Relaciones Causales 496r5

Relaciones causales Las relaciones que mantienen entre sí las variables de un sistema son causales, es decir, una de las variables es la responsable de un efecto ejercido sobre otra. Estas relaciones se pueden representar mediante diagramas causales, en las que se incluyen los elementos de un sistema y flechas que conectan las variables consideradas al modelar un sistema. Tipos de relaciones 1. Relaciones simples: son aquellas en que una variable A influye sobre otra B, pero no a la inversa. . Las relaciones simples pueden ser:  Directas o positivas: cuando el incremento o disminución de A provoca el incremento o disminución de B. Se indica mediante un signo + sobre la flecha.

Ejemplos:



Inversas o negativas: aquellas en el incremento de A implica la disminución de B, o viceversa. Se indican mediante un signo - sobre la flecha.

Ejemplos:



Encadenadas: cuando el número de variables a considerar es mayor de dos, y se leen de forma independiente por parejas. Para simplificarlas se pueden reducir a una sola relación, contando el número de relaciones negativas existentes. Si es par, la relación resultante será positiva. Si es impar la relación resultante será negativa.

Ejemplos:

2. Relaciones complejas: son aquellas acciones en que una variable influye sobre otra u otras que, a su vez, influyen sobre la primera, como la pescadilla que se muerde la cola. El resultado es el establecimiento de un conjunto de relaciones causales encadenadas en círculo cerrado, que reciben el nombre de bucles de retroalimentación o .  Retroalimentación positiva: es aquella en la cual al incrementarse A se incrementa B, y viceversa. En general una retroalimentación positiva acelera un sistema o proceso. Se indica con un signo + dentro de un círculo situado en el centro de la relación.

Un ejemplo de retroalimentación positiva es el crecimiento exponencial de una población que no tenga limitaciones para reproducirse; al aumentar la población, habrá mayor número de nacimientos, que a su vez, incrementan la población, y así sucesivamente hasta que los recursos vitales se agoten. Otro ejemplo:



Retroalimentación negativa: se da en los casos en que al incrementarse A se incrementa B, pero el incremento de B hace disminuir a A. Las retroalimentaciones negativas retardan o mantienen un proceso en una tasa uniforme. Se indican mediante un signo - dentro de un círculo situado en el centro de la relación. Su denominación se debe a que, globalmente, la respuesta es negativa con relación al estímulo inicial, es decir, el exceso de un factor produce una inhibición y el defecto una excitación.

Un ejemplo típico es el de un sistema de calefacción controlada por termostato: si la temperatura baja, se enciende la calefacción, y si la temperatura es alta, se apaga. Otro ejemplo:

Los bucles de retroalimentación negativa tienen una acción reguladora y estabilizan los sistemas que los posee, los cuales recibes en nombre de sistemas homeostáticos o cibernéticos, como el sistema ABS, la dirección asistida, el piloto automático, etc.

Diagramas Causales Los investigadores interesados en el razonamiento automatizado y las posibilidades de sus herramientas para teorizar sobre la cognición, también utilizan diagramas causales (Gopnik et al., 2004, Halper y Perl, 2005a y 2005b, Pearl, 1995). Dichos diagramas contienen variables y vínculos causales, como se muestra en la siguiente figura (tomada de un caso acerca de juzgar la causa de un incendio forestal):

Las variables están destinadas a contener, en cada momento, uno de dos o más valores discretos. Supongamos que el fuego puede haber provenido de un relámpago o un fósforo encendido por alguien.    

F significa "Incendio forestal" (F = 1 significa "fuego", F = 0 significa "sin fuego"); L significa "Rayo" (L = 1: "hay un rayo", L = 0: "no hay rayo"); ML significa "Match Lit" (ML = 1: "partido encendido", ML = 0: "no encendido") U representa el conjunto de variables de contexto, como el grado de oxígeno en el aire, si está lloviendo ...

