Pearl, cabe menciona quedo(x) es un operador
matemtico que simula intervenciones fsicas mediante la supresin de ciertas funciones
del modelo, sustituyndolas por constantes.

El ltimo paso consiste en evaluar (probabilsticamente!) cada una de las variables del
modelo, condicionada a los valores arrojados por el operador do(x). Veamos a grandes
rasgos el ejemplo que presenta Pearl para describir su propuesta. Tenemos el siguiente
modelo de cadena causal
Y X Z
Las que definimos anteriormente estn dadas por las siguientes ecuaciones
i
f
(*) , , ) (w f z
z
= ) , ( v z f x
x
= ) , ( u x f y
y
= .
Dondeu, v y w pertenecen a los conjuntos U, V y W de variables exgenas que, como
habamos mencionado, no aparecen en la grfica. El subndice de la funcin determina
en cul de las variables recae la funcin causal aplicada a la variable de la causa, por
ejemplo, en la primera funcin no hay variable endgena ya que Z no es causado por
ninguna otra variable. Notemos que cuando Pearl define estas funciones, est
generalizando propuestas como la de Wright, pues las ecuaciones lineales son un caso
r, estas funciones nos dan un marco mucho mayor para particular de funcin. Es deci

15
Pearl Judea, 2000. Causality. Cambridge University Press, United Kingdom.
16
Williamson, J on. 2009, Probabilistic Theories of Causality, In The Oxford Handbook of Causation
Draft of J uly 16, 2009.
decir y calcular cosas acerca de las relaciones entre eventos (no slo cunto un evento
es proporcional a otro, que es lo que nos dice una ecuacin lineal).

Ahora, para representar una intervencin que establece el valor de X en el modelo
para las ecuaciones (*) debe ser cambiado por
0
x
(**) , , . ) (w f z
z
=
0
x x = ) , ( u x f y
y
=
La funcin que asigna a cada suceso, definido sobre Y y Z es la probabilidad de que
el suceso ocurra, calculada a partir de este modelo modificado, sta caracteriza el
efecto de la accin y es denotado como , tambin
tenemos que y
) (
0
x X do = )) ( | , (
0
x do z y P
) | ( )) ( | (
0 0
x y P x do y P = ) ( )) ( | (
0
z P x do z P = sin tener en cuenta ya
las funciones .
z y x
f f f , ,

La regla general es entonces, quitar de la distribucin factorizada
( ) el factor que corresponde a la variable
manipulada (en este caso X) y sustituirlo por su nuevo valor (en este caso ).
) | ( ) | ( ) ( ) , , ( x y P z x P z P z y x P =
0
x

Finalmente, Pearl seala que la principal tarea del anlisis causal es inferir datos
causales de dos fuentes de informacin:
(i) Los supuestos contenidos en el modelo, y
(ii) la distribucin observada de P (x, y, z) o de muestras de esta distribucin.

En conclusin, Pearl est presentando un modelo que parte de las funciones y los datos
obtenidos mediante el do-calculus, asociados a grficas causales. Lo que toda esta
maquinaria terica hace, es tomar una variable del modelo, fijarla como alguna
constante y considerar el resto de la grfica condicionada a esta variable (con relaciones
probabilistas). Esta accin no se encuentra propiamente dentro del modelo, podra
decirse que es una accin que se ejecuta desde afuera cuando utilizamos el operador
do(x). As es como el modelo de Pearl da cuenta de eventos dinmicos que ocurren bajo
condiciones cambiantes, mientras que la probabilidad slo da informacin de eventos
que se dan bajo condiciones estticas.

