Inferencia Causal con Datos Observacionales

Una guía práctica para estudios de salud y ciencias sociales

Autor/a

Edgar Muñoz, Stat, MSc Epi, BMDSc

Fecha de publicación

31 de diciembre de 2025

Prefacio

Inferencia Causal con Datos Observacionales

Este libro presenta los métodos modernos de inferencia causal aplicados a estudios observacionales en salud y ciencias sociales. El contenido se basa en mis notas sobre el tema a lo largo de varios proyectos en los ultimos años y más recientemente en las notas de preparación del material para un curso dictado en la Universidad ICESI, Cali, Colombia.

¿Para quién es este libro?

Este material está diseñado para:

Estudiantes de posgrado en epidemiología, bioestadística y salud pública
Investigadores que trabajan con datos observacionales
Profesionales interesados en métodos causales modernos

Prerrequisitos

Se asume conocimiento previo de:

Estadística básica (probabilidad, distribuciones, pruebas de hipótesis)
Regresión lineal y logística
Fundamentos de epidemiología
Programación básica en R

Estructura del libro

El libro está organizado en tres partes:

Fundamentos: Diagramas causales (DAGs), confusión y sesgo de selección
Métodos Avanzados: Variables instrumentales, supervivencia, sensibilidad y mediación
Aplicación: Caso práctico integrando los métodos del curso

Software

Los ejemplos de código utilizan R con los siguientes paquetes principales:

Código

# Paquetes principales
install.packages(c(
  "dagitty",     # DAGs
  "ggdag",       # Visualización de DAGs
  "MatchIt",     # Matching
  "WeightIt",    # Ponderación
  "survival",    # Análisis de supervivencia
  "mediation",   # Análisis de mediación
  "sensemakr",   # Análisis de sensibilidad
  "tidyverse"    # Manipulación de datos
))

Agradecimientos

Agradezco a la Universidad ICESI por la oportunidad de desarrollar este curso, y a los estudiantes cuyas preguntas y comentarios han mejorado este material.

Sobre el autor

Edgar Muñoz es biomedical data scientist, estadístico y epidemiólogo. Actualmente es data scientist en el University of Texas Health Science Center at San Antonio, con más de 25 años de experiencia en investigación en salud pública. Sus áreas de especialización incluyen la inferencia causal, la epidemiología espacial, los modelos multinivel, las disparidades en el cáncer y la inteligencia artificial aplicada a la salud.

Licencia

Este trabajo está bajo licencia Creative Commons Attribution-NonCommercial-ShareAlike 4.0.

# Prefacio {.unnumbered} Este libro presenta los métodos modernos de **inferencia causal** aplicados a estudios observacionales en salud y ciencias sociales. El contenido se basa en mis notas sobre el tema a lo largo de varios proyectos en los ultimos años y más recientemente en las notas de preparación del material para un curso dictado en la [Universidad ICESI](https://www.icesi.edu.co), Cali, Colombia. ## ¿Para quién es este libro? Este material está diseñado para: - Estudiantes de posgrado en epidemiología, bioestadística y salud pública - Investigadores que trabajan con datos observacionales - Profesionales interesados en métodos causales modernos ## Prerrequisitos Se asume conocimiento previo de: - Estadística básica (probabilidad, distribuciones, pruebas de hipótesis) - Regresión lineal y logística - Fundamentos de epidemiología - Programación básica en R ## Estructura del libro El libro está organizado en tres partes: 1. **Fundamentos**: Diagramas causales (DAGs), confusión y sesgo de selección 2. **Métodos Avanzados**: Variables instrumentales, supervivencia, sensibilidad y mediación 3. **Aplicación**: Caso práctico integrando los métodos del curso ## Software Los ejemplos de código utilizan R con los siguientes paquetes principales: ```{r} #| eval: false # Paquetes principales install.packages(c( "dagitty", # DAGs "ggdag", # Visualización de DAGs "MatchIt", # Matching "WeightIt", # Ponderación "survival", # Análisis de supervivencia "mediation", # Análisis de mediación "sensemakr", # Análisis de sensibilidad "tidyverse" # Manipulación de datos )) ``` ## Agradecimientos Agradezco a la Universidad ICESI por la oportunidad de desarrollar este curso, y a los estudiantes cuyas preguntas y comentarios han mejorado este material. ## Sobre el autor **Edgar Muñoz** es biomedical data scientist, estadístico y epidemiólogo. Actualmente es data scientist en el University of Texas Health Science Center at San Antonio, con más de 25 años de experiencia en investigación en salud pública. Sus áreas de especialización incluyen la inferencia causal, la epidemiología espacial, los modelos multinivel, las disparidades en el cáncer y la inteligencia artificial aplicada a la salud. - [ORCID](https://orcid.org/0000-0002-1555-8408) - [Google Scholar](https://scholar.google.com/citations?user=wUs-VToAAAAJ) - [Sitio web](https://edgarmunoz.co) ## Licencia Este trabajo está bajo licencia [Creative Commons Attribution-NonCommercial-ShareAlike 4.0](https://creativecommons.org/licenses/by-nc-sa/4.0/).