# La atribución causal no es un problema de datos sino de supuestos: por qué la medición de incrementalidad exige compromisos de diseño explícitos > Published: 2026-08-30T06:23:21.397+00:00 > Updated: 2026-08-30T06:24:10.384+00:00 --- ## La atribución causal no es un problema de datos sino de supuestos: por qué la medición de incrementalidad exige compromisos de diseño explícitos Creemos que el principal obstáculo para medir incrementalidad con rigor no es la falta de datos, sino la negativa —o la incapacidad— de hacer explícitos los supuestos de identificación que sostienen cada estimador. Tres líneas de evidencia reciente convergen en este diagnóstico: la no-identificabilidad del nivel en spillovers espaciales, el colapso de la varianza explicada cuando se ignora la estructura causal del grafo, y la fragilidad de las conclusiones ante especificaciones analíticas alternativas. Quien mide sin declarar sus anclajes no mide: especula. ## El nivel del efecto nunca está gratis Watson et al. demuestran que en experimentos espaciales con aleatorización por conglomerados, los datos identifican la **forma** del kernel de spillover pero no su **nivel**: este queda aliasado con el intercepto y el efecto directo, independientemente del tamaño muestral [Fuente 9]. La consecuencia es dura: todo estimador de efecto directo, indirecto o total descansa en un supuesto de anclaje que no puede verificarse empíricamente. El análisis estándar de ensayo por conglomerados es simplemente el caso especial de un anclaje implícito cuyo sesgo por contaminación queda en forma cerrada dentro del marco [Fuente 9]. La lectura que hacemos es directa: cualquier medición de incrementalidad en campañas con difusión geográfica o social —es decir, casi todas— arrastra un componente de nivel no identificado. Ignorarlo no lo elimina; lo esconde dentro de la estimación puntual. El level leverage es computable *antes* de recoger datos — lo que convierte el diseño del experimento, no el análisis posterior, en la decisión crítica. - 1 escalar — Level leverage: un único escalar resume la exposición de cada estimando al nivel no identificado, el sesgo de nivel exacto y el coste en varianza de estimar el nivel en lugar de anclarlo - 63–70 segundos — Reducción en tiempos de desplazamiento de EMS atribuida al congestion pricing de NYC mediante el diseño de diferencia en discontinuidades - 0,08 DE — Mejora en salud infantil sostenida solo cuando coexisten aprendizaje propio y social - 12–21 % — El efecto medio corregido por sesgo de publicación como fracción de la media simple, en cinco dominios empíricos ## Varianza explicada sin grafo causal es aritmética, no atribución Saarela y Karvanen parten de un hecho incómodo: la descomposición recursiva de varianza mediante la ley de varianza total depende del **orden de condicionamiento elegido**, y sus componentes no tienen, en general, interpretaciones causales [Fuente 1]. Solo bajo ordenaciones topológicas respecto del grafo causal la identificación puede evaluarse componente a componente, sin requerir que las variables formen un sistema causalmente suficiente [Fuente 1]. Esto desmonta una práctica habitual en medición de marketing: atribuir porcentajes de varianza a canales o touchpoints mediante descomposiciones estadísticas arbitrarias y llamar al resultado 'contribución causal'. Sin el grafo, la descomposición es un artefacto del orden algebraico, no una medida del efecto de cada canal. ## Descomposición estadística: el orden de condicionamiento es una elección del analista; distintos órdenes producen distintas 'contribuciones'. Resultado: aritmética disfrazada de causalidad. **Descomposición causal sobre grafo**: las ordenaciones topológicas del grafo determinan los componentes; la identificación se evalúa frente al grafo completo [Fuente 1]. Resultado: componentes con interpretación causal verificable. ## La especificación analítica como fuente de incertidumbre oculta Saraceno y Calcagnì señalan que la visión por etapas del análisis de multiverso —generar especificaciones y luego resumirlas con p-valores o curvas de especificación— puede **ocultar cómo se distribuye la incertidumbre inferencial a través de las especificaciones** [Fuente 10]. Su propuesta de representar cada especificación como una distribución de probabilidad sobre un espacio de salida común, con vecindarios locales, diámetros y baricentros de Fréchet, retiene simultáneamente la variación del efecto y la variación de la incertidumbre [Fuente 10]. Para la medición de incrementalidad, esto significa que reportar un único número —'la campaña generó X conversiones incrementales'— sin mostrar cómo varía esa cifra bajo ventanas temporales, conjuntos de controles o transformaciones de variable dependiente alternativas es un acto de selección, no de medición. ## Diseño antes que análisis: bloqueo, fronteras y adopción escalonada Tres resultados técnicos recientes refuerzan la primacía del diseño experimental sobre la sofisticación del análisis post-hoc: - Azriel, Krieger y Kapelner demuestran que para resultados binarios —tasa de conversión, indicador de compra— cualquier diseño balanceado que satisfaga una condición de balance de covariables es **asintóticamente óptimo**, y que los diseños de bloqueo satisfacen esta condición bajo supuestos de suavidad moderados [Fuente 8]. La varianza insesgada es imposible de estimar en este contexto, pero los estimadores conservadores basados en CMH son