Cabe mencionar que las dos propiedades que caracterizan una grfica causal proveen de
valiosas ventajas a los modelos causales. (i) Que las grficas sean dirigidas nos permite
saber no slo de la existencia de una relacin causal, sino tambin de dnde a dnde es
que se da sta, y (ii) Si una grfica cumple la condicin de Markov
17
, podemos decir
que la relacin causal slo se mantiene entre un nodo (una variable) y su ancestro
directo, librndonos as de problemas como el de la relevancia que son propios de
cualquier modelo en el que se permita la transitividad. Es decir, esta condicin da
cuenta de que si A causa B, y B causa C, esto no implica que A cause C (recordemos
que sta es una de las principales crticas al modelo nomolgico-deductivo de
Hempel
18
). Para concluir con la exposicin, mencionar algunas crticas tomadas del
trabajo de Hernn Miguel a las cules es susceptible la propuesta de Pearl.


5. ALGUNAS CRTICAS A LOS MODELOS CAUSALES Y A LA
PROPUESTA DE PEARL

En el artculo La representacin grfica de las interacciones causales, Miguel
Hernn
19
expone algunos problemas que genera pensar las relaciones causales a partir de
sus representaciones grficas. Estas crticas vienen muy a lugar para una propuesta
como la de Pearl considerando los argumentos que expuse en la seccin 3 respecto a su
nocin de causalidad.

Hernn Miguel critica la manera en la que las representaciones grficas nos permiten
decir cosas sobre distintos tipos de casos, incluso nos permiten decir cosas sobre casos
particulares y tipos de casos en general. Claramente, esta caracterstica es una de las
grandes virtudes que Pearl rescata de su propuesta, con el ingrediente adicional de que
su modelo nos permite hacerlo adems a partir de bases dinmicas. La idea de Hernn
ica no debera ser tomada como una ventaja por derecho Miguel es que esta caracterst

17
Todo modelo causal markoviano M induce una distribucin que satisface la
condicin parental de Markovrelativa al diagrama causal G asociado con M; esto es, cada variable es
ependiente de todas aquellas que no sean sus descendientes dando cuenta de sus ancestros en G.
) , , , (
2 1 n
x x x P K
i
X
i
PA in
Hempel, Carl G. 1962. Two Basic Types of Scientific Explanation.
d
18

19
Miguel, H. (2009). La representacin grfica de las interacciones causales en Mario Casanueva y Bernardo
Bolaos (eds.) El giro pictrico Anthropos, Madrid UAM Cuajimalpa (Divisin de Ciencias Sociales y
Humanidades) Seminario de Problemas Cientficos y Filosficos, UNAM, pp 106-143 (231 pgs). ISBN:
978-84-7658-915-1.
propio. Pues mientras que en la representacin los casos y los tipos de casos pueden
coincidir, las teoras en s mismas pretenden analizarlos con diferentes herramientas.
Hernn Miguel muestra que la ventaja de obtener una representacin comn viene
acompaada de una desventaja en el nivel de discriminacin del tipo de caso del que se
trata, lo cual, podra distorsionar el tipo de anlisis a realizar, finalmente esta deficiencia
termina por dejar de lado muchos aspectos que son cruciales para el estudio detallado de
los casos conflictivos.

Otra de las crticas que, a mi parecer, ataen a Pearl, es que an cuando no hay una
propuesta completamente satisfactoria de diagramas cualitativos (es decir, que sean
capaces de representar completamente los elementos que integran una relacin de
causacin; la causa, el efecto y su conexin, considerando la posibilidad de mltiples
causas), Pearl presenta un modelo principalmente cuantitativo. El primer paso en una
representacin causal debera de mostrarnos qu episodios son causas de otros.
Debemos representar las relaciones causales con herramientas cualitativas,
posteriormente, para el caso en el que haya ms de una causa para el mismo evento
quisiramos saber en qu grado cada una de las causas contribuye a la ocurrencia del
efecto, y para esto es que es necesario contar con herramientas cuantitativas. Pearl est
pensando principalmente en que su modelo aporte elementos cuantitativos a la
investigacin. La cuestin con esto ltimo es que de qu tanto podra servirnos la
informacin sobre los grados o las probabilidades de que un evento A cause un evento
B, si es que an no tenemos de manera satisfactoria la informacin cualitativa respecto a
las relaciones causales entre A y B? Por esta razn es que Miguel cree que es
fundamental tratar de establecer diagramas causales cualitativos adecuados en vez de
sumarse rpidamente a su rechazo para intentar reemplazarlos por diagramas
cuantitativos.

