La economía en tanto ciencia ha tenido siempre la limitación de no poder realizar experimentos en la medida en que no podemos manipular y no manipular a un mismo individuo al mismo tiempo, es decir, no podemos ver el contrafactual, por tanto, siempre que tratamos de encontrar una causalidad entre dos variables hablamos de grupos, la medida central más utilizada para representar el valor estimado de estos grupos es la media, el problema surge al intentar aislar nuestra variable independientes de otras variables confusoras, un enfoque popularizado en economía principalmente por (Banerjee, Duflo, & Kremer, 2016) se basa en el uso de pruebas controladas aleatorias (“Random Control Trials”) y se considera el tipo ideal de experimento diseñado para probar la causalidad, mediante el cual un grupo de individuos se divide aleatoriamente en un grupo de tratamiento, que recibe el tratamiento de interés, y un grupo de control, que no lo recibe, no obstante, los datos provenientes de RCT no siempre están disponibles cuando es necesario responder preguntas empíricas importantes, estos son sumamente costosos y llevan consigo problemas éticos y de diseño estadístico (Cook & Thigpen, 2019).
Normalmente, lo que investigador tiene son datos observacionales, datos generados a partir del comportamiento individual observado en el mundo real. Estos tienen mayor dificultad a la hora de demostrar causalidad, pues es difícil aislar otros factores que determinan nuestra variable explicada (Gruber, 2005).
En conclusión, los experimentos en su sentido más puro no son realizables en economía, por lo que nos queda trabajar ya sea con experimentos controlados (RCT) o con datos observacionales, tanto los experimentos aleatorios como el análisis de los datos observacionales conllevan sus riesgos y beneficios, por el lado de los experimentos aleatorios, tenemos el problema de la validez externa, los problemas éticos y el alto costo económico que conlleva realizar este tipo de pruebas, por otro lado, en el caso de los datos observacionales, tenemos el problema del sesgo por factor de confusión y de validez interna, por tanto, la preferencia por el abordaje de un diseño sobre el otro dependerá del tipo de investigación a realizar. En ambos casos, siempre se requerirá analizar y validar ciertos supuestos para obtener resultados significativos.