asintóticamente ajustados [Fuente 8]. - Chikish et al. muestran que el diseño de diferencia en discontinuidades puede aislar un efecto causal donde diferencia en diferencias estándar falla por la presencia de políticas simultáneas: en el caso de los precios de congestión de Nueva York, una directiva concurrente del FDNY confundía el estimador DiD pero no el basado en la frontera geográfica [Fuente 6]. - Bordino, Berrett y Klopp demuestran que en diseños de adopción escalonada, la estimación directa del funcional bilineal de interés —sin completar el tensor— puede ser más eficiente, y que la ganancia de agregar capas presenta una **transición de fase** que depende del número de unidades de tratamiento disponibles [Fuente 7]. Duan y Pelger documentan que usar características generadas por LLMs como covariables observadas puede **invalidar la inferencia** downstream cuando los errores sistemáticos —alucinación, sesgo de anticipación— distorsionan las condiciones de momento del estimador [Fuente 2]. Su marco AI-PI corrige el sesgo mediante un conjunto de calibración etiquetado humanamente, combina múltiples pares modelo-prompt con ponderación adaptativa, y concentra las etiquetas humanas donde las características son menos fiables [Fuente 2]. Creemos que esta advertencia es especialmente relevante para la medición de incrementalidad: a medida que los equipos de marketing automatizan la codificación de creatividad, sentimiento o intención de compra mediante LLMs, cada variable generada introduce un perfil de error que varía entre modelos y entre prompts. Sin calibración humana y corrección de momento, la atribución resultante hereda la alucinación del modelo. Akram et al. demuestran experimentalmente que el aprendizaje propio y el aprendizaje social son **complementarios**: un año después de la intervención, solo los hogares que experimentaron el tratamiento *y* tenían vecinos también tratados mantuvieron el cambio de comportamiento, con mejoras en salud infantil de 0,08 desviaciones estándar respecto a los demás hogares tratados [Fuente 4]. Los hogares tratados sin vecinos tratados, y los hogares no tratados con vecinos tratados, no mostraron cambio sostenido [Fuente 4]. Este patrón tiene una implicación directa para la medición de incrementalidad: el efecto de una intervención no es aditivamente separable entre el canal directo y el entorno social del receptor. Medir uno sin el otro subestima o sobreestima sistemáticamente. ## El meta-análisis tampoco es inocente Ganong, Garg y Kasy muestran que en cinco dominios de economía aplicada, el **efecto medio corregido por selectividad de publicación se sitúa entre el 12 % y el 21 % de la media simple** no corregida, lo que implica una sobreestimación de entre 5 y 8 veces [Fuente 5]. Cuando un equipo de marketing recurre a benchmarks sectoriales o a promedios de lift publicados para anclar sus expectativas de incrementalidad, está importando exactamente este sesgo de publicación. El toolkit de Ganong et al. permite corregirlo incluso con tan solo tres estudios previos y realizar predicciones por reponderación con covariables [Fuente 5]. ## Medir con integridad: tres disciplinas simultáneas La posición de IDO es que medir incrementalidad con integridad requiere tres disciplinas simultáneas: declarar el supuesto de anclaje que fija el nivel del efecto, exponer la sensibilidad de la conclusión a especificaciones alternativas, y diseñar el experimento —bloqueo, frontera, escalonamiento— antes de elegir el estimador. Los datos nunca hablan solos; hablan a través de la estructura que les imponemos. La honestidad sobre esa estructura es lo que separa la medición de la narrativa. ## Fuentes ## Fuentes consultadas - Olli Saarela and Juha Karvanen. Graph-based causal variance decompositions: When "variance explained" means causation. [arXiv:2608.27140](https://arxiv.org/abs/2608.27140v1), 2026. - Inferencia con covariables generadas por IA: sesgo sistemático, ruido y el marco AI-PI. [ver](https://www.nber.org/papers/w35481#fromrss) - Inferencia causal para elasticidad de demanda: variables instrumentales, diferencia en diferencias y el problema del coeficiente faltante. [ver](https://www.nber.org/papers/w35413#fromrss) - Aprendizaje experiencial y social: evidencia de un experimento de campo sobre adopción de comportamiento. [ver](https://www.nber.org/papers/w35410#fromrss) - Síntesis de literatura y corrección del sesgo de selección en meta-análisis aplicado. [ver](https://www.nber.org/papers/w35403#fromrss) - Diferencia en discontinuidades (*difference-in-discontinuities*): identificación en experimentos naturales con fronteras geográficas. [ver](https://www.nber.org/papers/w35414#fromrss) - Alberto Bordino, Thomas B. Berrett, and Olga Klopp. Direct and efficient estimation of bilinear forms in staggered tensor panels. [arXiv:2607.06330](https://arxiv.org/abs/2607.06330v1), 2026. - David Azriel, Abba M. Krieger, and Adam Kapelner. Optimal Designs with Robust Inference for Binary Treatment Effects. [arXiv:2607.05768](https://arxiv.org/abs/2607.05768v1), 2026. - Samuel I. Watson, Penny Hancock, Jack Fraser-Govil, Kieran DeWalt, and Thomas A. Smith. Embracing Spillover: Spatial Effects in Experiments. [arXiv:2607.06506](https://arxiv.org/abs/2607.06506v1), 2026. - Giovanni Saraceno and Antonio Calcagnì. Towards a Geometric Characterization of Multiverse Analysis. [arXiv:2607.11345](https://arxiv.org/abs/2607.11345v1), 2026.