Social capital is unobservable but can be inferred from its effects on society. We evaluated the influence of cognitive and structural social capital on deforestation rates in community forests in Mexico using surveys and statistical modeling. We examined predictions concerning the influence of demography, education, ethnicity, gender, and geography on community-based forest governance outcomes. Results revealed lower deforestation rates in remote forests managed by majority indigenous communities with above-average education levels and a higher proportion of female-headed households. Our findings support the main hypothesis, which proposed that sustainable forest governance is determined by social capital and cohesion. Our methodology constitutes a transferrable analytical framework and the results serve as a point of reference for the design of agrarian, conservation, and rural development policies. We recommend additional studies to reduce sampling uncertainty and increase the explanatory power of the models.El capital social es inobservable, pero se infiere por sus efectos en la sociedad. En un contexto de manejo forestal comunitario, evaluamos la influencia del capital social cognitivo y estructural sobre la deforestación en México empleando estudios en terreno y modelación estadística. Examinamos predicciones acerca del efecto de la demografía, educación, etnicidad, género, y geografía sobre el desempeño de la gobernanza comunitaria. Los resultados revelaron que la deforestación disminuyó en bosques aislados, manejados por comunidades mayoritariamente indígenas, con escolaridad superior al promedio, y mayor proporción de hogares con jefatura femenina. Nuestros hallazgos sustentan la hipótesis principal, la cual sostiene que la cohesión y el capital social son determinantes para la gobernanza forestal sustentable. Nuestra metodología aporta un marco analítico transferible, y los resultados fundamentos para diseñar políticas agrarias, de conservación, y desarrollo rural. Recomendamos estudios adicionales para aumentar la certidumbre muestral y el poder explicativo de los modelos.