Causal Structure: Confounders, Colliders, Mediators and What Intervention Adds / Estructura causal: confusores, colisionadores, mediadores y qué aporta la intervención

English

Causal inference depends on the structure that connects variables, not on a generic rule to “adjust for more covariates”. A variable can be a confounder, mediator, collider or effect modifier only relative to a specified causal question and structure. Adjustment for a genuine confounder can close a non-causal path; adjustment for a mediator can remove part of the total effect of interest; conditioning on a collider or its descendant can create an association that was not present before conditioning. Measurement error can further distort causal effect estimates even when the qualitative causal graph is correctly specified. This article defines the causal-role vocabulary used by INF, distinguishes observation from intervention, and explains why variable selection for adjustment must follow the target causal contrast rather than statistical association alone. It does not attempt to provide a complete causal-inference course. Its purpose is to establish the structural discipline required before later INF articles discuss selection bias, evidential strength, generalisation and robustness.

Español

La inferencia causal depende de la estructura que conecta las variables, no de una regla genérica de “ajustar por más covariables”. Una variable puede ser confusora, mediadora, colisionadora o modificadora de efecto solo respecto de una pregunta y una estructura causales especificadas. Ajustar por un confusor verdadero puede cerrar una vía no causal; ajustar por un mediador puede eliminar parte del efecto total de interés; condicionar por un colisionador o por uno de sus descendientes puede crear una asociación que no existía antes del condicionamiento. El error de medición puede distorsionar además las estimaciones de efectos causales incluso cuando el grafo causal cualitativo está correctamente especificado. Este artículo define el vocabulario de roles causales utilizado por INF, distingue observación de intervención y explica por qué la selección de variables para el ajuste debe seguir el contraste causal objetivo y no únicamente la asociación estadística. No pretende ofrecer un curso completo de inferencia causal. Su propósito es establecer la disciplina estructural necesaria antes de que artículos posteriores de INF traten el sesgo de selección, la fuerza de la evidencia, la generalización y la robustez.

INF-002 · Version / Versión 0.2.