Causalidad significa que dos variables están vinculadas por "una cadena de eventos cada uno dependiendo directamente de su predecesor" (Halper y Perl, 2005a, pág. En este sentido, un evento es lo que hace que el valor de una variable tome en el valor específico que tiene en un momento - por ejemplo, la aparición de un "relámpago" o su ausencia "no relámpago". Se imponen estrictas reglas formales al diagrama causal, asegurando que sólo las variables que están en el arco causal forman parte del conjunto de variables modeladas como endógenas. Un conjunto de ecuaciones estructurales representa la forma en que un evento en una variable es causado por eventos en sus variables anteriores. Las reglas y las ecuaciones hacen posible el tratamiento automático. Así, si estamos en posesión de un diagrama causal que satisface las condiciones formales y tenemos las ecuaciones estructurales y conocemos los valores de la variable de contexto, entonces podemos determinar automáticamente la causa de un evento o el efecto de una intervención. Sin embargo, como muestra el ejemplo, el foco está en eventos discretos y las variables tienen conjuntos discretos de valores. Los diagramas causales representan sólo la estructura, la dinámica de los acontecimientos ha sido abstraída. Causalidad y comportamiento a. Causalidad Para la dinámica del sistema, la principal preocupación es entender cómo la estructura (variables y enlaces causales) genera comportamiento en un mundo de procesos continuos, en lugar de eventos discretos. En su camino, la dinámica del sistema ha creado conceptos específicos así como símbolos para representarlos: el bucle de retroalimentación firmado, el tipo de variable (acumulación o flujo), el retardo y - cuando la cuantificación entra en juego, la no linealidad. Inicialmente, los diagramas de "stock-and-flow" se usaron como lenguaje gráfico; tenían un símbolo para cada uno de los conceptos especiales y permitían la cuantificación, que es necesaria para la simulación. Existe un amplio acuerdo en que la presencia de múltiples bucles de retroalimentación hace que la simulación sea necesaria para evaluar el comportamiento continuo.

La dinámica del sistema tiene una definición muy específica de causalidad, que tiene que ver con su universo conceptual. Se supone que el mundo está en desarrollo continuo, y puede ser descrito por dos tipos de variables. Si definimos el comportamiento como los diferentes valores que una variable toma con el tiempo, entonces las variables de stock son acumuladores o acciones con un comportamiento determinado por su propio valor "justo antes" y la suma de todos los flujos conectados. El comportamiento de una variable de flujo se define durante un período de tiempo; sólo se deduce por el valor actualmente visible de las variables de stock y posiblemente por algunos convertidores (o variables auxiliares) y por políticas de decisiones implícitas o explícitas. De este modo hay una diferencia fundamental entre los dos tipos de variables, ya que los acumuladores dependen de su estado y de la cantidad del caudal conectado. Las tasas de flujo dependen de las cantidades en las acciones y las políticas de decisión. Además, mientras que en la discusión filosófica sobre la causalidad (Halper y Pearl, 2005a), la causalidad tiene que ver con cómo los eventos causan eventos, la dinámica del sistema trata de cómo el comportamiento causa el comportamiento (a través de una estructura causal, en esto hay acuerdo entre las comunidades). Entonces, ¿qué es el comportamiento y cómo se relaciona con los eventos? En un mundo continuo, una variable de stock tiene un valor específico en cada punto en el tiempo. Las variables de flujo se definen durante un período de tiempo. Puesto que la percepción ocurre en los puntos en el tiempo, sólo las variables de stock pueden ser percibidas directamente - a pesar de que la mente calcula el comportamiento a partir de secuencias de percepciones y es más sensible a los cambios que a los estados (Kahneman, 2002). El comportamiento es entonces el cambio de valores. Un evento debe ser un episodio específico del comportamiento o un cambio de comportamiento. Esto es algo que los otros enfoques presentados anteriormente no abordan: los mapas conceptuales, los mapas cognitivos y los mapas causales no pretenden razonar en términos conductuales (cuantitativos) continuos. En consecuencia, no necesitan una definición operativa de la causalidad. Los diagramas causales tratan con los acontecimientos, y el comportamiento no aparece de la misma manera. En el ejemplo del fuego forestal, hay fuego o no hay - no hay necesidad de pedir el comportamiento del fuego forestal antes o después; esto puede ser representado por un cambio de paso en una variable de número entero que varía entre 0 y 1. Argumento que el evento es la transición de 0 (sin fuego) a 1 (fuego) - el cambio de comportamiento. También hay varios significados posibles para el comportamiento. Puede ser la secuencia de números que describen las cantidades medidas o inferidas. También puede ser una descripción más cualitativa de lo que esta secuencia es: crecimiento (lineal o no lineal) o su contrario, estancamiento, estabilización u oscilación. En esta lista, algunos de los comportamientos no son elementales, y pueden descomponerse en sucesiones de comportamientos más elementales. Por ejemplo, la oscilación puede descomponerse en fases de derivadas positivas / negativas (primera o segunda), y entonces un evento puede ser la transición de uno de estos modos a otro. Es discutible si el comportamiento puede ser pensado como primera derivada y eventos una segunda derivada. Esto podría ser considerado para casos de comportamientos lineales; sin embargo, en casos más generales siempre se puede argumentar que la segunda derivada también forma parte del comportamiento y así la noción de evento es empujada más lejos. No

