En el primer artículo del libro Philosophy of Science in Practice, Nancy Cartwright, del Departamento de Filosofía de la Universidad de California (San Diego), comenta uno de los temas más controvertidos e interesantes del razonamiento causal; cómo establecer afirmaciones sobre causas individuales. Este tópico es especialmente relevante en el ámbito biomédico y jurídico (efectos adversos de vacunas, intoxicaciones, mal uso de medicamentos, etc.).
Recordemos que estamos hablando de causalidad probabilística, donde el establecimiento de relaciones causales se determina en base a experimentación o modelos observacionales correctamente especificados, que estudian la variación de la esperanza matemática del efecto en base a una o varias causas en una muestra. De manera general, para las variables aleatorias Y (efecto) y X (causa): E(Y=y|X=x), siendo x e y las realizaciones muestrales. O en terminología de Judea Pearl: E(Y=y|do(X=x)), empleando el operador do(X=x) que significa que se realiza una intervención sobre la causa (se fija a un determinado valor) En términos probabilísticos P(Y=y|do(X=x)) representa la distribución de la población de Y si todos en la población tuvieran su valor X fijado a x (Pearl et al., 2016).
De este modo, para establecer causalidad no se necesita que todos los elementos de una muestra se vean afectados de la misma manera por la causa, sino que en promedio la esperanza matemática del efecto Y varíe significativamente ante una intervención específica sobre X, o que la probabilidad del efecto cambie significativamente ante una intervención sobre X.
Evidencias para establecer causalidad en casos individuales
Cartwright propone en analizar dos tipos de evidencia: indirecta y directa.
La evidencia indirecta consiste en aquella que ayuda a eliminar alternativas. Algunos autores lo llamana la «evidencia Holmesiana» en referencia al famoso detective que argumentaba que cuando todas las otras posibles causas habían sido descartadas, la que permanece debe ser la responsable del efecto, aunque sea improbable. La principal dificultad de confiar en este tipo de evidencia es estipular cómo de seguros estamos de que hemos eliminado todas las alternativas.
La evidencia directa, sin embargo, mira aspectos propios de la relación causal, no busca fuera de ella. De este modo, la autora propone 4 tipos de análisis:
(1) El carácter del efecto: ¿El efecto ocurre en el momento, la forma y el tamaño esperado si la causa lo hubiera causado?
(2) Los síntomas de causalidad: ¿Existen síntomas de que la causa provoca el efecto? Por ejemplo, efectos colaterales de la causa.
(3) Presencia de variables moderadoras entre la causa y el efecto, es decir, variables que cambian la intensidad de la relación entre causa y efecto.
(4) Presencia de variables mediadoras entre causa y efecto, es decir, variables que representan pasos intermedios entre la causa y la aparición del efecto.
La autora pone como ejemplo cómo establecer causalidad cuando una persona se toma un veneno muy tóxico y luego un producto que le hace vomitar, es decir, qué evidencia existe de que ese producto salvara su vida, y lo relaciona con los 5 puntos anteriores (1 indirecto y 4 directos):
– Eliminación de alternativas: Ese veneno tiene un muy alto grado de mortalidad y no hay nada especial que explique la supervivencia cuando se toma el veneno (gran masa corporal, mitidración, antídoto, etc.)
– El carácter del efecto: La cantidad de veneno en el vómito fue medida y comparada con la cantidad consumida, y la persona sufrió sólo los efectos esperados de la diferencia que quedó en el cuerpo.
– Los síntomas de causalidad: Había mucho veneno en el vómito, lo que es un síntoma de que el producto para vomitar hizo efecto.
– Presencia de variables moderadoras: El producto para vomitar fue tomado antes de que la mayor parte del veneno fuera absorvida por el estómago.
– Presencia de variables mediadoras: La persona vomitó.
Estos 5 elementos, por tanto, pueden emplearse para evaluar post-data la posibilidad de que haya una relación causa-efecto entre dos variables para un caso individual.
La condición INUS
El estudio de la causalidad, en la mayor parte de ocasiones, se implementa en el marco de los modelos de ecuaciones estructurales, entendidos estos como ecuaciones que representan la relación probabilística entre los efectos y las causas (a través de una relación funcional) cuantificados por medio de los parámetros a estimar.
Para adoptar esta perspectiva, Cartwright comenta la visión de J. L Mackie de que las causas son condiciones INUS de los efectos (Insufficent but Necessary part of an Unnecessary but Sufficient condition for the occurrence of the effect). Es decir, la condición INUS para un efecto significa que las causas son una parte necesaria pero insuficiente de una condición innecesaria pero suficiente para la ocurrencia del efecto. Así, los parámetros estimados y las variables propuestas como causa son condiciones INUS del efecto en cuestión. Dicho de otro modo, las causas consideradas son condiciones suficientes para que se produzca el efecto pero no necesarias (puede haber otras causas que produzcan el mismo efecto)
La teoría marca la especificación de las ecuaciones, en línea con el método hipotético-deductivo, y por tanto la interpretación post-data de la evidencia.
Comentarios
Para los investigadores aplicados Cartwright nos ofrece una interesante guía sobre cómo evaluar la causalidad en casos particulares. La autora admite la pluralidad causal en la determinación de efectos, y que a través de la correcta especificación de modelos de ecuaciones estructurales podemos obtener el tamaño de los efectos de causas particulares, que sean causas suficientes del efecto en cuestión.
Sin embargo, habríamos agradecido ilustraciones más concretas y que Cartwright hubiera comentado, por ejemplo, cómo evaluaría el hipotético caso de una vacuna (causa) que hubiera producido una enfermedad (efecto) a nivel individual, algo que desde el punto de vista jurídico (y social) es de gran interés. Pero la autora no entra en estos supuestos, es más, al final reconoce que su visión no es útil en casos cuando no se conoce cómo la causa putativa debería producir el efecto observado y no se pueden establecer hipótesis plausibles con suficiente detalle. Por tanto, podríamos interpretar que la autora se siente más «segura» con su perspectiva cuando, por ejemplo, se analizan casos a nivel individual en los que la vacuna del sarampión se plantea que produce encefalitis en un niño (hipótesis plausible), que cuando se plantea su relación con el autismo (hipótesis mucho más controvertida).
En próximos posts hablaremos sobre la visión de Judea Pearl y otros autores sobre esta temática y la utilización del razonamiento contra factual para este tipo de casos.
Cartwright, N. (2017). Single case causes: What is evidence and why. En Chao, H. K & Reiss, J. (ed). Philosophy of science in practice: Nancy Cartwright and the nature of scientific reasoning (pp 11-24)