Glosario IA
El diccionario completo de la Inteligencia Artificial
Inferencia Causal en Series Temporales
Disciplina estadística que tiene como objetivo identificar y cuantificar las relaciones de causa y efecto entre variables que evolucionan en el tiempo, distinguiendo correlación de causalidad. Combina métodos econométricos y de aprendizaje automático para analizar las dependencias temporales y los efectos retardados.
Grafo Causal Dinámico
Representación gráfica de las relaciones causales que evolucionan en el tiempo, donde los nodos corresponden a variables en diferentes instantes y las aristas indican las influencias causales temporales. Esta estructura permite visualizar y analizar los mecanismos causales con retrasos y los bucles de retroalimentación.
Modelo VAR Causal
Extensión de los modelos Vector Autoregressive que integra restricciones estructurales basadas en hipótesis causales para identificar los choques económicos y sus efectos de propagación. Estos modelos permiten distinguir los choques exógenos de los movimientos endógenos en las series temporales multivariadas.
Función de Respuesta Impulsional Causal
Herramienta analítica que mide el efecto temporal de un choque causal unitario sobre una variable de interés, controlando otras influencias en el sistema. Cuantifica la dinámica y persistencia de los efectos causales en diferentes horizontes temporales.
Prueba de Causalidad Temporal
Procedimiento estadístico formal para evaluar la presencia de relaciones causales entre series temporales, incluyendo las pruebas de Granger, de Sims y los enfoques bayesianos modernos. Estas pruebas permiten validar o rechazar hipótesis sobre la existencia y dirección de los efectos causales.
Contrafactual Temporal
Escenario hipotético que describe lo que habría ocurrido si una intervención causal hubiera tenido lugar en un momento específico en el pasado, en ausencia de esta intervención. El análisis contrafactual en series temporales permite estimar cuantitativamente el impacto de políticas o eventos específicos.
Descomposición de la Varianza Causal
Método que analiza la proporción de la varianza del error de predicción de una variable atribuible a los choques causales de otras variables en el sistema. Cuantifica la importancia relativa de los diferentes canales de transmisión causal en diferentes horizontes temporales.
Variable Instrumental Temporal
Variable retardada exógena utilizada para identificar los efectos causales en presencia de factores de confusión en las series temporales, satisfaciendo las condiciones de relevancia y exclusión. Este enfoque permite superar los sesgos de endogeneidad en la estimación de las relaciones causales dinámicas.
Mecanismo de Transmisión Causal
Descripción detallada del proceso por el cual una causa produce su efecto a través del tiempo, incluyendo las variables mediadoras y los retrasos de propagación. La identificación de los mecanismos permite entender cómo y cuándo se manifiestan los efectos causales en las series temporales.
Heterogeneidad de los Efectos Causales Temporales
Fenómeno donde los efectos causales varían según el momento de la intervención o el estado del sistema, necesitando modelos flexibles para capturar estas dinámicas no estacionarias. Esta heterogeneidad puede reflejar cambios estructurales o dependencias del contexto temporal.
Inferencia Causal de Alta Frecuencia
Aplicación de métodos causales a datos observados en intervalos muy cortos, planteando desafíos específicos de microestructura y ruido de medición. Estos enfoques permiten capturar los mecanismos causales casi instantáneos en los mercados financieros o sistemas físicos.
Causalidad No Lineal Temporal
Extensión de las pruebas de causalidad a sistemas donde las relaciones entre variables siguen dinámicas no lineales, necesitando enfoques basados en kernels, redes neuronales o métodos de entropía. Estos métodos detectan dependencias causales complejas invisibles para los enfoques lineales tradicionales.
Punto de Cambio Causal
Momento en el tiempo donde la estructura de las relaciones causales entre variables cambia significativamente, necesitando detección y modelado adaptativo. La identificación de estos puntos es crucial para entender las transiciones de régimen y las rupturas estructurales.
Síntesis Causal Temporal
Método de aprendizaje automático que genera contrafactuales realistas para series temporales, respetando las restricciones causales y las dependencias temporales. Este enfoque permite simular escenarios alternativos y evaluar los impactos de intervenciones pasadas o futuras.