Como se sabe que dois fenômenos possuem uma conexão causal? A Ciência discute a questão há séculos. Atualmente, a forma mais sofisticada de lidar com o problema é através da construção de modelos causais, que desenvolvem linguagem matemática para representar o que se chama de problema da identificação. Neste artigo, apresentamos dois modelos de inferência causal. Potential Outcomes, que é dominante nas Ciências Sociais, e Structural Causal Models, cuja concepção moderna advém da Ciência da Informação e Epidemiologia. Ambos apresentam noções contrafactuais de causalidade. Discutimos as concepções centrais para cada um desses modelos e (1) como eles lidam com as ameaças mais prevalentes à identificação, incluindo confounding e causalidade reversa, e (2) como eles auxiliam na produção de desenhos de pesquisa sólidos. Nosso argumento central é que existe uma série de pontos de complementaridade entre os dois modelos, o que sugere que sua utilização conjunta é ainda mais benéfica à produção científica. Discutimos esses pontos e ilustramos nosso argumento com a análise de dois artigos empíricos dentre os mais citados em periódicos de Ciência Política na América Latina.
Supplementary notes can be added here, including code, math, and images.