Una cadena causal es una secuencia ordenada de eventos en la que cualquier evento de la cadena causa el siguiente. Algunos filósofos creen que la causalidad relaciona hechos, no eventos, en cuyo caso el significado se ajusta en consecuencia.

Algunos filósofos creen que la causalidad puede no existir si el determinismo es verdadero, ya que la causalidad es simplemente la observación de que un evento precede a otro, o que existe un patrón a lo largo del espacio-tiempo en el que los eventos de un tipo similar tienden a correlacionarse con eventos de otro tipo similar (es decir, la distribución de masa-energía en el espacio-tiempo tiene un "patrón" teórico de la información en el que los accidentes automovilísticos tienden a correlacionarse con lesiones, por ejemplo).

¿Qué es el análisis de la cadena causal?

El análisis de la cadena causal (CCA), a menudo también llamado Análisis de la causa raíz (RCA), está estrechamente relacionado con el pensamiento sistémico y el enfoque DPSIR.

En su forma más básica, una cadena causal es una secuencia ordenada de eventos que vinculan las causas de un problema con sus efectos. Cada eslabón de la cadena causal se crea respondiendo repetidamente a la pregunta ¿Por qué?

CCA se basa en la creencia de que los problemas se resuelven mejor intentando abordar, corregir o eliminar las causas fundamentales, en lugar de simplemente abordar los síntomas inmediatamente obvios. Al dirigir las medidas correctivas a las causas fundamentales, es más probable que se prevenga una recurrencia del problema. Sin embargo, se reconoce que no siempre es posible la prevención completa de la recurrencia mediante una acción correctiva.

¿Cómo se realiza un análisis de cadena causal?

Una cadena causal es el camino de la influencia que va desde la causa raíz hasta los síntomas del problema. Cada eslabón de la cadena representa algo del mundo real. En un extremo de la cadena está la causa raíz. En el otro extremo están los síntomas que causa. Los numerosos vínculos entre los dos extremos son las causas intermedias.

Esta es la cadena causal de solución presente en todos los problemas. Los enfoques populares para resolver el problema de la sostenibilidad solo ven lo que está por encima de la línea discontinua. Si está trabajando en un problema difícil, tiene una visión superficial del problema. Todo lo que puedes ver es lo que es obvio: las flechas negras. Esto lleva a la trampa de las soluciones superficiales de usar soluciones superficiales para presionar sobre los puntos de apalancamiento bajos con el fin de resolver las causas intermedias del problema.

Las soluciones populares son superficiales porque no logran ver por debajo de la línea discontinua en la capa fundamental, donde la cadena causal completa se dirige a las causas fundamentales. Es una trampa fácil en la que caer porque intuitivamente parece que las soluciones populares como la energía renovable, regulaciones estrictas, conservación, reciclaje, etc., deberían resolver el problema de la sostenibilidad. Pero no pueden, porque no resuelven las causas fundamentales.

Implementando el principio

La forma más rápida de implementar este principio es desarrollar la capacidad de ver cadenas causales en todas partes. Cada vez que ocurre algo interesante, pregúntese: ¿Por qué ocurrió eso? ¿Cuál fue la causa raíz? Siga la cadena causal sin descanso hasta llegar a la causa raíz.

No pasará mucho tiempo antes de que te preguntes "¿Cuál es la causa raíz?" pregunta sobre el problema de la sostenibilidad o cualquier problema importante en el que esté trabajando.

Lo importante es visualizar siempre una cadena causal que va desde los síntomas hasta las causas fundamentales. No dirija sus soluciones a las causas intermedias, ya que serán soluciones superficiales que no pueden resolver el problema porque no resuelven las causas raíz.

Al extender una cadena causal hasta la solución de un problema, llegamos a una cadena de solución. Una cadena de soluciones es el camino de la influencia que va desde las soluciones hasta los síntomas del problema. En su análisis, primero encuentra la cadena causal de un problema. Eso te da la causa raíz. Trabajando hacia atrás desde eso, entonces encuentras la cadena de soluciones.

