Modelos Causais, Variáveis Não Observadas e Dados Experimentais

Embora técnicas de modelagem causal tenham sido empregadas na análise de dados não experimentais, elas foram amplamente ignoradas por cientistas sociais que lidam com dados experimentais. Este artigo discute maneiras pelas quais modelos causais podem ser usados de forma produtiva na análise de dados experimentais e ilustra suas aplicações. Central para a exposição do artigo está a representação de experimentos em ciências sociais em termos de processos causais envolvendo variáveis não observadas. Dentro desse framework, duas questões experimentais fundamentais são abordadas: a avaliação de variáveis independentes manipuladas e a avaliação de indicadores de variáveis dependentes. As sugestões de Costner (1971) sobre técnicas para examinar interpretações rivais dos resultados experimentais também são discutidas. Esse tipo de análise de dados experimentais nos permite considerar explicitamente o erro na indução e medição de variáveis independentes e dependentes, fornecendo assim estimativas melhores dos parâmetros causais verdadeiros. Dados de uma investigação experimental das reações dos clientes a entrevistas iniciais são usados para ilustrar essa abordagem.