encontré una discusión sobre la relación entre comportamiento y evento en la literatura (más allá de afirmar que la dinámica del sistema se refiere a fenómenos continuos y no a eventos). Si es justo decir que la mente humana es sensible a los acontecimientos, podría ser útil desarrollar una definición clara de cómo la dinámica del sistema interpreta esta relación. . La siguiente figura ilustra algunos casos:

Figura: un "paso" y un evento "rampa" como un cambio de comportamiento (cambio de valores) por encima de diferentes comportamientos.

Parece que para las preocupaciones de la dinámica del sistema, hay dos tipos de eventos fundamentales: uno es una traducción vertical del gráfico, representado como un evento de "paso" (figuras a, c y e). El segundo es un cambio de pendiente, representado por un evento de "rampa" (figuras b, dyf). Otras formas como un evento de "pulso" son combinaciones de eventos fundamentales, como dos "pasos" (uno hacia arriba, el otro hacia abajo). Mientras que las figuras a y b no parecen inusuales, se refieren a casos en que la variable es estática durante todo el período de tiempo considerado, excepto el evento de cambio. Claramente hay muchos casos en los que esto no es así: el empleo de la economía de un país puede estar aumentando (lentamente), pero el gobierno desea impulsarlo o aumentar más rápido (casos cyd). O las ventas de una empresa están descendiendo y la gerencia les gustaría darles un empujón o al menos ralentizar la disminución (casos eyf). Esta es una característica que distingue la dinámica del sistema de los otros enfoques presentados anteriormente: aquí nos preocupamos no sólo por los eventos, sino por el comportamiento en general. La relación muy específica entre el flujo y las variables de stock significa que entre dos variables, hay reglas en cuanto a qué tipo de evento causa qué tipo de evento:





un evento "step" en una variable de flujo provoca un evento "rampa" en la variable stock; si el flujo es una entrada, entonces la rampa tiene el mismo signo que el paso; si el flujo es un flujo de salida, la rampa tiene el signo inverso del paso. un evento "rampa" en una variable de flujo provoca un evento "rampa" no lineal en la variable de stock; si el flujo es una entrada, entonces la rampa del stock tiene el mismo signo que el flujo; si el flujo es un flujo de salida, la rampa del stock tiene el signo inverso del flujo.

