Ajustar por una segunda variable
La regresión múltiple como cura de la paradoja de Simpson: qué significa un coeficiente ajustado, y cuándo ajustar empeora las cosas.
- Leer un coeficiente de regresión múltiple como un efecto manteniendo las demás variables fijas
- Mostrar cómo una comparación sin ajustar se invierte al incluir una variable de agrupación
- Distinguir un confusor de un mediador y de un colisionador
- Explicar por qué ajustar por la variable equivocada crea sesgo en lugar de eliminarlo
Qué significa
La regresión múltiple ajusta un modelo con más de un predictor:
Cada coeficiente se lee con una cláusula adjunta: manteniendo fijos los demás predictores, un aumento de una unidad en se asocia con unidades de cambio en . Esa cláusula es todo el asunto. Incluir quita de la parte de la relación que podría atribuirse igualmente a .
Esta es la forma numérica del análisis por grupos de la lección de la paradoja de Simpson. Juntar sin ajustar produce el número confundido; ajustar produce el número dentro del grupo.
Qué aporta
Es la herramienta de trabajo de la estadística aplicada. Casi ninguna relación real es lo bastante limpia para leerse con una regresión de una sola variable, e informar un coeficiente sin ajustar es la manera en que los datos observacionales producen disparates con mucha seguridad.
También te da una forma de decir por qué controlaste, que es una frase mucho más útil que “encontramos una correlación”.
Ejemplo resuelto
Datos de tipo admisiones, dos programas y dos niveles de solicitante:
| Programa | Solicitantes fuertes | Admitidos | Solicitantes débiles | Admitidos |
|---|---|---|---|---|
| A | 20 | 18 | 80 | 24 |
| B | 90 | 72 | 10 | 2 |
Paso 1: comparación sin ajustar. Programa A: 42 admitidos de 100, es decir, el 42 %. Programa B: 74 de 100, es decir, el 74 %. B parece mucho más amable.
Paso 2: dentro de cada nivel. Entre los solicitantes fuertes, A admite al 90 % y B al 80 %. Entre los débiles, A admite al 30 % y B al 20 %. A es mejor en los dos.
Paso 3: el mecanismo. B recibió muchos más solicitantes fuertes (90 frente a 20), y los solicitantes fuertes son admitidos a una tasa mayor en todas partes. La tasa conjunta de B es alta por quién se presentó, no por cómo se le trató.
Paso 4: ajusta. Haz una regresión de la admisión sobre el programa y el nivel del solicitante. El coeficiente del programa mide ahora la diferencia entre solicitantes de igual nivel: cambia de signo y favorece a A.
import pandas as pd
import statsmodels.formula.api as smf
df = pd.DataFrame({
'programme': ['A']*100 + ['B']*100,
'strength': ['strong']*20 + ['weak']*80 + ['strong']*90 + ['weak']*10,
'admitted': [1]*18 + [0]*2 + [1]*24 + [0]*56 + [1]*72 + [0]*18 + [1]*2 + [0]*8,
})
# Sin ajustar: solo el programa
print(smf.logit('admitted ~ C(programme)', df).fit().params)
# Ajustado: mismos datos, controlando por la fortaleza del solicitante
print(smf.logit('admitted ~ C(programme) + C(strength)', df).fit().params)El coeficiente del programa pasa de claramente positivo para B a negativo. Las mismas filas, la misma aritmética; solo cambió la pregunta.
Confusor, mediador, colisionador
- Un confusor afecta tanto al predictor como al resultado. Ajustar por él es lo correcto: el nivel del solicitante en el ejemplo anterior.
- Un mediador está en el camino entre el predictor y el resultado (tratamiento → recuperación → supervivencia). Ajustar por él elimina parte del efecto mismo que estás midiendo, así que normalmente es un error.
- Un colisionador es causado por ambos (dos síntomas causados por la misma enfermedad). Ajustar por él puede crear una asociación que no existe.
La distinción es estructural, y no puede leerse en los datos. Exige saber qué causa qué.
🧩 Reto: piensa primero y luego revela
Un estudio encuentra que, entre los pacientes hospitalizados, los que hacían más ejercicio tenían peores resultados. ¿Deberías concluir que el ejercicio es perjudicial?
💡 Respuesta: No. La hospitalización es aquí un colisionador: tanto una enfermedad grave como el ejercicio pueden llevar a ella. Condicionar por el ingreso hospitalario selecciona un grupo en el que las dos variables se asocian en la dirección opuesta a la realidad. El análisis ha ajustado por la variable equivocada por el mero acto de seleccionar la muestra.
Cuándo usarlo
- Comparar grupos que difieren de una manera medible por la que puedes controlar.
- Informar de un efecto que un lector llamaría confundido de otro modo.
- Comprobar si un hallazgo sin ajustar sobrevive al ajuste; si el coeficiente se mueve mucho, la cifra sin ajustar estaba midiendo otra cosa.
Limitaciones
- Solo ajusta por lo que mediste. La confusión no medida permanece, y suele ser la amenaza dominante en el trabajo observacional.
- Ajustar por un mediador o un colisionador añade sesgo en lugar de quitarlo.
- La colinealidad entre predictores vuelve los coeficientes inestables y difíciles de interpretar por separado.
- La forma funcional importa. Ajustar rectas cuando la relación se dobla informa mal todos los coeficientes.
- Un coeficiente ajustado sigue sin ser un efecto causal salvo que el diseño lo justifique.
Errores frecuentes
- Ajustar por todo lo que tienes. Más covariables no es más rigor; cada una necesita una justificación.
- Leer un coeficiente sin su cláusula “manteniendo el resto fijo”.
- Quitar una variable porque no es significativa, lo que puede sesgar las demás.
- Informar solo el modelo ajustado, ocultando cuánto movió el ajuste la respuesta.
🧩 Retos
🧩 Reto: piensa primero y luego revela
El coeficiente sin ajustar de un programa de formación es +4 puntos. Después de ajustar por la capacidad previa es +1. ¿Cuáles son las dos lecturas posibles, y cómo las distinguirías?
💡 Respuesta: O el beneficio aparente del programa era sobre todo selección (se inscribieron personas más capaces, y su capacidad llevaba los 4 puntos), o la capacidad previa es un mediador que el programa mejora. Distínguelas preguntando si la capacidad previa se midió antes de que empezara el programa. Si era previa, es un confusor y +1 es la estimación honesta; si se midió después, puede estar en el camino causal y el ajuste elimina efecto real.
🤔 Preguntas socráticas
- ¿Por qué el coeficiente ajustado elimina un confusor pero no un mediador?
- Si ajustar cambia un coeficiente de +4 a +1, ¿qué número informarías?
- ¿Pueden dos predictores estar tan correlacionados que ningún coeficiente sea interpretable? ¿Qué mirarías?
- ¿Por qué seleccionar la muestra puede equivaler a ajustar por una variable?
✅ Comprobación rápida
1. ¿Cómo se lee un coeficiente en una regresión múltiple?
2. ¿Por qué variable deberías ajustar?