Exclusión de explicaciones alternativas de las relaciones funcionales

Como hemos visto en varios ejemplos anteriores, dos variables pueden mostrar una covariación significativa y una variable preceder a la otra, no porque se dé relación causal entre ellas, sino porque ambas dependen de una tercera variable. Por otra parte, dos variables pueden parecer causalmente relacionadas aun cuando no lo estén, como aparece en la figura 4.2 (véase más adelante). En dicha figura, Y₁ covaría con, y precede a, Y₂. Si el clínico evalúa solamente Y₁ e

Y₂, pero no la variable X, podría inferir erróneamente que Y₁ se relaciona causalmente con Y₂ cuando, de hecho, su aparente relación causal se debe a los efectos de una tercera variable. Obsérvese la diferente latencia causal de X con

Y₁ e Y₂. Como ejemplo clínico puede servir el que se ha referido antes, en el que los problemas laborales producen, tanto consumo de alcohol como autolesiones, pero en el que el consumo de alcohol se produce cuando se va de camino desde el trabajo a casa, y las lesiones no se producen hasta que se ha llegado al hogar. Tal como se representa en la figura 4.2B, por ejemplo, X₁ equivaldría a los problemas laborales; Y_1, al consumo de alcohol; e Y₂, a las auto-lesiones.

La inferencia errónea de que existe relación causal entre dos variables es especialmente probable en tres condiciones: a) cuando la influencia de la causa,

X, se da mucho antes sobre un problema que sobre el otro (antes sobre Y₁ que sobre Y₂, lo que da lugar a una precedencia temporal manifiesta del primer problema sobre el segundo); b) cuando los clínicos no pueden evaluar la variable causal X (es decir, cuando ésta es hipotética, algo que se relaciona con la validez de contenido del modelo y del diagrama causal, discutida en el capítulo 3), y c), cuando la relación funcional observada entre los problemas, Y₁ e Y₂, coincide con las creencias previas del clínico.

Figura 4.2.—Tres formas en que dos problemas (Y₁ e Y₂) pueden presentar precedencia temporal y covariación en ausencia de relación casual. En todos los casos la latencia del efecto casual difiere en los dos problemas, lo que produce precedencia temporal de uno con respecto al otro (para interpretar los símbolos utilizados —flechas, círculos, cuadrados—, recuérdese la descripción que de los mismos se ha dado en el capítulo 2). Las diferencias en la latencia causal tiene importantes implicaciones sobre las estrategias de evaluación destinadas a desarrollar un análisis funcional: al examinar una posible relación causal entre dos problemas, el clínico debe considerar la posibilidad de que la covariación observada se deba a los efectos de una tercera variable (o más de una, como en el diagrama C de la figura 4.2). El clínico debe evaluar posibles terceras variables, además de las dos principales en entredicho (el problema y su supuesta causa).

La exclusión de explicaciones alternativas de una relación causal supuesta puede ser el requisito más difícil de cumplir al realizar inferencias causales, ya que puede haber muchas explicaciones alternativas posibles. Esta exclusión requiere haber evaluado cuidadosamente múltiples hipótesis causales, muy bien pensadas y con un firme apoyo en los datos, de entre múltiples variables potencialmente causales, así como una cuidadosa evaluación de dichas variables, 117

evaluación que, además, ha de hacerse siguiendo una secuencia temporal escrupulosamente definida. La mayoría de las hipótesis causales en un análisis funcional son susceptibles de muchas explicaciones alternativas y es imposible, dentro del contexto clínico, atender a todas ellas. Esto pone claramente de manifiesto lo que antes decíamos: que el análisis funcional de un paciente siempre está constituido por juicios subjetivos del clínico, aun cuando se base en los mejores datos que se podían reunir.

La mejor prueba de una relación causal se encuentra, en última instancia, en la observación de los efectos de la manipulación sistemática de la supuesta variable causal (véase el capítulo 9, para una descripción de los análisis funcionales experimentales), bien durante la evaluación pretratamiento, bien durante el tratamiento propiamente dicho. Si X₁ es una variable causal de Y₁, la manipulación sistemática de X₁ (el cambio sistemático de su ocurrencia, magnitud o duración) debe ir seguida de cambios en Y₁ de una manera congruente con la supuesta relación causal.

Sin embargo, el mismo problema señalado antes vale también aquí: los efectos sistemáticos de la manipulación de X₁ observados sobre Y₁ serán indicativos de una relación causal sólo si controlamos o tenemos en cuenta otras explicaciones alternativas que también podrían producirlos. Hay muchos ejemplos en psicopatología en los que las relaciones causales supuestas son susceptibles de explicaciones alternativas. Con frecuencia se ha dado por hecho que las interacciones conflictivas y estresantes de los padres con los hijos resultan, al menos en algunos casos, de habilidades de crianza deficientes (por ejemplo, respuestas inconsistentes ante el comportamiento desafiante del hijo, actitudes negativas hacia ser padres, o falta de atención a los comportamientos del hijo). Sin embargo, las habilidades de crianza de un padre y la valencia y los tipos de interacción entre padres e hijos también pueden estar influidas por los problemas de comportamiento de otro miembro de la familia, o por las dificultades de los padres fuera del hogar (véase Doherty et al., 1998).

Otra complicación de las inferencias causales en evaluación clínica es el hecho de que la actuación de una tercera variable no excluye que, efectivamente, pueda existir relación causal entre las dos variables en consideración. En estos casos (véase figura 4.3), la covariación entre los problemas (Y₁ e Y₂) se puede explicar sólo parcialmente por la acción de una tercera variable (X₁). Por 118

ejemplo, el hecho de que un hermano problemático aumente la mala relación entre un padre y un hijo no excluye la posibilidad de que el padre posea unas escasas habilidades educativas, que también influyen en su mala relación con el hijo.

Figura 4.3.—Y₂ depende de Y₁ y X₁. X₁ influye, tanto sobre Y₁ como sobre Y₂, pero afecta primero a Y₁.