Uno de mis artículos favoritos en los últimos años incluía este diagrama. Muestra el impacto de controlar tres tipos diferentes de variables: confundidores, colisionadores y mediadores. Con los confundidores, el control es bueno. Con los otros, arruinas tu resultado al controlar.

Si tienes variables con error de medición, puedes encontrarte con otra variable problemática: el proxy. Las variables proxy pueden agravar todas estas distorsiones y hacer que sean mucho más difíciles de manejar.

El documento hace esta simple observación: el control estadístico requiere justificación causal. Ese es en realidad el título. Dieron varios ejemplos basados en DAG. Considera este: ¿es el edutainment un confundidor o un mediador? ¿Deberías controlarlo, o eso sesgaría tu estimación?

Esto es siempre algo que tienes que considerar, pero, francamente, es excepcional pensar de manera causal sobre el control estadístico. Muchos artículos hacen cosas como controlar variables irrelevantes posteriores (proxies), o controlan involuntariamente mediadores. ¡Esa es la norma!

Mi artículo aborda muchos más problemas con el uso y el abuso de los controles. Por ejemplo, señala que puede requerir muchos datos y esfuerzo hacer que la puntuación de propensión coincida con los experimentos:

Se señala que un hallazgo dado puede no significar lo que dice que significa:

Y muestra que incluso el estándar de oro de la inferencia causal—el RCT—debe hacerse correctamente, o terminarás en una situación donde tus estimaciones de efecto están infladas y tus conclusiones son incorrectas.