Modelización ex-ante de intervenciones

La modelización ex-ante estima el efecto potencial de una intervención sobre un indicador antes de desplegarla, mientras que la evaluación ex-post analiza qué ocurrió una vez implementada y, si el diseño lo permite, estima su efecto observado. Aplica cuando la decisión de poner en marcha una intervención sanitaria, nutricional, conductual o de política todavía no se ha tomado y se quiere anticipar qué cambio cabe esperar. La diferencia es el momento y la naturaleza de la pregunta: el ex-ante proyecta un escenario antes de comprometer recursos, integrando las fuentes de información disponibles para estimar el efecto que la intervención podría tener; el ex-post analiza datos ya recogidos de una intervención que ya ocurrió. Son servicios hermanos y complementarios: uno informa la decisión de desplegar, el otro evalúa el despliegue una vez hecho. Si la pregunta es "¿qué cabe esperar si lo hacemos?", es ex-ante; si es "¿qué efecto tuvo lo que hicimos?", es evaluación ex-post.

Sí: el núcleo del servicio es integrar las fuentes que el caso permita, como encuestas nacionales, informes de situación o comportamiento, datos propios y literatura científica, como evidencia de partida para la estimación. Aplica precisamente a la situación habitual, en la que rara vez se parte de un único dato limpio y completo. Cada fuente se incorpora con una función acorde a su calidad, su actualidad y su cercanía a la población diana, de modo que la estimación aproveche lo disponible sin tratar todas las fuentes como equivalentes. No es imprescindible disponer de datos propios extensos: una encuesta nacional bien aprovechada y tamaños de efecto de la literatura pueden permitir una estimación modelizada con sus supuestos explícitos. Lo que condiciona el alcance no es la cantidad de fuentes, sino su calidad y su cercanía al problema: a menos información de partida, más peso tienen los supuestos y mayor es la incertidumbre, y eso se refleja en el resultado.

No necesariamente: contrastar dos fuentes independientes es una opción que se aplica cuando el caso la permite, no la estructura del servicio. Aplica cuando hay más de una fuente independiente sobre el mismo efecto, situación en la que se contrastan entre sí como triangulación de evidencia: la convergencia aumenta la plausibilidad de la estimación y la divergencia señala qué supuestos conviene revisar. Pero muchos casos llegan con una sola fuente aprovechable, o con varias que no son independientes, y eso no impide modelizar: la estimación se construye igualmente con lo disponible, haciendo explícitos los supuestos y la incertidumbre. La triangulación es una herramienta valiosa cuando hay material para ella, no un requisito sin el cual no se puede trabajar. Lo que define el servicio es estimar el efecto potencial integrando lo que haya; contrastar fuentes independientes es un refuerzo cuando el caso lo ofrece, no la condición de entrada.

No basta: el impacto potencial no es lo que se espera que ocurra con la intervención, sino la diferencia frente a lo que cabría esperar sin ella, sobre la misma población. Aplica a toda estimación ex-ante, porque proyectar solo el escenario con intervención confunde el efecto de la intervención con la tendencia de fondo que ya venía ocurriendo. La estimación contrafactual compara el escenario esperado con intervención frente al escenario esperado sin intervención, bajo supuestos explícitos, y permite estimar el cambio incremental asociado a la intervención bajo esos supuestos. Si un indicador ya estaba mejorando por su cuenta, atribuir toda esa mejora a la intervención sobreestima su efecto; el contrafactual ayuda a evitar ese error. Conviene un límite honesto: este contrafactual es una proyección bajo supuestos, no la certeza causal de un experimento; su credibilidad depende de lo razonables que sean esos supuestos, que se declaran de forma explícita. Lo que se entrega es un efecto incremental esperado, separado de la tendencia de fondo, no una promesa de lo que ocurrirá con seguridad.

Sí: el efecto de una intervención no depende solo de su cobertura nominal, sino también de la adherencia, el cumplimiento y el aprovechamiento real, y todo eso se modeliza. Aplica a cualquier intervención donde lo que se planifica no es lo que finalmente llega a la población diana, que suele ocurrir en muchas intervenciones reales. Se modelizan las pérdidas entre lo que se planifica, lo que se despliega y lo que realmente llega y se aprovecha, de modo que el impacto estimado refleje condiciones realistas de implementación en lugar de un supuesto optimista de cobertura total. Una estimación que asume que todo el mundo recibe y aprovecha la intervención produce una cifra inflada que la realidad no acompañará. Incorporar esas pérdidas, que forman la cascada entre la intervención planificada y el efecto real, es lo que hace que la estimación sea defendible ante quien tendrá que rendir cuentas del resultado. Estimar el efecto bajo cobertura realista no es pesimismo, es honestidad sobre cómo funcionan las intervenciones.

Una estimación con su incertidumbre, no un único número sin margen: acotar la incertidumbre de la estimación es parte central del servicio. Aplica a toda modelización ex-ante, porque un dato puntual sin margen transmite una falsa precisión sobre algo que, por definición, aún no ha ocurrido. La incertidumbre se analiza de forma explícita, mediante simulación por Monte Carlo u otros enfoques de propagación de incertidumbre cuando el caso lo requiere, de modo que el resultado muestre un rango de efectos compatibles con los supuestos y fuentes disponibles y no solo su valor central. Eso permite además ver qué supuestos pesan más en el resultado y dónde conviene obtener más información antes de implementar. Un efecto presentado como cifra exacta esconde justo lo que un financiador o un decisor necesita saber: cuánto puede variar y de qué depende. Entregar la incertidumbre acotada es lo que convierte la estimación en una base de decisión honesta, no en una promesa numérica.

La modelización ex-ante es un servicio de alto nivel que puede apoyarse en herramientas como la generación de poblaciones sintéticas, la simulación de escenarios, las series temporales o la estratificación, pero ninguna es parte obligada del servicio: se invocan cuando el caso las pide. Aplica aclarar esto porque a veces se asume que un ex-ante siempre implica simular muchos escenarios o generar una población sintética, y no es así. Un caso puede resolverse con una sola encuesta nacional y una estimación puntual bajo un escenario, sin necesidad de población sintética ni de una batería de escenarios; otro caso, más complejo, sí puede requerir esas herramientas. La elección depende del problema, no de un paquete fijo de técnicas. Varias de esas herramientas tienen además entidad como servicios propios y pueden abordarse por separado cuando esa sea la necesidad principal. Lo que define el ex-ante es la pregunta: el efecto de la intervención sobre el indicador antes de desplegar, no un conjunto cerrado de métodos.

No: la modelización ex-ante estima qué cabe esperar bajo supuestos explícitos, no demuestra que la intervención vaya a funcionar ni sustituye a su evaluación una vez implementada. Aplica entender este límite antes de usar la estimación para decidir, porque es una proyección informada, no una certeza. La estimación se construye sobre la evidencia disponible y unos supuestos declarados; su utilidad es convertir una expectativa de impacto en una estimación defendible, con su incertidumbre, para decidir con más fundamento que la intuición. Pero el efecto real solo se conoce midiéndolo tras el despliegue, que es el cometido de la evaluación ex-post. El reparto se mantiene: el cliente decide y despliega la intervención y compromete los recursos; el servicio estima, modela y cuantifica el efecto potencial que informa esa decisión. Lo que se entrega es una estimación que ayuda a decidir mejor antes de comprometer recursos, no una garantía de resultado.