Introducción

El ojo humano ama los patrones: ver dos líneas que se mueven juntas y concluir que una provoca la otra. La estadística, mal interpretada, a veces alimenta esa ilusión. La correlación es apenas la danza conjunta de dos variables, no una flecha de causa. Y, sin embargo, titulares, políticas y hasta decisiones médicas se sostienen sobre esta trampa.

1) Correlaciones curiosas (pero falsas)

• Helados y ahogamientos. En verano, ambos aumentan. No porque el helado mate, sino porque el calor atrae bañistas y heladeros.

• Cigüeñas y natalidad. En pueblos europeos, donde hay más cigüeñas, también hay más nacimientos… simplemente porque se trata de áreas rurales más fértiles, no porque las aves traigan bebés.

• Películas de Nicolas Cage y ahogamientos en piscinas. Ejemplo clásico de correlaciones espurias recopiladas por Tyler Vigen: cómico, pero ilustrativo.

2) La correlación y su impacto en la toma de decisiones

La confusión entre causalidad y correlación no es solo un chiste; tiene consecuencias graves.

Política pública: Un estudio muestra que los países con más médicos per cápita tienen más diagnósticos de cáncer. Conclusión errada: “los médicos causan cáncer”. Realidad: mayor densidad médica implica mejor detección.

Falacia de la causa inversa: Niños con bajo rendimiento escolar pasan más horas frente a la televisión. ¿La TV los perjudica? ¿O los niños con dificultades recurren más a ella? La dirección de la causalidad puede invertirse fácilmente.

3) ¿Qué mide realmente la correlación?

• El coeficiente de correlación (r) mide la fuerza y dirección de la relación entre dos variables.
• Sus valores van de -1 a +1:
  • +1 → relación positiva perfecta
  • -1 → relación negativa perfecta
  • 0 → ausencia de relación lineal

4) Tipos de coeficientes de correlación (más allá de Pearson)

5) Causalidad: un desafío que exige rigurosidad

Identificar la causalidad no se improvisa. Requiere algo más que una simple correlación. Exige un diseño experimental riguroso, criterios de Bradford Hill y construcción de modelos causales. La estadística sugiere, pero no prueba por sí sola.

6) Metáfora para recordar

Piensa en la correlación como ver dos hojas que caen juntas en otoño. Creer que una arrastra a la otra es ignorar el viento invisible que las mueve a ambas.

7) Checklist para evitar caer en la trampa

1. ¿Existe una variable oculta (confusor) que explique la relación? ✔
2. ¿Podría la causalidad ir en sentido contrario? ✔
3. ¿El diseño permite concluir causa o solo asociación? ✔
4. ¿Hay criterios teóricos/experimentales que respalden esta relación? ✔
5. ¿Se comunicó claramente que es correlación, no causalidad? ✔

Bibliografía

Silva Aycaguer LC. Cultura estadística e investigación científica en el campo de la salud: una mirada crítica. Madrid: Díaz de Santos; 1998.

Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press.

Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC. [Disponible gratis en línea].

Hill, A. B. (1965). The environment and disease: association or causation? Proceedings of the Royal Society of Medicine, 58(5), 295–300. (Criterios de Bradford Hill).

Freedman, D. A. (2005). Statistical Models: Theory and Practice. Cambridge University Press. (Discusión crítica sobre correlación y causalidad).