Por supuesto, podemos realizar una gran cantidad de crticas de corte filosfico a la
teora de Pearl; En qu basa los presupuestos mecanicistas que requiere su proyecto?
Cmo justifica desde su visin realista la nocin de causalidad? Etc, pero como lo
mencion en la seccin 3, pienso que Pearl es un pragmatista y no est realmente
interesado en estas cuestiones, sino ms bien en la bsqueda del mejor mtodo para
lograr lo que l considera, los fines de la ciencia
20
.


Yo pienso que el gran problema de Pearl es si de verdad se pueden asignar causalidades
a partir de las grficas. Al final de cuentas podramos pensar que todos los que
proponen modelos causales a partir de grficas estn haciendo trampa porque en todos
sus ejemplos ya sabamos de antemano cul era la relacin causal! Por ejemplo,
sabemos que la enfermedad causa los sntomas y por eso es que colocamos una flecha
de X (la enfermedad) hacia Y (los sntomas). Pero qu pasara si no conociramos la
relacin entre estos eventos? Cmo podramos saber cul es la relacin causal slo a
partir de un diagrama? (an cuando ste se auxilie de una ecuacin estructural o de una
funcin). Me parece que los probabilistas no son tan ingenuos como para pensar que las
relaciones estadsticas as como as, dan cuenta de las relaciones causales y es por esto
que se auxilian de criterios adicionales. Pienso que propuestas como la de Salmon,
pretenden, adems de describir las relaciones causales, desarrollar una herramienta que
nos permita encontrarlas en los casos en que no sabemos previamente de ellas.


6. CONCLUSIONES

En conclusin, en la visin de Pearl, los modelos probabilistas no son adecuados para el
estudio de los fenmenos cientficos porque no pueden dar cuenta de la causalidad, o
por lo menos del sentido de las interacciones entre los miembros de un sistema, ya que
tan slo indican la correlacin espaciotemporal de dos variables, de lo que no se sigue
que la correlacin sea causa-efecto, o que la correlacin sea relevante para el fenmeno
de estudio.

Las dos condiciones que cumplen las grficas causales; que la grfica sea dirigida (dada
porque se toma con base en la variable ) y que sea acclica (dada por la
izan que no ocurra que A sea causa deB y B sea causa de
i
PA
1 i
X
condicin de Markov), garant

20
Pareciera de pronto que Pearl slo est interesado en la explicacin, pues en ningn momento, dentro
de las motivaciones menciona algn otro objetivo de la ciencia, ni siquiera para mencionarlo como algo
en lo que
A, permitindonos distinguir las causas de los efectos. Tambin dan cuenta de manera
especfica de dnde a dnde se da la causalidad y finalmente, garantizan que slo hay
relacin causal entre una variable y su ancestro directo, lo que resuelve problemas como
el de la transitividad de la explicacin.

Mi opinin es que el modelo de Pearl resulta regular para describir; Las relaciones
causales no son el nico tipo de comportamiento que se presenta en la ciencia. Es
excelente para explicar; Los diagramas son claros e intuitivos. Pero es malo para
predecir relaciones causales; Si no conocemos previamente que existe una relacin
causal y de dnde a dnde va sta, no se ve cmo podramos construir los diagramas.

En general parece que este tipo de modelos tienen una visin limitada de la ciencia,
pues no dan cuenta de algunas situaciones que resultan grandes preocupaciones de los
filsofos de la ciencia contemporneos, por ejemplo, de las propiedades emergentes o
de las explicaciones funcionales.