b. Diagramas de bucles causales Posteriormente, los llamados "diagramas de bucle causales" (CLD) comenzaron a utilizarse como un medio para comunicar ideas seleccionadas a partir de un estudio de simulación (Homer y Oliva, 2001). Una vez que este lenguaje de diagrama existió, se volvió tentador usarlo también en otras fases, especialmente para articular creencias causales en las primeras fases de proyectos de modelado. Esta difusión del CLD ha llevado a dos debates: por una vez, se discute si la simulación es siempre necesaria o recomendable (Coyle, 1998; Homer y Oliva, 2001). Además, se ha criticado la simplificación de la polaridad (Richardson, 1997). Por último, cabe preguntarse por qué los CLD se han vuelto mucho más populares que los "diagramas de influencia" (Wolstenholme, 1990), si los primeros no distinguen entre acumuladores y flujos, pero estos últimos lo hacen. Tal vez esto puede explicarse por la simplicidad que se gana al olvidarse de la diferencia. Para ver el carácter fundamentalmente limitado de CLD, ahora los examinaremos desde cero. Se da una relación causal entre dos variables cuando un sujeto cree que lo que sucede en una de las variables causará alguna consecuencia en la segunda variable. Podemos llamar a la primera variable "variable independiente", ya que no depende de ninguna variable que aparezca dentro del modelo (mental); la segunda variable puede denominarse "variable dependiente" por la razón obvia de ser influenciada por la primera. 10. Una relación causal articulada es entonces el modelo mental más pequeño posible. En la dinámica del sistema, la flecha que representa el enlace causal tiene la punta de flecha usual para indicar la dirección de influencia y también un "+" o "-" que indica la polaridad del enlace. La polaridad es lo que determina una cualidad esencial del efecto de la causa. Cada una de las dos variables es un marcador de posición para una serie de cantidades: la causa será observable como un comportamiento distinto de la variable independiente, y la variable dependiente mostrará un comportamiento distinto como efecto. Este comportamiento será un aumento o una disminución; esto puede ser en términos absolutos o en relación con lo que habría ocurrido de lo contrario, dependiendo de qué definición se utiliza. Durante todo este tiempo, no debemos olvidar que ambas variables siempre "se comportan" de alguna manera, así que ni la causa ni el efecto pueden ser algo diferente de una modificación de comportamiento. Puesto que estamos pensando en términos de un mundo continuo, nuestras variables tienen que tener un comportamiento; los "acontecimientos" que se perciben y se piensa como causa y efecto deben entonces ser un cambio en el comportamiento de las variables. Con frecuencia usamos las funciones PULSE, STEP o RAMP para introducir tales "eventos" y observar sus efectos. Esto es testimonio del hecho de que los seres humanos perciben el cambio más fácilmente ese estado (Kahnemann, 2002) y que la habituación hace que un comportamiento constante aparezca como estado.

Además, debemos recordar que habrá otras variables: ningún sistema interesante consistirá en sólo dos variables: por consiguiente, la variable que llamamos "dependiente" durante este ejercicio mental puede estar sujeta a otras influencias. Como se verá más adelante, esto no ha sido siempre el caso en el debate. Supongamos que por un instante no hay otras variables. Ahora, cuando un evento de incremento en la variable independiente desencadena un evento de incremento en la variable dependiente, entonces tenemos un caso de lo que se clasifica intuitivamente como polaridad positiva:

Figura: un ejemplo de polaridad positiva

Cuando pensamos en términos de una variable, entonces la variable es un atajo para todas las instancias de comportamiento que hemos visto antes. En cierto modo, la lógica de Hume va desde la parte superior de la figura, donde los comportamientos son, a la parte inferior que corresponde a una abstracción de las variables ya un juicio de "relación causal". Si tenemos dos variables capaces de dos tipos de cambios cada uno, está claro que hay 4 configuraciones básicas:

Figura: 4 configuraciones básicas para 2 polaridades

De acuerdo con este estado de cosas, la definición simple o "popular" de la polaridad parece bastante conveniente:  

positivo (+): cuando la variable independiente cambia, entonces la variable dependiente cambia en la misma dirección; negativo (-): cuando la variable independiente cambia, entonces la variable dependiente cambia en la dirección opuesta.

Cuando tanto las variables independientes como las dependientes aumentan o disminuyen distintivamente, hablamos de polaridad positiva. Cuando uno aumenta distintivamente y el otro disminuye, hablamos de polaridad negativa. Sin embargo, esta definición se demuestra fácilmente defectuosa (Richardson, 1997): si tomamos el mini modelo donde la tasa de natalidad influye en la población con un vínculo positivo, un aumento en la tasa de natalidad causaría un aumento en la población. Sin embargo, ¿es significativo afirmar que una disminución de la tasa de natalidad provocaría una disminución de la población?

Figura: ¿puede la tasa de natalidad conducir a una población más baja?

