Análisis del modelo de Double Machine Learning (Defensa de Monografía)

Resumen: Aunque los algoritmos modernos de Machine Learning (ML) han demostrado una enorme capacidad predictiva para identificar patrones complejos en grandes volúmenes de datos, resultan insuficientes para la toma de decisiones estratégicas. Observar que una variable se mueve junto a otra no demuestra que una sea la causa directa de la otra. Por ejemplo, si una campaña de marketing coincide con un aumento masivo de ventas en temporada alta, ¿cómo sabemos cuánto de ese éxito se debe realmente a la intervención publicitaria y cuánto a la simple estacionalidad?  

Ante la presencia de múltiples variables de confusión, el uso directo de algoritmos predictivos complejos introduce sesgos graves (como la regularización y el sobreajuste) que invalidan las herramientas clásicas de inferencia. Por lo tanto, surge una pregunta fundamental: ¿Cómo podemos combinar la inmensa flexibilidad algorítmica del ML con la interpretabilidad y el rigor de la estadística clásica para aislar efectos causales puros y responder a escenarios de "qué pasaría si"?  

Para responder a este problema, los contenidos que tratamos se dividen en:

1. Introducción a la inferencia causal: Son los fundamentos que nos van a ayudar a modelar estos problemas.  

2. Double Machine Learning (DML): Es la técnica que combina lo mejor de estos dos mundos.  

3. Aplicación empírica en la NBA: Presentamos un análisis aplicado a una base de datos real de la NBA sobre cómo la técnica de catch and shoot afecta en el tiro.