APNDICE

Una versin muy sencilla de cmo es que podemos ver la causalidad en trminos de
condicionales contrafcticos es la que presenta Hume al dar la siguiente definicin de
causa: A causa B si en caso de no haber ocurrido A no habra ocurrido B. El anlisis
de contrafcticos para Pearl, es la ms distintiva caracterstica de los modelos
funcionales en general y en particular de su modelo causal. Hay diversas razones por las
cuales, ciertos enunciados contrafcticos no pueden ser definidos en el marco
conceptual de las redes causales estocsticas. Aqu no me ocupar de estas cuestiones
pues las crticas que present en la seccin 1 a las teoras probabilistas son bastante
generales.


1. ENUNCIADOS CONTRAFCTICOS

Para muchos filsofos, la idea de extraer conocimiento a partir de enunciados
contrafcticos es un tanto excntrica pues los enunciados contrafcticos estn
relacionados con la existencia de mundos posibles, donde en cierto sentido, casi
cualquier cosa imaginable puede ser un mundo posible. Sin embargo los enunciados
contrafcticos no tienen porqu llegar a niveles tan descabellados, pues si en un
contexto las posibilidades son pocas, entonces quedar muy restringido el conjunto de
mundos posibles. Un ejemplo de esto es el conocido juego del quince, que consiste en
una cajita formada por 16 casillas, de las cules, slo quince estn ocupadas. Todas las
fichas estn colocadas en orden numrico, excepto la 14 y la 15, que estn invertidas. El
juego consiste en maniobrar todas las fichas para corregir el error que hay en la fila
inferior de la cajita, de manera que todas las fichas queden en orden sucesivo.

Slo la mitad de las sucesiones posibles de 15 nmeros colocados en la ya determinada
cajita se pueden lograr mediante un nmero finito de pasos. Para poder llegar a construir
alguna de las sucesiones posibles, nosotros podramos utilizar razonamientos
contrafcticos. Por ejemplo, Si subiera aqu el 14, entonces quedara en medio del 1 y
el 2. Por medio de este enunciado, podramos decidir que es una mala idea subir el
nmero 14 porque esto nos aleja de la solucin buscada.

Juego del quince
Claramente, los enunciados contrafcticos apropiados nos conducirn a la solucin (si
es que sta existe). Por supuesto esto se debe a lo limitado que es el contexto de
posibilidades del juego, ya que el nmero de combinaciones de movimientos posibles es
finito e incluso puede calcularse con puras herramientas de combinatoria.

Algo muy similar ocurre con el Sudoku, cuyo objetivo es rellenar una cuadrcula de
9 9 celdas (81 casillas) dividida en subcuadrculas de 3 3 (tambin llamadas "cajas"
o "regiones") con las cifras del 1 al 9 partiendo de algunos nmeros ya dispuestos en
algunas de las celdas. No se debe repetir ninguna cifra en una misma fila, columna o
subcuadrcula. Un sudoku est bien planteado si la solucin es nica. La resolucin del
problema requiere paciencia y ciertas dotes lgicas que se manifestaran en la
realizacin de los contrafcticos adecuados.

Sudoku

Un detalle adicional del Sudoku es que la solucin de ste (que tan posible es construir
los contrafcticos adecuados) depender de que el juego desde un principio contenga el
nmero mnimo necesario de pistas. Pues es claro que si la cuadrcula empezara con
slo un nmero dado, no habra elementos para elaborar los condicionales
contrafcticos que nos conduzcan a la solucin del problema.

Otros dos casos similares a los que acabo de presentar son el cubo de rubik y diversos
juegos de baraja. Los cuales claramente encierran una combinatoria, ms o menos
simple, aunque ms complicada que la de los dos juegos que present en los prrafos
anteriores. Entonces, qu tan fcil sea elaborar los contrafcticos adecuados, depender
de qu tan sencilla es la combinatoria del universo de posibilidades en cada contexto.
As pues, mi intuicin me dice que en el caso de los modelos cientficos habr una
relacin entre el contenido de los enunciados contrafcticos y el marco de posibilidades
del fenmeno que nos interese explicar. Por supuesto, tendremos los problemas de
siempre; que el conjunto de posibilidades sea infinito, cmo lo calculamos?, si
tenemos acceso a l, si es exhaustivo, etc.

