Tipus de document
Treball de fi de grauData de publicació
Llicència de publicació
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/231860
Models causals estructurals i resultats potencials
Títol de la revista
Autors
Director/Tutor
Contribució addicional
ISSN de la revista
Títol del volum
Resum
[cat] Aquest treball presenta una introducció teòrica a la inferència causal. El fil del treball és la distinció entre associació i causalitat: les dades observacionals poden mostrar regularitats, però no determinen per si soles què passaria sota una intervenció ni què hauria passat en un escenari contrafactual. A partir d’aquesta motivació, i a través de les diferents capes de la jerarquia causal de Pearl, es desenvolupen els models causals estructurals de Pearl, les xarxes bayesianes causals, la d-separació i el problema de la identificació d’efectes causals. També s’estudia el model de resultats potencials de Neyman-Rubin, el problema fonamental de la inferència causal, els estimands més utilitzats i el paper del mecanisme d’assignació. El treball posa especial èmfasi en la connexió entre aquests dos llenguatges i en les condicions que permeten transformar una pregunta causal en una expressió estimable a partir de dades observacionals. Es distingeixen estudis experimentals i observacionals. Abans d’estudiar el cas de les admissions a Berkeley, s’estudien aquests algoritmes d’identificació i la paradoxa de Simpson. Mostrem com les inferències permeses depenen de la pregunta causal i del model assumit.
[spa] Este trabajo presenta una introducción teórica a la inferencia causal. El hilo conductor del trabajo es la distinción entre asociación y causalidad: los datos observacionales pueden mostrar regularidades, pero no determinan por sí solos qué pasaría bajo una intervención ni qué habría pasado en un escenario contrafactual. A partir de esta motivación, y a través de las diferentes capas de la jerarquía causal de Pearl, se desarrollan los modelos causales estructurales de Pearl, las redes bayesianas causales, la d-separación y el problema de la identificación de efectos causales. También se estudia el modelo de resultados potenciales de Neyman-Rubin, el problema fundamental de la inferencia causal, los estimandos más utilizados y el papel del mecanismo de asignación. El trabajo pone especial énfasis en la conexión entre estos dos lenguajes y en las condiciones que permiten transformar una pregunta causal en una expresión estimable a partir de datos observacionales. Se distinguen estudios experimentales y observacionales. Antes de estudiar el caso de las admisiones en Berkeley, se estudian estos algoritmos de identificación y la paradoja de Simpson. Mostramos cómo las inferencias permitidas dependen de la pregunta causal y del modelo asumido.
[eng] This work presents a theoretical introduction to causal inference. The common thread of the dissertation is the distinction between association and causation: observational data may show regularities, but they do not by themselves determine what would happen under an intervention or what would have happened in a counterfactual scenario. Based on this motivation, and through the different layers of Pearl’s causal hierarchy, we develop Pearl’s structural causal models, causal Bayesian networks, d-separation, and the problem of identifying causal effects. The Neyman-Rubin potential outcomes framework is also studied, along with the fundamental problem of causal inference, the most commonly used estimands, and the role of the assignment mechanism. The work places special emphasis on the connection between these two frameworks and on the conditions that allow transforming a causal question into an estimable expression from observational data. Experimental and observational studies are distinguished. Before studying the case of Berkeley admissions, these identification algorithms and Simpson’s paradox are studied. We show how the permitted inferences depend on the causal question and the assumed model.
Descripció
Treballs Finals de Grau de Matemàtiques, Facultat de Matemàtiques, Universitat de Barcelona, Any: 2026, Director: Jordi Vitrià i Josep Vives
Recurs relacionat
Matèries (anglès)
Citació
Col·leccions
Citació
VILAR RAMIREZ, Mario. Models causals estructurals i resultats potencials. [consulted: 3 of October of 2026]. Available at: https://hdl.handle.net/2445/231860