Saltar al contenido
verifiedPráctica Basada en la Evidencia

Correlación y Causalidad

Que dos cosas vayan juntas no quiere decir que una produzca la otra — y confundir asociación con causa sale caro.

Traducido del original en portugués. Leer el original (Português)

boltEn resumen

Una correlación dice una sola cosa: dos medidas varían juntas. Es simétrica —no indica dirección, no dice cuál vino primero, no dice si existe alguna causa. La causalidad es otra cosa: afirma que modificar A produce un cambio en B. El problema es que varias situaciones bien distintas producen exactamente la misma correlación: A causa B de verdad; una tercera variable causa las dos; es B quien causa A (causalidad inversa); fue coincidencia; o la asociación nació de cómo se armó la muestra (sesgo de selección). Ningún cálculo hecho solo sobre la asociación observada separa unas de otras —lo que las separa son los supuestos que autoriza el diseño del estudio, y el estándar de oro sigue siendo manipular la supuesta causa y ver qué pasa. Eso no vuelve inútil a la correlación: sirve para predecir, rastrear, evaluar instrumentos y plantear hipótesis. El error es tratarla como si ya autorizara una decisión de tratamiento.

Definición técnica

La correlación es una medida estadística del grado en que dos variables covarían. El coeficiente más conocido, la r de Pearson, va de −1 a +1: cerca de +1, las dos suben juntas; cerca de −1, una sube cuando la otra baja; alrededor de 0, no hay relación lineal detectable. Una propiedad define su límite: es simétrica (la r de A con B es idéntica a la de B con A) y, por lo tanto, no direccional. La causalidad es una relación asimétrica: decir que A causa B es decir que una intervención sobre A modifica B. En el marco contrafactual usado hoy en la inferencia causal (Hernán y Robins, 2020), A causa B en una persona si el desenlace que esa persona tendría bajo A difiere del que tendría sin A —comparación que, por definición, es imposible de observar en la misma persona; ese es el problema fundamental de la inferencia causal, y todo diseño de estudio es una estrategia para sortearlo. En el análisis de la conducta, el concepto equivalente es la relación funcional: se demuestra que la manipulación de la variable independiente produce, de forma confiable y replicable, el cambio en la variable dependiente (Cooper, Heron y Heward). La correlación es, entonces, evidencia necesaria, pero no suficiente —con una salvedad técnica: el rastro que deja una causa es alguna asociación, no necesariamente una asociación lineal captada por la r, y subgrupos que se cancelan entre sí pueden anular el número en el total. Lo inverso, en cambio, no se cumple: la asociación aparece con frecuencia sin ninguna causa detrás.

Lo que la correlación dice — y lo que se niega a decir

Supón que lees: "los niños que reciben más horas de intervención tienen peor desempeño". La correlación es negativa y probablemente real. Lo que no dice es por qué. Puede ser que la intervención perjudique. Puede ser —y es bastante más probable— que quien necesita más apoyo reciba más horas, de modo que la necesidad causa las horas, y no al revés. La cuenta estadística es la misma en los dos casos: la r no tiene cómo saber cuál es la carreta y cuál es el caballo.

Aquí es donde el razonamiento suele resbalar. Si A causa B, se espera encontrar correlación entre los dos —entonces, cuando aparece la correlación, parece natural leer el camino al revés. Pero el camino al revés no es válido: la correlación es compatible con varias historias causales distintas, y el número es el mismo en todas ellas.

Lo que observaste B A La correlación dice una sola cosa: cuando A sube, B sube también. Es simétrica y no indica dirección — así que no dice quién causa qué. Cuatro mundos que producen la misma correlación 1. A causa B de verdad A B La intervención produce el cambio — el único mundo en que la conclusión es correcta. 2. Una tercera variable causa las dos C A B El calor vende helado y lleva a la gente a la playa. A y B van juntos sin que uno cause el otro. 3. Causalidad inversa: B causa A A B Quien está peor busca más ayuda: la flecha apunta hacia el lado contrario. 4. Coincidencia (correlación espuria) A B Nada une a los dos. Con muchas variables, algunas coinciden solo por azar.
Los cuatro mundos producen exactamente la misma correlación. Ningún cálculo hecho solo sobre la asociación observada distingue a unos de otros —lo que los distingue son los supuestos que autoriza el diseño del estudio.

Las explicaciones competidoras de una correlación

Frente a una correlación, el trabajo de quien lee es enumerar las historias que la explicarían sin la causa que se quiere afirmar. Explora cada una —incluida una quinta que ningún diagrama de tres nodos logra dibujar: el sesgo de selección.

