El profesor «Cuarentena» afirma haber salvado 3.1 millones de vidas

0
33

El problema de la inferencia causal presenta uno de los mayores desafíos del análisis empírico. Si bien es relativamente fácil encontrar patrones en los datos que, con el tiempo, aparentan moverse en respuesta a acontecimientos que se traslapan, es mucho más difícil mostrar que esos acontecimientos en específico causaron que los datos se movieran como se esperaba.

Piense acerca de qué tan a menudo los presidentes citan datos económicos positivos, como el crecimiento del PIB o el mercado de valores, como reivindicación de sus políticas económicas propias. Antes de principios de marzo del 2020, ese era el tópico favorito de los tuits de Donald Trump, aunque casi todos sus predecesores hicieron argumentos similares. Si bien esta argumentación sirve como un mensaje de campaña útil, es ciencia social pobre y nunca pasaría el escrutinio empírico. Para resolver el problema de inferencia causal, los científicos sociales usualmente enlistan herramientas estadísticas sofisticadas, que están diseñadas para aislar los efectos de un acontecimiento conocido sobre una tendencia o patrón de datos, al compararlo con una hipótesis de contraste no afectada o independiente. Sin un examen riguroso y buenos datos, ellos pueden inferir causalidad por comparación con experimentos naturales, que usualmente involucran eliminar una serie de explicaciones alternativas.

Para usar un ejemplo concreto, considere la cuestión vigente acerca de la efectividad de las políticas de cuarentena por el COVID-19, utilizadas en varios estados de Estados Unidos, así como en otros países. Una prueba de inferencia causal de las cuarentenas requeriría de una clara evidencia de resultados diferentes, entre estados que adoptaron reglas de quedarse en casa y estados que no lo hicieron. Dada la multitud compleja de variables de confusión [Nota del traductor: según el Manual de Estadísticas Biológica, “Una variable de confusión es una variable distinta de la variable independiente en la que usted está interesado, que puede afectar la variable dependiente. Esto puede conducir a conclusiones erradas acerca de la relación entre las variables independientes y variables dependientes] que afectan la transmisión del COVID-19 y las tasas de mortalidad, no es tarea fácil aislar la causalidad de las políticas de cuarentena.

Eso nos lleva a un nuevo reporte publicado en la revista Nature por el equipo epidemiológico del Imperial College-London (ICL), que incluye a Neil Ferguson, de cierta fama. Ese es el mismo centro de investigación epidemiológica cuyo modelo de simulación basado en agentes convenció a los gobiernos estadounidense y británico que cambiaran hacia una estrategia de cuarentena.

El estudio se propone demostrar “que intervenciones no farmacéuticas importantes y la cuarentena, en particular, han tenido un efecto importante en reducir la transmisión” del virus COVID-19. El artículo y un comunicado de prensa de la universidad que le acompaña le pone cifras a este alegato, aseverando que las cuarentenas salvaron un estimado de 3.1 millones de vidas en Europa.

Aunque esta aseveración se apropió de los encabezados en los medios, muy posiblemente será tratada como una reivindicación del enfoque de cuarentena, por parte de sus defensores políticos, una mirada más profunda al análisis sugiere que el equipo del Imperial College llegó a esa conclusión sin ofrecer una estrategia de inferencia causal viable. Como lo describen en su artículo, “Mediante la comparación de las muertes predichas bajo el modelo sin intervención, con las muertes predichas en nuestro modelo con intervención, hemos calculado las muertes totales evitadas en nuestro período de estudio.”

Puesto de otra manera, los epidemiólogos arribaron a sus estimaciones tomando la diferencia entre las muertes observadas y su propia simulación basada en agentes de las intervenciones del COVID-19, que incluye las cuarentenas. Luego, describen la diferencia como si eso demostrara la validez de su propio modelo de simulación, a pesar de que no brindan evidencia de que su simulación original era correcta.

El cuadro 1 del estudio citado muestra este ejercicio básico de aritmética a través de 11 distintos países europeos.