Tal como lo indicó Richardson (1997), este aparente problema se debe a la definición popular y se supera utilizando la definición completa. - positivo (+): cuando la variable independiente cambia con un signo particular (+ o -), entonces los siguientes valores de la variable dependiente estarán por encima (o menos) de lo que habrían sido. - negativa (-): cuando la variable independiente cambia con un signo particular (+ o -), entonces los siguientes valores de la variable dependiente serán menos (o por encima) de lo que habrían sido. Esta es la definición "oficial" que los estudiantes encuentran en los libros de texto (por ejemplo, Sterman, 2000). Con esta definición en mente, ciertamente no hay ningún problema con pensar que una disminución de la tasa de natalidad hace que la población disminuya por debajo del nivel que habría tenido sin la disminución de la tasa de natalidad. Nótese que esto no requiere que la población disminuya en términos absolutos: comparamos lo que fue a lo que habría sido. Obsérvese también que la diferencia entre lo que fue y lo que habría sido aparece desde un momento específico: es tentador pensar que un evento específico ha causado esta bifurcación (más bien que un comportamiento continuo). Se puede atribuir esto, por ejemplo, a los efectos de otras variables que causan cambios en la población, como la tasa de mortalidad.

Figura: la tasa de natalidad puede conducir a una menor población

En la Figura anterior, hay una nueva variable que influye en la población. Se entiende intuitivamente que la muerte de las personas reduce la población; por lo que uno puede fácilmente imaginar que sin los nacimientos, el comportamiento habitual de la población es hacia abajo. Así que si hay un repentino "paso" disminución en la tasa de natalidad, la población responderá con una "rampa" negativa y será menor de lo que habría sido. (De hecho, si se quiere entender por qué una causa de "paso" provoca un efecto de "rampa", hay que reintroducir la distinción entre flujo y acumulación). Puede haber un conjunto bastante diverso de posibilidades para el comportamiento básico de población, en la que la tasa de natalidad influye de manera distinta tras el "suceso" constituido por su cambio de comportamiento:

Figura: otros casos de comportamiento del mismo modelo

En la mano izquierda de esta figura, vemos que un paso hacia abajo en la tasa de natalidad hace que el descenso de la población se acelere. En la mano derecha, la misma causa desencadena el crecimiento de la población a disminuir. La forma exacta dependerá de los valores numéricos de la tasa de natalidad y la tasa de mortalidad: mientras la primera sea mayor que la segunda, el flujo neto será mayor que cero y la población seguirá creciendo, sólo más lentamente: una disminución relativa. Ambos casos (y más si se desea) se incluyen en el conjunto de comportamientos que la estructura del modelo representada en el diagrama de bucle causal puede generar. ¿Por qué, entonces, la definición simple es tan popular? Sigue utilizándose en los llamados sistemas de pensamiento 11 publicaciones y publicaciones académicas (Warren, 2004). La razón sugerida es que es más simple. Después de todo, es más fácil pensar en términos de "eventos" y olvidarse del resto del comportamiento, es decir, hacer como si no existiera (valores constantes). Esto nos llevaría de nuevo al modelo sin tasa de mortalidad, donde la población se supone implícitamente que es constante cuando no hay nacimientos. Es más fácil centrarse en lo que sucede entre la tasa de natalidad y la población sin tener en cuenta la existencia y el efecto de la tasa de mortalidad. Vemos ahora que este juicio erróneo es atribuible a la simple manera en que tenemos que pensar en estas variables, ya que los diagramas de bucle causales no imponen la observación de las reglas y regularidades establecidas en la sección anterior. Ellos permiten estas simplificaciones - al precio de asumir implícitamente falsas consecuencias de comportamiento. En particular, las flechas causales en los diagramas causales del lazo parecen simbolizar solamente acontecimientos, mientras que la dinámica del sistema está interesada en el comportamiento en general. Sin embargo, hay más que criticar sobre los diagramas de bucle causal, que no pueden ser superados con la definición "completa".

No sólo los "acontecimientos" (como un episodio especial o un cambio de comportamiento) poseen causalidad; ordinario - constante - el comportamiento también lo hace. Tan pronto como reconocemos la diferencia entre flujos y acumulaciones (una distinción que no se puede expresar en diagramas de bucle causal, sin embargo), se hace inevitable pensar que el valor absoluto de la tasa de natalidad (flujo) causa efectos de comportamiento en la población (acumulación). Esto es bien conocido por aquellos que dominan la integración gráfica (ver por ejemplo Sterman, 2000, capítulo 7); sin embargo, en aras de la explicitación, la siguiente figura ilustra el caso:

¿Ve los dos casos en el siguiente diagrama?