A causa B — la hipótesis que quieres probar

Es la lectura deseada, y a veces es la verdadera. El punto es que entra en la fila junto con las otras cuatro, en igualdad de condiciones, hasta que el diseño del estudio elimine a las competidoras. Llamar a la hipótesis preferida "la explicación obvia" no es un argumento: en los cinco escenarios, el número que calculaste es el mismo.

Confusión — una tercera variable causa las dos

La venta de helado y los ahogamientos suben juntos todos los veranos, y ninguno de los dos causa el otro: el calor causa a ambos. Una variable de confusión es cualquier cosa que influye al mismo tiempo sobre la supuesta causa y el desenlace, creando asociación sin relación causal directa. Un ejemplo célebre, publicado como provocación deliberada: en 2012, en el New England Journal of Medicine, Franz Messerli reportó una correlación de r = 0,791 entre el consumo de chocolate por habitante y el número de laureados con el Nobel por cada 10 millones de habitantes, en 23 países. La r es altísima, y nadie propone repartir chocolate para producir premios Nobel —porque el candidato evidente es un tercer factor que mueve a las dos cosas, como la riqueza del país, la escolaridad y la inversión en investigación. En salud, los confusores clásicos son la edad, la gravedad del cuadro, la escolaridad y el ingreso, y el problema es que no todos llegan a medirse. Peor aún: la paradoja de Simpson (Simpson, 1951) muestra que la propia dirección de la asociación puede invertirse al mirar dentro de los subgrupos en vez del total.

Causalidad inversa — la flecha apunta hacia el otro lado

Quien está más grave busca más tratamiento; quien duerme mal se ejercita menos; quien tiene más dificultad recibe más horas de apoyo. En cada caso la correlación existe, pero es el desenlace el que está produciendo la "causa". La pregunta, de nuevo, es cuál es la carreta y cuál es el caballo. Los datos recogidos en un único momento —un cuestionario aplicado una sola vez, por ejemplo— casi nunca pueden responder, porque no registran qué vino antes.

Coincidencia — la correlación espuria

Las correlaciones también surgen por puro azar, y eso es más común de lo que parece: cuantos más pares de variables compare alguien, más probable es que algunos se alineen bien solo por suerte —es el problema de las comparaciones múltiples. Un estudio que mide cuarenta desenlaces y reporta los tres que "salieron significativos" está, en la práctica, exhibiendo las coincidencias y escondiendo el resto. Hay además un caso particular que engaña mucho, por otro camino: dos series temporales que simplemente crecen a lo largo de los años —el consumo de cualquier cosa y los diagnósticos de cualquier otra— se correlacionan fuertemente solo porque ambas suben con el tiempo, sin ninguna relación entre sí.

Sesgo de selección — la muestra ya incorpora la relación

Este es el más sutil de los cinco, y el que más pasa desapercibido. La correlación puede nacer de cómo se armó la muestra, y no de algo que una a las dos variables en el mundo. Si un servicio solo atiende a quienes tienen diagnóstico y derivación, estudiar únicamente a esos pacientes puede crear una asociación que no existe en la población —o borrar una que sí existe. La muestra no es una ventana neutral: también es parte del diseño, y quien decide quién entra en el estudio decide, sin quererlo, parte del resultado.

Entonces, ¿qué establece una causa?

Como nunca es posible observar a la misma persona con y sin el tratamiento, toda inferencia causal es una maniobra para construir una buena comparación. Las tres principales:

  • Manipular y aleatorizar. En el ensayo clínico aleatorizado, el investigador decide quién recibe qué por sorteo. El sorteo es lo que le da la fuerza: equilibra entre los grupos, en promedio, no solo los confusores que alguien pensó en medir, sino también los que nadie imaginó. Ningún ajuste estadístico hecho después logra lo mismo, porque el ajuste solo alcanza lo que fue medido.
  • Manipular y replicar en la misma persona. En los diseños de caso único, la demostración viene de medir la conducta de forma continua a partir de una línea base estable y de encender y apagar la variable independiente —o escalonarla entre varias líneas base— hasta que el cambio acompañe la manipulación de forma repetida. El criterio no es un valor de p: es la relación funcional demostrada y replicada.
  • Triangular, cuando manipular es imposible o antiético. No se sortea quién va a fumar, ni quién va a sufrir violencia. Aquí la inferencia se construye por triangulación: experimentos naturales, variables instrumentales, diferencias en diferencias, emparejamiento por puntaje de propensión y aleatorización mendeliana —que usa la herencia genética, sorteada en la concepción, como si fuera el sorteo del estudio. Un ejemplo: Choi y colaboradores (2019, JAMA Psychiatry) aplicaron aleatorización mendeliana de dos muestras a más de 600 mil adultos y encontraron una señal de efecto protector de la actividad física (medida por acelerómetro) sobre el riesgo de depresión, sin evidencia del camino inverso —algo que la correlación simple entre las dos nunca logró separar.

