Diferencia entre Correlación y Causalidad

¿Por qué confundir correlación con causalidad nos puede engañar?

Imagina que cada vez que sube la venta de helados también aumentan los incidentes de quemaduras solares. ¿Significa esto que comer helado provoca quemaduras? Probablemente no. Lo más sensato es pensar que ambos hechos suben cuando hace calor: la temperatura es la causa común. Este tipo de confusiones —ver una relación entre dos cosas y asumir que una provoca la otra— es sorprendentemente frecuente y tiene consecuencias reales, desde decisiones de salud pública hasta inversiones mal orientadas. En este artículo te explico, paso a paso y con ejemplos cotidianos y análogos memorables, en qué consiste la diferencia entre correlación y causalidad y cómo reconocer cada una.

¿Qué es correlación? ¿Y qué es causalidad?

Correlación: dos cosas que cambian juntas

La correlación es simplemente una medida de que dos variables tienden a moverse de forma relacionada. Si cuando una sube la otra también sube, hablamos de correlación positiva. Si cuando una sube la otra baja, hablamos de correlación negativa. Pero la correlación no dice por qué sucede eso: solo describe un patrón.

Ejemplo sencillo: en una ciudad, las ventas de paraguas y las llamadas al servicio técnico por filtraciones en casas pueden aumentar en los mismos meses. Ambas variables están correlacionadas, pero la lluvia podría ser la razón detrás de las dos.

Causalidad: una cosa provoca la otra

La causalidad (o relación causal) es más fuerte: significa que una variable provoca un cambio en otra. Es una relación de causa → efecto. Para afirmar causalidad necesitamos evidencia que vaya más allá de observar patrones: controles, experimentos, plausibilidad teórica, y verificación de que no existen otras explicaciones razonables.

Ejemplo: si un estudio bien diseñado demuestra que una vacuna reduce la probabilidad de enfermarse por un virus específico, entonces podemos hablar de causalidad: la vacuna provoca la disminución de casos.

Tres trampas comunes cuando vemos correlaciones

1. Confundir coincidencia con relación
   A veces dos cosas están correlacionadas por pura casualidad o por una tendencia subyacente común (p. ej., ambas crecen con el tiempo). Por ejemplo, durante décadas la producción de ciertos aparatos electrónicos y la ocurrencia de enfermedades raras pudieron subir en paralelo sin relación causal.
2. Ignorar variables ocultas (confusores)
   Un tercer factor puede causar tanto A como B. En el ejemplo del helado y las quemaduras, la temperatura es el confusor. Si no se controla por ese factor, la relación A–B es engañosa.
3. Confusión de dirección (causalidad invertida)
   A puede causar B, o B causar A. A veces la dirección es inversa a lo que pensamos. Por ejemplo, si vemos que ciudades con más hospitales parecen tener más discapacidades registradas, no es que los hospitales causen discapacidades; es probable que ciudades con más población y servicios de salud registren más casos —la demanda dirige la oferta.

Cómo distinguir correlación de causalidad (reglas prácticas)

No existe una técnica única y universal; es un proceso acumulativo de evidencia. Aquí tienes pasos y criterios prácticos:

1. Plausibilidad teórica: ¿Tiene sentido que A cause B según lo que se sabe del mundo? Si la relación desafía principios básicos (p. ej., que fluyan objetos contra la gravedad sin una explicación), exige pruebas fuertes.
2. Temporalidad: La causa debe preceder al efecto. Si B ocurre antes de A, A no puede ser la causa.
3. Cuantificar y controlar confusores: Usar diseños experimentales o estadísticos que controlen por variables que podrían explicar la relación.
4. Consistencia: ¿Se observa la relación en diferentes estudios, lugares y tiempos? Si sí, la causalidad es más plausible.
5. Gradiente dosis-respuesta: Si a mayor exposición a A más probabilidades de B, eso es indicio de causalidad (no prueba por sí solo).
6. Efectos reversibles: Si al remover A disminuye B, eso apoya una relación causal.
7. Experimentalidad: El experimento controlado aleatorizado (ECA) es el estándar de oro. Cuando no es posible, se usan diseños quasi-experimentales o métodos estadísticos robustos.

Ejemplos cotidianos y analogías

Analogía del jardín

Imagina que en tu jardín, las flores crecen más los días que pones música. Observas una correlación positiva entre música y crecimiento. ¿La música hace crecer las flores? Podría ser que cuando pones música normalmente los riegas (la acción real que causa el crecimiento). La música sería un indicador, no la causa. En este ejemplo:

• Música = variable asociada
• Riego = causa real
• Crecimiento = efecto

Ejemplo: café y productividad

Muchos asumen que tomar café mejora la productividad. Observamos que las personas que más café beben completan más tareas. Pero quizás las personas que trabajan más horas consumen más café; la carga de trabajo es el confusor. Para afirmar que el café causa productividad haría falta un experimento: dar café al azar a grupos y comparar el rendimiento, controlando por sueño, tipo de tarea, etc.

El ejemplo divertido de las pantuflas y el PIB

Existe una clásica broma estadística: la venta mundial de pantuflas puede correlacionarse con el PIB per cápita. ¿Significa que las pantuflas aumentan la riqueza? No. Es coincidencia o efecto de otras variables (estaciones, costumbres culturales). Sirve para recordar que correlaciones curiosas sin sentido evidente suelen ser espurias.