Figura: ejemplos de causalidad sin acontecimiento

En esta figura, se muestran dos casos: primero, la tasa de natalidad tiene un valor positivo y parece provocar que la población crezca. Entonces la tasa de natalidad es igual a cero y la población permanece constante. Claramente, ambos casos son compatibles con el diagrama causal que se muestra debajo de ellos. (Si hubiéramos tomado el flujo neto, podríamos incluso añadir el caso en que este flujo es negativo.) Siempre y cuando un individuo tenga en cuenta que la tasa de natalidad es un flujo y la población es un stock, así como la relación entre estos tipos de variables, este individuo de hecho puede "ver" todas estas posibilidades en el diagrama. Sin embargo, si CLD están destinados a ser utilizados con personas que no dominan la dinámica del sistema, este individuo querría utilizar este tipo de diagrama? Richardson (1997) mencionó una definición alternativa de polaridad: - positivo (+): la variable independiente se suma a la variable dependiente; - negativo (-): (+): la variable independiente resta de la variable dependiente. Si pensamos que "la tasa de natalidad agrega a la población" entonces el comportamiento habitual y el evento de cambio (digamos, un "paso") se reflejan con precisión. Sin embargo, incluso si reemplazamos el CLD por "diagramas de influencia" (Wolstenholme, 1990) y la

población aparece como stock y la tasa de natalidad como tasa, es imposible expresar el efecto de comportamiento del valor absoluto de la tasa de natalidad para la población en un diagrama añadimos una nueva categoría de símbolos como ">", "0" y "<" para significar "positivo", "cero" y "negativo", respectivamente, aunque esto en principio sea posible, privaría a los diagramas de su simplicidad .También se observa que una tasa que puede ser positiva o negativa corresponde a un "bi-flujo", las entradas y salidas implícitamente llevan una restricción en el rango de valores posibles, que los diagramas de bucles causales no expresan. La última limitación es que los diagramas de bucle causales no tienen un medio para representar el "suavizado" del efecto causado con el tiempo. Como observan Moxnes (1998) y Moxnes & Saysel (de próxima aparición), las personas parecen pensar de forma estática: asumen implícitamente que el efecto de una intervención en una variable de control se realizará inmediatamente. Esto es, de causa, una suposición errónea que los lleva a decisiones defectuosas. Puede atribuirse a no reconocer las variables de stock como tales (y no tener debidamente en cuenta las implicaciones de comportamiento de este hecho). Una vez más, uno tendría que ser un dinamizador acostumbrado a tener en cuenta todo esto mientras se trabaja con un diagrama de bucle causal. Debe concluirse que los diagramas de bucles causales no pueden captar lo que la causalidad realmente significa para la dinámica del sistema, ya que sólo hablan de eventos y no de comportamiento en general. Para la dinámica del sistema, la causalidad incluye el comportamiento, la forma en que se determina el valor de una variable en cada período de tiempo (no se determina la forma en que cambia, que es sólo una parte especial de ella). ¿Para qué sirven los diagramas de bucles causales? Después de todo, resulta que los diagramas de bucles causales son una herramienta cualitativa que debe utilizarse sólo cuando no se exige procesar la estructura en el comportamiento o razonar sobre el comportamiento. Si se utiliza con la definición completa o "agrega / sustrae" después de haber comprendido el comportamiento a través de la simulación, puede ayudar a dar sentido al comportamiento encontrado; sin embargo, si las nociones específicas de la dinámica del sistema ayudan a pensar mejor sobre el comportamiento, el valor pedagógico de los diagramas de bucles causales puede ponerse en duda (ya que evitan confrontarse con estas cosas). Quizás los diagramas causales del lazo son una herramienta útil para explorar creencias referentes a la estructura causal de una situación. Sin embargo, en situaciones en las que es importante comprender las consecuencias conductuales de las decisiones (intervenciones), el "razonamiento automatizado" de la simulación se hace necesario o, al menos, deseable. Uno podría probablemente imaginar algunas suposiciones plausibles acerca de la probable calidad de comportamiento en casos sin bucles de retroalimentación o cuando todos los bucles tienen la misma polaridad; pero estos son casos extremos y no deben usarse para diseñar una regla. Esto requeriría un cambio de notación en los diagramas de bucles causales (distinguir stocks y flujos y agregar ">, 0, <"); además, habría que identificar las "colas" (variables independientes) y trazar su comportamiento asumido, y luego trazar las influencias superpuestas a través de todos los vínculos causales. Mucho trabajo: probablemente los diagramas de bucle causales serían simplemente diagramas de "stock-and-flow" y no serían tan populares por más tiempo. Por lo tanto, parece que los diagramas de bucles causales son tan populares porque están bien adaptados al pensamiento intuitivo. Pero si la situación actual requiere cálculos en los que el pensamiento intuitivo es malo, uno esperaría que las herramientas mejoraran este pensamiento