En el marco conceptual de Pearl el uso de condicionales contrafcticos tambin da lugar
a serios cuestionamientos. Algunos de ellos son Cul es el contenido de los
razonamientos contrafcticos? Qu tipo de conocimiento es requerido para dar
respuesta a un cuestionamiento de tipo contrafctico?
21
Cmo puede este conocimiento
ser representado matemticamente? Una vez que se logra la representacin qu
maquinaria matemtica se necesita para derivar las respuestas?



21
Un cuestionamiento como Qu hubiera pasado si en vez de escribir mi trabajo sobre Pearl lo hubiera
escrito sobre Williamson?
2. LA CERCANA

Creo que, al igual que yo, tanto Pearl como Hernn Miguel consideran que los
contrafcticos no slo son tiles sino incluso, bastante intuitivos (cuntas veces no
hacemos razonamientos del tipo Si Mnica no se hubiera desvelado anoche, seguro
hoy hubiera llegado temprano!) lo que s queda muy claro es que no cualquier
enunciado contrafctico nos va a proveer informacin, por ejemplo, qu tipo de
informacin podra yo obtener de un condicional como Si Mnica se hubiera ido ayer
a otro planeta en una nave espacial? Al respecto, Pearl menciona que requerimos de
elementos para que un cuestionamiento contrafctico sea respondido de manera rpida y
confiable y apela a la rapidez y consistencia con las que la gente distingue enunciados
contrafcticos plausibles de otros implausibles. Pone el siguiente ejemplo,
Mucha gente estara de acuerdo que el lugar en la historia del presidente Clinton
sera diferente de no haber conocido a Mnica Lewinsky, pero slo unos pocos
afirmaran que su lugar en la historia cambiara si l no hubiera desayunado el da
de ayer

En este sentido, Pearl cita los resultados logrados por Robert Stalneker (1968) y David
Lewis (1973), quienes construyen lgicas de contrafcticos usando semnticas de
mundos cercanos (es decir, B sera verdadero si fuera el caso que A slo cuando B es
verdadero en el ms cercano mundo posible (para nosotros) en el cul A es verdadero).
Hernn Miguel sin embargo, tiene una objecin al respecto, para l hay casos en los
cuales, determinaramos que dos mundos posibles son cercanos y que el anlisis
cambie de manera absoluta al considerar uno u otro. El problema es que entonces los
condicionales contrafcticos podran estar dando pistas no confiables para asignar roles
de prevencin (una herramienta que utiliza Hernn miguel para determinar relaciones
causales)
22
.


3. MODELOS CAUSALES Y CONTRAFCTICOS.

Pearl propone interpretar la frase X habra sido x en trminos de una hipottica
modificacin de las ecuaciones en el modelo. Esta modificacin ser posible a partir de

22
Pienso que el ejemplo que utiliza hernn Miguel para sostener esto (oags. 160 y 161) es
exageradamente rebuscado.
la estructura semntica que Pearl construye para su modelo. Para construir dicha
estructura Pearl utiliza elementos lgicos como la prediccin, la abduccin y la
transduccin e introduce otros como la accin y la respuesta potencial. En el libro
Causality, para mostrar cmo funciona esta estructura semntica Pearl describe a
detalle el siguiente ejemplo.

Consideremos un pelotn de fusilamiento de dos hombres como se muestra en la figura
de abajo, donde A, B, C, D, y U representan las siguientes proposiciones:
U =La corte ordena la ejecucin;
C =El capitn da la seal;
A =El tirador A dispara;
B =El tirador B dispara;
D =El prisionero muere.



Relaciones causales en el ejemplo del pelotn de fusilamiento de
dos hombres.



Supongamos que no conocemos la decisin de la corte, que ambos tiradores son
precisos, estn en alerta y son respetuosos de la ley, y que el prisionero parce que vaya a
morir por el miedo o alguna otra causa extraa. Pearl quiere construir una
representacin formal de la historia tal que los siguientes enunciados puedan ser
evaluados mecnicamente.