En el terreno observacional, la referencia clásica para organizar el juicio son los nueve puntos de vista que Austin Bradford Hill propuso en 1965, en un discurso sobre cómo sacar conclusiones causales a partir de estudios observacionales: fuerza de la asociación, consistencia entre estudios, especificidad, temporalidad, gradiente dosis-respuesta, plausibilidad, coherencia con lo que ya se sabe, evidencia experimental y analogía. (El caso del cigarrillo y el cáncer de pulmón, que Hill investigó junto con Richard Doll, es el ejemplo histórico ligado al nombre de Hill.) Se los recuerda como "criterios de Bradford Hill", pero Hill fue explícito al rechazar ese uso: ninguno de los nueve, advirtió él, "puede aportar evidencia indiscutible a favor o en contra de la hipótesis de causa y efecto, y ninguno puede exigirse como sine qua non". No es una lista de verificación, y ningún número de ítems marcados sustituye al experimento.

verified

Cuando el experimento desmintió la correlaciónDurante años, los estudios observacionales indicaron que la terapia hormonal tras la menopausia reducía entre un 40% y un 50% el riesgo de enfermedad coronaria, y la conducta clínica siguió esa lectura. En 2002, el ensayo aleatorizado del Women's Health Initiative, con 16.608 mujeres, fue interrumpido antes de tiempo: el brazo que recibía estrógeno con progestina mostraba un aumento —no una reducción— de la enfermedad coronaria, además de más accidentes cerebrovasculares, embolia pulmonar y cáncer de mama invasivo. La explicación más aceptada para la divergencia es la confusión: las mujeres que usaban hormonas eran, de entrada, más sanas y estaban más atendidas que las que no las usaban. La correlación era real; la lectura causal, no.

Cuando leer la correlación como causa lastimó a personas

El ejemplo más pesado de esta confusión en la historia del autismo es la llamada "madre nevera". Al describir su serie de casos de 1943, Leo Kanner registró que muchos de esos padres le parecían distantes e intelectualizados. La lectura causal —madres frías producirían niños autistas— fue amplificada por Bruno Bettelheim en The Empty Fortress (1967) y sostuvo décadas de culpabilización de las familias, con niños alejados de su hogar en nombre del tratamiento.

Las explicaciones competidoras que faltaron están entre las de este artículo. Causalidad inversa: criar a un niño que responde poco a la mirada y al abrazo cambia el comportamiento de cualquier adulto —y la entrevista clínica ocurría con familias agotadas y asustadas. Confusión: el autismo es fuertemente heredable, de modo que los padres de niños autistas tienen una probabilidad mayor, frente a los padres en general, de presentar rasgos similares (lo que hoy se llama fenotipo autista amplio); la "frialdad" observada podía ser el mismo rasgo, heredado, apareciendo en padres e hijos. Un metaanálisis de estudios de gemelos estima la heredabilidad del TEA entre 64% y 91% (Tick y colaboradores, 2016). El libro Infantile Autism (1964), de Bernard Rimland, fue un hito en la refutación de esa tesis.

warning

El mismo error, de nuevoLa afirmación de que las vacunas causan autismo se apoyó en una coincidencia temporal: la triple viral se aplica entre los 12 y los 15 meses, edad en la que los signos del autismo suelen volverse perceptibles. Que dos cosas ocurran cerca en el tiempo es un indicio muy débil de causa —y, en este caso, el estudio que dio origen a la idea fue fraudulento y fue retirado de circulación, mientras que investigaciones con millones de niños no encontraron ninguna relación. Las familias no causan el autismo —ni las vacunas tampoco.

"Mejoré después de hacer X"

Relatos como estos son sinceros, y la mejora suele ser real —lo que no se sostiene es el puente entre una cosa y la otra. En cualquier tratamiento, incluidos los que funcionan, la mejora observada después de él tiene competidores bien conocidos. Toca las tarjetas:

Por eso se acumulan testimonios convincentes incluso en torno de prácticas que no funcionan, y por eso la práctica basada en la evidencia exige un estudio controlado antes de recomendar algo. Mira también las pseudociencias en salud mental, que viven de este mecanismo, y la jerarquía de la evidencia, que organiza cuánto autoriza concluir cada tipo de estudio.