(y no tener las mismas deficiencias). Por otro lado, si la situación es políticamente delicada o el tiempo presiona, un enfoque como SODA puede ser más conveniente: no obliga a separar la estructura de la conducta y por lo tanto es más fácil de usar. ¿De qué manera puede el uso de diagramas de bucle causales ayudar a descubrir o articular (atribuye) los vínculos causales? ¿Cómo se reconocen generalmente? Volvamos a las dos primeras fases presentadas en el modelo conceptual de la figura 3 (p.5): 1) ¿cómo llegamos a considerar algo como una variable relevante? 2) ¿cómo llegamos a creer en la existencia de una relación causal entre dos variables? Intentaremos explorar esta cuestión utilizando las diferentes herramientas del ejemplo de población.

Figura: el caso de la población como un mapa causal o diagrama de bucle causal

Empezamos a reafirmar el CLD típico, donde la mayoría de la gente está tentada a usar la definición "popular" y por lo tanto proyecta información estructural en conclusiones conductuales que pueden ser fácilmente engañosas.

Figura: el caso de la población como mapa conceptual

Cuando el mismo caso se expresa como un mapa conceptual, parece que hay exactamente la misma información estructural que en el CLD. Tenga en cuenta que en este ejemplo, he utilizado la definición de "agrega a" (sin embargo, también se pueden nombrar los enlaces de acuerdo con las otras definiciones). El hecho de hacerlo puede ser visto como un poco de ayuda para pensar adecuadamente sobre las relaciones causales.

Figura: el caso poblacional como un mapa cognitivo

Cuando la historia es contada por un mapa cognitivo, vemos que los aspectos conductuales están ahora explícitamente establecidos en las "construcciones" (y no es necesario calcularlas basadas en las indicaciones de polaridad). Esto es menos general que un diagrama de bucle causal (que ofrece la estructura para todos los casos de comportamiento sin contaminarlo con información acerca de uno de los posibles contextos de comportamiento).

Figura: el caso poblacional como diagrama de influencia

El diagrama de influencia nos recuerda que la "población" es de un tipo diferente al de las otras variables. Esto no se expresa en el CLD; sin embargo, el observador tiene que hacer el pensamiento para entender lo que significa esta diferencia.

Figura: el caso poblacional como un diagrama de stock y flujo

Visto como un diagrama de stock y flujo, es más fácil ver que la tasa de natalidad "añade" y la tasa de mortalidad "resta". Pero aun así: ¿qué diferencia hace esto?

Figura: el caso poblacional como diagrama de stock y flujo con información de comportamiento

Todo cambia con la simulación. Cada uno de los paquetes de software de modelado mayor tiene su propia manera de visualizar el comportamiento de las variables en el contexto del diagrama de stock y flujo. Ahora uno puede ver fácilmente lo que la estructura actual, junto con el contexto del parámetro, significa en términos de comportamiento. Si la estructura se infiere del comportamiento y luego se utiliza para generar el comportamiento, usar una herramienta que represente solamente la estructura obliga al a llevar la parte conductual en su mente. Si bien esto puede esperarse de un experimentado, un principiante se queda con un problema. Debido a la aparente sencillez de la herramienta, puede obtener rápidamente una sensación de progreso; sin embargo, su modelo mental de lo que el diagrama significa puede contener todo tipo de errores relacionados con el comportamiento del modelo, y como esta parte no se articula, no está abierta a la crítica ya la mejora subsiguiente. Se deduce que los diagramas causales de bucle no deben utilizarse sin la guía de un modelador experimentado que señalará los aspectos adecuados de comportamiento. El caso de la población es, sin duda, muy simple. Dado que no implica bucles de retroalimentación, el diagrama de bucle causal no podría desempeñar su ventaja de anotación sobre mapas conceptuales o mapas cognitivos. Tampoco ganamos mucho utilizando un diagrama de influencia. El diagrama de stock y flujo no era más complejo de dibujar, pero tenía la gran ventaja de permitir la simulación, permitiendo a la herramienta mostrar el comportamiento. Esta retroalimentación en tiempo real del significado de la estructura es una gran ayuda, también durante el modelado, ya que ayuda a descubrir inconsistencias y errores. No puede ser ofrecido por CLD.