El problema con este enfoque es que intentan derivar causalidad, al atribuir las cifras observadas de muertes con la efectividad de las cuarentenas, que luego alegan demostrarlo por medio de nada más que una apelación a la auto referencia a su propio modelo de simulación, como hipótesis de contraste de “no intervención.”

Si esa línea de argumentación le suena familiar, es porque Donald Trump actúa con mayor rapidez que el equipo del Imperial College. Citando al ahora infame reporte del 16 de marzo del ICL, de Neil Ferguson del ICL, ahora el presidente de Estados Unidos alega con regularidad la reivindicación de su propio apoyo a las cuarentenas, con base en la diferencia entre sus muertes proyectadas de más de 2 millones y la actual medición, al momento de escribir esto, de apenas más de 100.000.

Como dijo Trump en un tuit el 26 de mayo,

“Para todos los destructores políticos allí afuera, si yo no hubiera hecho bien mi trabajo, & tempranamente, habríamos perdido entre 1 y 1-2 y 2 Millones de Personas, en contraste con los poco más de 100.000 que parece que será el número.”

Ya sea que la use el Imperial College o Trump, esta línea de argumentación falla como ciencia social, pues asume la validez de la propia predicción que se propone demostrar. En vez de comprobar la inferencia causal de que las cuarentenas redujeron la tasa de muerte del COVID-19, toman su propia tasa de muerte predicha como dada y, luego, se propone calcular el número de vidas salvadas mediante una simple substracción de su propio modelo.

Ese enfoque sólo funciona si uno empieza del supuesto de que el modelo de “no intervención” del Imperial College, es axiomáticamente cierto. En esencia, el nuevo artículo sólo reconoce ese tanto al hacer ver que “el modelo de hipótesis de contraste sin intervenciones es tan sólo ilustrativo y refleja los supuestos de nuestro modelo.” En vez de estudiar más esta aparentemente crucial aseveración, para no mencionar sujetarlo al examen empírico, los autores se satisfacen con un ejercicio de saludo a la bandera, que simplemente declara: “Dado este acuerdo en diferentes escenarios, creemos que son plausibles nuestras estimaciones de las muertes bajo la hipótesis de contraste.”

Esta conclusión es considerada insostenible por las muchas fallas ya documentadas del modelo original del ICL. Ese modelo falló al no tomar en cuenta en sus resultados los efectos de modificación del comportamiento humano. Negó correr factores para medir la solidez de sus propios supuestos acerca de la efectividad de las cuarentenas. Ello resultó en proyecciones de muertes absurdamente irreales cuando se aplicaron a Suecia, la que evitó las cuarentenas y escogió una política de toque más suave. E incluso, hay evidencia de que el modelo del ICL no tiene los medios para tomar en cuenta las transmisiones de la enfermedad en los hogares de ancianos  ̶ el mayor factor individual de muertes relacionadas con el COVID.

Estos y otros hallazgos brindan varias razones para dudar del principal mecanismo causal del modelo del ICL, que liga a las cuarentenas con alegatos sustanciales de reducción de las muertes por el COVID.

El resultado no es un ejercicio válido en el análisis científico social, ni siquiera es una prueba empírica robusta del desempeño del modelo del ICL. Como el tuit de Trump tanto acerca de la economía antes de marzo del 2020 y su propio alegato de reducción de muertes por el COVID después de las cuarentenas, es un ejercicio en astrología estadística.

Sin embargo, tristemente, a diferencia de los tuits de Trump, el ICL logró convencer a Nature, una revista reconocida en la profesión, para que publicara estas alegaciones sin fundamento.

Phillip Magness es investigador sénior en el American Institute for Economic Research. Es autor de numerosos trabajos acerca de historia económica, impuestos, desigualdad económica, la historia de la esclavitud y la política educativa en los Estados Unidos.


Traducción por Jorge Corrales.

Author profile
Phil Magness

es investigador sénior en el American Institute for Economic Research. Es autor de numerosos trabajos acerca de historia económica, impuestos, desigualdad económica, la historia de la esclavitud y la política educativa en los Estados Unidos.

Leave a reply

Ir a la barra de herramientas