Dónde importa diferenciar

Medicina y salud pública

Tomar decisiones sobre tratamientos sin evidencia causal puede ser peligroso. Un ejemplo histórico es creer en terapias basadas en correlaciones débiles. Por eso la medicina basa sus prácticas en ensayos aleatorizados y metaanálisis.

Políticas públicas

Si un gobierno observa que regiones con más seguridad ciudadana tienen también más policía, interpretar mal la dirección de la relación puede llevar a medidas inefectivas. ¿Aumentó la policía porque había más delito (respuesta) o redujo el delito (causa)? Las políticas necesitan análisis cuidadosos.

Negocios y marketing

Una empresa puede notar que los usuarios que usan determinada función compran más. ¿La función provoca compras o sencillamente la usan los usuarios ya predispuestos a comprar? Implementar cambios con base en correlaciones puede desperdiciar recursos. Por eso se usan tests A/B para evaluar causalidad.

Ciencia y naturaleza

En ecología o climatología, encontrar correlaciones entre variables ambientales es frecuente. Interpretarlas sin rigor puede llevar a conclusiones equivocadas sobre causas de extinciones o cambios climáticos. Los modelos y experimentos ayudan a separar señales de ruido.

Tecnología y datos (ciencia de datos)

Con grandes volúmenes de datos aparecen correlaciones por montones. Un buen científico de datos sabe que correlación sirve para generar hipótesis, no para concluir causas. Para tomar decisiones, debe validar causalmente (p. ej., mediante experimentos, análisis de series temporales, o métodos de inferencia causal como variables instrumentales o diseño discontinuo).

Métodos que ayudan a establecer causalidad (breve panorama)

No profundizaremos en matemática, pero sí mencionar herramientas y enfoques que se usan:

• Ensayos controlados aleatorizados (ECA): Aleatorizar reduce el sesgo: participantes asignados al azar a tratamiento o control.
• Diseños cuasi-experimentales: Cuando no es posible aleatorizar, se usan cortes en políticas (reglas que cambian para algunos y no otros), emparejamiento, regresión con discontinuidad, etc.
• Series temporales y modelos de intervención: Analizan cómo cambia una variable después de un evento.
• Variables instrumentales: Usan una variable relacionada con la exposición pero no con el resultado, salvo por medio de la exposición; es una técnica avanzada para controlar confusores.
• Contrafactuales y modelado causal (p. ej., grafos de causalidad): Representan relaciones hipotéticas para pensar en qué deberíamos controlar.

Un caso práctico, explicado paso a paso

Supongamos que una ciudad quiere saber si aumentar la iluminación en barrios reduce robos. Observan que barrios con más luz tienen menos robos: correlación negativa entre luz y delitos. ¿Qué hacer para inferir causalidad?

1. Revisar plausibilidad: Es razonable pensar que más luz reduce oportunidades delictivas.
2. Temporalidad: ¿La iluminación fue instalada antes de la reducción de robos?
3. Controlar confusores: Barrios con más inversión en servicios (mejor patrullaje, más cámaras) podrían tener menos robos; la iluminación puede ser solo un marcador de inversión.
4. Diseño: Mejor —si es posible— realizar un experimento piloto: iluminar aleatoriamente ciertas zonas y no otras (o usar un diseño por fases). Si las zonas iluminadas muestran una caída significativa en robos frente a las no iluminadas, esto apoya causalidad.
5. Consistencia: Repetir en distintos distritos y tiempos.
   Con este proceso, la ciudad se asegura de que la inversión en alumbrado tenga respaldo causal y no sea un gasto ineficiente.

Señales de precaución al leer estudios o noticias

• Titulares que dicen “X causa Y” basándose en observaciones sin experimento.
• Estudios pequeños sin replicación.
• Falta de control por variables obvias (p. ej., edad, ingreso, clima).
• Resultados que suenan demasiado buenos para ser verdad o que rompen principios bien establecidos sin evidencia robusta.

Herramienta mental: usa la “pregunta de los tres porqués”

Cuando veas una correlación, pregúntate:

1. ¿Podría ser coincidencia?
2. ¿Hay un confusor que explique ambas variables?
3. ¿Podría ser la relación invertida?

Responder a estas preguntas te obliga a pensar críticamente antes de concluir.

Resumen / Conclusión

Correlación y causalidad no son lo mismo. La correlación te dice que dos variables se mueven juntas; la causalidad dice que una provoca la otra. Confundirlas es fácil y humano, pero puede llevar a decisiones erróneas. Para avanzar de la observación a la acción necesitamos criterios: plausibilidad, temporalidad, control de confusores, consistencia y, cuando sea posible, experimentos. En un mundo repleto de datos y titulares atractivos, practicar la duda razonable y exigir evidencia más fuerte es una habilidad valiosa.

Resultados de aprendizaje (lo que deberías saber al terminar)

Al terminar este artículo deberías poder:

1. Explicar con tus propias palabras la diferencia entre correlación y causalidad.
2. Identificar al menos tres razones por las que una correlación no implica causalidad (coincidencia, confusores, inversión de dirección).
3. Enumerar criterios básicos que hacen una relación más probable de ser causal (temporalidad, plausibilidad, consistencia, dosis-respuesta, experimentación).
4. Aplicar una lista de verificación simple al leer un estudio o noticia: ¿temporalidad? ¿confusores? ¿experimento?
5. Proponer una estrategia básica para convertir una hipótesis correlacional en una hipótesis causal verificable (por ejemplo, diseñar un experimento o buscar evidencia en diferentes contextos).

Rodrigo Ricardo Editor y fundador