En los casos más complejos, donde hay bucles de retroalimentación que interactúan, los diagramas causales del lazo tienen una ventaja sobre los otros lenguajes del diagrama: los lazos de la regeneración existen como concepto y tienen un símbolo para ser representado explícitamente en el diagrama. Sin embargo, incluso el más experto de dynamicists de sistema no será capaz de guiar a sus clientes a través de las interpretaciones de comportamiento sin simular. En conclusión: CLD debe ser prohibido de uso como herramienta de búsqueda de decisiones y se limita a explorar las creencias causales (estructurales) - donde más poder expresivo que las otras herramientas presentadas aquí: 

 

mapas conceptuales y cognitivos no se centran en las variables y la estructura causal y desperdiciará la energía mental; pueden ser incluso más intuitivas, pero su producto todavía tiene que traducirse en términos de variables; los diagramas causales se esfuerzan por comprender casos mejor descritos en términos de eventos discretos; los mapas causales carecen de la posibilidad de expresar "bucle de retroalimentación" y "retraso".

Otro uso recomendable podría ser a efectos de simplificación al explicar el comportamiento del modelo de simulación. Sin embargo, sigue existiendo una gran duda en cuanto a cuán ordenadamente se puede separar mentalmente el comportamiento de la estructura: después de todo, no podemos inferir estructura sin comportamiento y no podemos conjeturar comportamiento sin estructura. Al final, el enfoque del "modelo conceptual" descrito por Richardson (2006) puede ser más fructífero para la dinámica del sistema. Uno puede tratar el "uso del médico" y el "uso de la enseñanza" de una forma diferente. Se ha argumentado que, dado que los practicantes no usan CLDs para lo que no están destinados, las deficiencias de este lenguaje de diagrama no importan mucho 12. Sin embargo, en "teaching use", esto puede ser diferente. Consideremos el libro de texto (probablemente) más utilizado, "Dinámica de negocios" (Sterman, 2000), que introduce "estructura y comportamiento de sistemas dinámicos" en el capítulo 4 usando diagramas de bucles causales. Luego, estos diagramas son la primera de las "herramientas para el pensamiento sistémico" que se introducirán. Posteriormente, la discusión se traslada a diagramas de stock y de flujo, y cada uno de los comportamientos genéricos en analizar en profundidad. Sin embargo, durante estos primeros capítulos (y los "desafíos" propuestos a los estudiantes), la discusión se basa en los CLD; siempre que existan dudas en cuanto a las consecuencias de una relación causal específica, los estudiantes tendrán que establecer un ejemplo y computarse por sí mismos. El beneficio evidente es que cuando tales dudas no surgen, la discusión es mucho más rápida y uno puede permanecer centrado en los artículos esenciales. Probablemente hay un trade-off: la sencillez de CLD es una ventaja para introducir rápidamente problemas intuitivos, pero no son de mucha ayuda una vez que la discusión va más allá de lo que es intuitivo. Tal vez una estrategia sabia sería evitar una posición cualquiera o combinar ambos, los CLD y los modelos stock-andflow en una herramienta de aprendizaje; se han dado pasos en esta dirección, por ejemplo en el caso del entorno de aprendizaje "MacroLab" (Wheat, 2007). Bibliografía

 

Martin Schaffernicht, “Causality and diagrams for system dynamics”, Facultad de Ciencias Empresariales - Universidad de Talca “Medio Ambiente y Teoría de Sistemas”, https://es.slideshare.net/pepe.moranco/elmedio-ambiente-y-la-teora-de-sistemas