Todas las guías de opciones
Diseña una comparación justa antes de estimar efectos18 min de lectura
Puntuación de propensión, emparejamiento y solapamiento
Descubre qué equilibra la puntuación de propensión, por qué importan la intercambiabilidad y el soporte común, y cómo el emparejamiento cambia la población estudiada.
Preparado por Mark · Fuentes principales al final
Respuesta directa
La puntuación de propensión es la probabilidad de recibir un tratamiento dadas las covariables observadas antes de él. Emparejar o ponderar con esa puntuación puede hacer comparables esas características entre grupos. No equilibra confusores ocultos, no repara la falta de soporte común ni convierte datos observacionales en un experimento aleatorio. Un análisis creíble define primero el estimando, diseña sin mirar el resultado y examina balance, pesos extremos y cambios en la población tras recortar observaciones.
El tratamiento observacional empieza con selección
Empresas e inversores rara vez adoptan una política al azar. Tamaño, riesgo, gobierno, liquidez y crecimiento esperado pueden determinar tanto la adopción como el resultado.
La diferencia bruta mezcla el efecto con desigualdades previas. Una regresión tampoco resuelve la identificación si sus supuestos no son defendibles.
La primera pregunta es qué unidades podrían haber recibido cualquiera de los dos estados y qué información previa explica la decisión.
La puntuación comprime covariables observadas
Para covariables X, e(X) es la probabilidad de tratamiento condicionada a X. Unidades con igual puntuación deberían tener distribuciones similares de X medida.
Esta propiedad reduce una comparación multidimensional a un número, pero solo cubre variables previas incluidas. Predecir perfectamente el tratamiento no es el objetivo.
El modelo debe reflejar el proceso de decisión y el conocimiento sustantivo. Variables posteriores o colisionadores pueden crear sesgo.
La ausencia de confusión conecta con causalidad
La intercambiabilidad condicional exige que, dadas las covariables observadas, el tratamiento sea independiente de los resultados potenciales comparados.
No puede comprobarse solo con la muestra emparejada. Información privada, capacidad directiva o planes de financiación aún pueden mover tratamiento y rendimiento.
El emparejamiento es una herramienta de diseño, no un certificado causal. Contexto institucional, controles negativos y sensibilidad al sesgo oculto deben acompañarlo.
El solapamiento decide quién es comparable
La positividad exige una probabilidad real de ambos tratamientos para cada perfil relevante. Puntuaciones cercanas a cero o uno revelan poco soporte común.
Ningún modelo inventa un equivalente no tratado fuera del soporte. Allí la conclusión depende de extrapolación funcional, no de evidencia directa.
Calibres, recorte y pesos de solapamiento pueden estabilizar, pero cambian la población objetivo. Hay que nombrar el nuevo estimando.
Emparejar y ponderar responden preguntas distintas
Vecino más cercano o calibre construyen una muestra comparativa; la estratificación compara bandas y la ponderación inversa crea una pseudopoblación.
Los pesos del efecto medio poblacional difieren de los del efecto sobre tratados. Los pesos de solapamiento enfatizan decisiones más inciertas.
Reutilizar controles, descartar tratados y estimar la puntuación cambian sesgo, varianza e interpretación, y deben incorporarse a la inferencia.
El balance es el diagnóstico principal
Tras ajustar, compara diferencias medias estandarizadas y distribuciones. Un AUC alto del modelo de tratamiento no demuestra buen balance.
Examina distribución de puntuaciones, unidades sin pareja, tamaño efectivo y pesos máximos. Unas pocas observaciones pueden dominar el cálculo.
Mantén oculto el resultado mientras afinas el diseño. Cambiar reglas después de verlo convierte el diseño en búsqueda de especificaciones.
Las finanzas necesitan una historia de selección
Para estudiar una política de divulgación, podrían compararse adoptantes con empresas similares en tamaño, volatilidad, propiedad y liquidez previa.
El método falla si un plan de financiación no medido provoca adopción y mejora de liquidez. La cronología decisoria importa más que una lista larga de variables.
Informa fecha, periodo previo, variables, soporte, balance, estimando, pesos, exclusiones, incertidumbre y sensibilidad a confusión oculta.
Lee el resultado como comparación diseñada
El resultado más sólido no usa necesariamente toda la muestra, sino una población donde existen contrapartes creíbles.
Separa el logro observable —mejor balance medido— de la afirmación no verificable de que no queda confusión importante.
Si el efecto cambia mucho con calibres, recortes o escenarios razonables de sesgo oculto, esa incertidumbre de diseño pertenece a la conclusión.
Preguntas frecuentes
¿El emparejamiento vuelve aleatorio un estudio observacional?
No. Mejora la comparabilidad en variables previas medidas, pero puede quedar confusión oculta.
¿Debe el modelo predecir el tratamiento con máxima precisión?
No. Su objetivo es el balance para el estimando elegido, no clasificar correctamente.
¿Qué significa poco solapamiento?
Que algunos tratados carecen de contrapartes no tratadas creíbles y requieren extrapolar o reducir la población objetivo.
¿Recortar puntuaciones extremas no tiene coste?
Sí lo tiene. Puede estabilizar la estimación, pero cambia la población que describe.
Fuentes
Aplique esta idea a una opción
Elija un contrato y un objetivo para mantener visibles los supuestos de precio, tiempo y volatilidad en un mismo análisis
Analizar mi opción en inglés