S1. Si el tirador A no dispara, entonces el prisionero no muere.
D A
S2. Si el prisionero vive, entonces el capitn no dio la seal.
C D
S3. Si el tirador A dispara, entonces el tirador B tambin lo hace.
B A
S4. Si el capitn no da la seal y el tirador A decide disparar, entonces el prisionero
morir y B no disparar.
A A
B D C &
S5. (La afirmacin contrafctica) Si el prisionero est muerto, entonces el prisionero
estara muerto incluso si el tirador A no hubiera disparado.
A
D D


Para probar cada afirmacin Pearl utiliza una deduccin que puede realizar gracias a
toda la semntica que desarroll previamente y combinando S4 con S5 se muestra que
si fuera el caso de que, dadas todas las condiciones del ejemplo, A no hubiera
disparado, entonces la causa de la muerte del prisionero fue el disparo de B.

An en la manera somera en la cul yo presento este ejemplo, se puede ver una
aproximacin de cmo es que Pearl utiliza los contrafcticos para determinar las
relaciones causales entre dos eventos, a partir de su modelo funcional.


BIBLIOGRAFA

Carnap Rudolf. 1928. Der Logische Aufbau der Welt. Leipzig: Felix Meiner
Verlag. Traduccin al ingls de Rolf A. George, 1967. The Logical Structure of
the World: Pseudoproblems in Philosophy. University of California Press.
Cartwright, Nancy D. 1980. The Reality of Causes in a World of Instrumental
Laws. In Proceedings of the Philosophy of Science Association, ed. P. Asquith
and R. Giere. Philosophy of Science Association.
Hempel, Carl G. 1962. Two Basic Types of Scientific Explanation.
Maher Patrick, 2007. Bayesian Probability. Cambridge University Press.
Miguel, H. (2009). La representacin grfica de las interacciones causales en
Mario Casanueva y Bernardo Bolaos (eds.) El giro pictrico Anthropos,
Madrid UAM Cuajimalpa (Divisin de Ciencias Sociales y Humanidades)
Seminario de Problemas Cientficos y Filosficos, UNAM, pp 106-143.
Pearl J udea, 1998. Graphs, Causality, and Structural Equation Models .
Sociological Methods and Research, Vol. 27, No. 2, 226-284.
Pear J udea, 2001. Bayesianism and Causality, or, Why I am Only a Half-
Bayesian. In D. Corfield and J . Williamson (Eds.) Foundations of Bayesianism,
Applied Logic Series Volume 24, Kluwer Academic Publishers, the
Netherlands, 19--36.
Pearl J udea, 2010. The Causal Foundations of Structural Equation Modeling.
Chapter for R. H. Hoyle (Ed.), Handbook of Structural Equation Modeling. New
York: Guilford Press.
Railton, P., 1981, Probability, Explanation, and Information. Synthese 48: 233-
56.
Reinchenbach H. 1923. The principle of causality and the possibility of its
empirical confirmation. In Modern philosophy of science.
Salmon, W., 1980, Probabilistic causality, In Causality and explanation pages
208-232 Oxford University Press, Oxford.
Salmon, W., 1984, Scientific Explanation and the Causal Structure of the World,
Princeton: Princeton University Press.
Spirtes, P. Glymour, C. and Scheines, R., 2000, Causation,Prediction and
Search, Second Edition. Cambridge: MIT Press.
Struan F A Grant, Gudmar Thorleifsson: [et al.], 2006. Variant of transcription
factor 7-like 2 (TCF7L2) gene confers risk of type 2 diabetes. Nature Genetics.
Williamson, J on. 2011,Mechanistic theories of causality. Philosophy Compass,
421-432.
Williamson, J on. 2009, Probabilistic Theories of Causality, In The Oxford
Handbook of Causation Draft of J uly 16, 2009.