Antecedentes

En Frydenberg (1990), Verma y Pearl (1991) y Spirtes, Glymour y Scheines (2000 (1993)), el hecho de que los datos empíricos a menudo subdeterminan considerablemente las inferencias causales, especialmente cuando se trata de inferencias de estructuras causales complejas. Se ha convertido en un problema ampliamente reconocido e investigado en la literatura sobre el razonamiento causal (algorítmico). Todos estos estudios avalan un marco teórico según el cual las estructuras causales pueden analizarse en términos de redes bayesianas.

Los algoritmos diseñados para descubrir redes bayesianas causales (en adelante, algoritmos BN, para abreviar) analizan datos de entrada probabilísticos, es decir, distribuciones de probabilidad que se adquieren, por ejemplo, a partir de distribuciones de frecuencia. El mapeo de estructuras causales a distribuciones de probabilidad no es generalmente inequívoco. En muchos casos, los algoritmos BN asignan más de una estructura causal a una distribución de probabilidad.

Tales ambigüedades normalmente no se consideran particularmente sorprendentes o preocupantes en la literatura, ya que, claramente, las inferencias causales autorizadas por los datos empíricos correspondientes dependen de manera crucial de la calidad de estos últimos, que en el caso de los datos probabilísticos, como es bien sabido, puede ser negativamente afectados por muchos factores. Por ejemplo, las distribuciones de frecuencia pueden presentar una cantidad considerable de ruido de confusión.

Ambiguedades en la cadena causal

Si las ambigüedades en el razonamiento causal pueden atribuirse, al menos parcialmente, al ruido de confusión en los datos, la relación de ambigüedad de una distribución de frecuencia particular puede entenderse simplemente como un indicador de qué tan cerca de la configuración detrás de un estudio correspondiente ha llegado a un ruido ideal -instalación gratuita.

Mapeo de la cadena causal

Aspectos de recopilación de datos

El mapeo de la cadena causal es una técnica para ayudar a los investigadores a comprender mejor las causas situacionales (por ejemplo, el modo de administración de la medicación), ambientales (por ejemplo, la prevalencia de enfermedades) y psicológicas (por ejemplo, emociones, valores, creencias) del cumplimiento médico. Como tal, requiere que los investigadores recopilen información sobre una amplia gama de aspectos de la situación del tratamiento.

Estos datos se pueden recopilar a través de una variedad de métodos, que van desde respuestas estándar a cuestionarios hasta técnicas en profundidad y proyectivas. Para ser más destacados, los procedimientos de recopilación de datos deben referirse explícitamente a circunstancias particulares, como la visita al médico o el proceso de MDA, así como a las características personales del individuo.

Aspectos de análisis

Un mapa de la cadena causal es el producto final de varias etapas de análisis. La primera etapa incluye el análisis de los datos primarios, como el análisis cuantitativo de un cuestionario o la identificación de temas y patrones en datos cualitativos. Framework es un método de desarrollo de matrices para ordenar, sintetizar y analizar los datos (Ritchie et al. 2003). El marco requiere que el investigador organice los temas emergentes de los datos individualizados en una matriz detallada que proporcione una oportunidad para el análisis por tema (verticalmente) o por individuo (horizontalmente) (Ritchie et al. 2003).

Las características personales descritas en los mapas [edad, género, educación y entorno de vida (rural / urbano)] surgieron de las hipótesis de lo que pudo haber influido en el cumplimiento del tratamiento de LF. Los rasgos psicológicos incluidos deben reflejar preferiblemente los constructos teóricos de algunos enfoques psicológicos de salud estándar (Michie et al. 2005) para dar al método consistencia interna y comparabilidad con otros estudios.

Referencias Bibliográficas

Baumgartner, Michael: Complex Causal Structures. Extensions of a Regularity Theory of Causation, Ph. D thesis, University of Bern 2006.

Glymour, Clark: A Review of Recent Work on the Foundations of Causal Inference, in: McKim, Vaughn R. and Turner, Stephen P., editors: Causality in Crisis? Notre Dame: University of Notre Dame Press 1997, 201–248.

Salmon, Wesley: Causality Without Counterfactuals, Philosophy of Science 61 (1994), 297–312.

Cadena Causal

Cadena Causal

Abrir chat
1
Bienvenida(o) a Online-Tesis
Nuestros expertos estarán encantados de ayudarte con tu investigación ¡Contáctanos!.