La correlación no es la villana de la historia

Decir que correlación no implica causalidad no es decir que la correlación no sirva para nada. Hace muy bien tres trabajos:

  • Predecir y tamizar. Para detectar quién necesita una evaluación más detallada, basta con que el instrumento se asocie al desenlace —no hace falta que lo cause. Así funcionan los cuestionarios de tamizaje: señalan hacia dónde mirar.
  • Evaluar instrumentos. Buena parte de la psicometría es correlación: la concordancia entre observadores, la estabilidad de una medida en el tiempo, la relación de una prueba con otra ya establecida. Mira confiabilidad y validez de la medida.
  • Plantear hipótesis. Casi todo hallazgo experimental empezó como una asociación que alguien decidió investigar. La correlación es un buen punto de partida; el problema es tratarla como punto de llegada.

En la práctica, al leer una noticia o un estudio, cuatro preguntas resuelven la mayoría de los casos: ¿hubo manipulación o solo observación? ¿Quién decidió quién recibió qué —el sorteo o las circunstancias? ¿Qué vino antes de qué? Y ¿qué tercera variable —o qué criterio de entrada al estudio— explicaría las dos cosas a la vez? Si la respuesta a la primera es "solo observación", el verbo de la conclusión debería ser "está asociado a", nunca "causa". Buena parte del ruido sobre salud mental cabe en ese único cambio de verbo. Mira también validez interna y externa.

variable de confusión causalidad inversa sesgo de selección correlación espuria regresión a la media aleatorización mendeliana

Pon a prueba tu comprensión

quiz

Cuestionario rápido

Tres preguntas para fijar el concepto. Ves la explicación al instante.

Para saber más

  1. Hill, A. B. "The environment and disease: association or causation?". Proceedings of the Royal Society of Medicine, 58(5), 295–300, 1965 — discurso presidencial ante la Sección de Medicina Ocupacional, donde aparecen los nueve puntos de vista y la advertencia de que ninguno es sine qua non.
  2. Hernán, M. A. & Robins, J. M. Causal Inference: What If. Boca Raton: Chapman & Hall/CRC, 2020 — tratamiento contemporáneo del marco contrafactual; texto puesto a disposición de forma gratuita por los autores.
  3. Pearl, J. & Mackenzie, D. The Book of Why: The New Science of Cause and Effect. Basic Books, 2018 — introducción accesible a los diagramas causales.
  4. Simpson, E. H. "The interpretation of interaction in contingency tables". Journal of the Royal Statistical Society, Series B, 13(2), 238–241, 1951 — origen de la paradoja de Simpson.
  5. Shadish, W. R.; Cook, T. D. & Campbell, D. T. Experimental and Quasi-Experimental Designs for Generalized Causal Inference. Houghton Mifflin, 2002 — explicaciones competidoras y diseños cuasiexperimentales.
  6. Cooper, J. O.; Heron, T. E. & Heward, W. L. Applied Behavior Analysis. 3ª ed. Pearson, 2020 — relación funcional y demostración experimental de control en caso único.
  7. Messerli, F. H. "Chocolate consumption, cognitive function, and Nobel laureates". New England Journal of Medicine, 367(16), 1562–1564, 2012. DOI 10.1056/NEJMon1211064 — r = 0,791 entre el consumo de chocolate y el Nobel en 23 países, publicado como provocación sobre la inferencia causal.
  8. Writing Group for the Women's Health Initiative Investigators. "Risks and benefits of estrogen plus progestin in healthy postmenopausal women: principal results from the Women's Health Initiative randomized controlled trial". JAMA, 288(3), 321–333, 2002. DOI 10.1001/jama.288.3.321.
  9. Tick, B.; Bolton, P.; Happé, F.; Rutter, M. & Rijsdijk, F. "Heritability of autism spectrum disorders: a meta-analysis of twin studies". Journal of Child Psychology and Psychiatry, 57(5), 585–595, 2016. DOI 10.1111/jcpp.12499 — heredabilidad estimada en 64–91%.
  10. Choi, K. W. et al. "Assessment of bidirectional relationships between physical activity and depression among adults: a 2-sample Mendelian randomization study". JAMA Psychiatry, 76(4), 399–408, 2019. DOI 10.1001/jamapsychiatry.2018.4175.
info

Esta entrada tiene carácter educativo y no sustituye la evaluación, el diagnóstico ni el tratamiento por parte de un profesional de la salud cualificado. Cada persona es única: para un caso concreto, busca orientación individualizada.

¿Buscas orientación profesional?

El Instituto Walden4 es un centro de psicología y educación en Brasilia, Brasil, que ofrece evaluación y atención basadas en evidencia para autismo, psicoterapia y desarrollo, de forma presencial y en línea. Nuestro equipo atiende en portugués; escríbenos y buscaremos la mejor manera de ayudarte.

chat Escríbenos por WhatsApp
chat

Conta Walden4

Entrar

Use o e-mail e a senha da sua conta.