Saltar al contenido principal

# 20.6: Evaluar la correlación y la causalidad reclamante

$$\newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} }$$

$$\newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}}$$

$$\newcommand{\id}{\mathrm{id}}$$ $$\newcommand{\Span}{\mathrm{span}}$$

( \newcommand{\kernel}{\mathrm{null}\,}\) $$\newcommand{\range}{\mathrm{range}\,}$$

$$\newcommand{\RealPart}{\mathrm{Re}}$$ $$\newcommand{\ImaginaryPart}{\mathrm{Im}}$$

$$\newcommand{\Argument}{\mathrm{Arg}}$$ $$\newcommand{\norm}[1]{\| #1 \|}$$

$$\newcommand{\inner}[2]{\langle #1, #2 \rangle}$$

$$\newcommand{\Span}{\mathrm{span}}$$

$$\newcommand{\id}{\mathrm{id}}$$

$$\newcommand{\Span}{\mathrm{span}}$$

$$\newcommand{\kernel}{\mathrm{null}\,}$$

$$\newcommand{\range}{\mathrm{range}\,}$$

$$\newcommand{\RealPart}{\mathrm{Re}}$$

$$\newcommand{\ImaginaryPart}{\mathrm{Im}}$$

$$\newcommand{\Argument}{\mathrm{Arg}}$$

$$\newcommand{\norm}[1]{\| #1 \|}$$

$$\newcommand{\inner}[2]{\langle #1, #2 \rangle}$$

$$\newcommand{\Span}{\mathrm{span}}$$ $$\newcommand{\AA}{\unicode[.8,0]{x212B}}$$

$$\newcommand{\vectorA}[1]{\vec{#1}} % arrow$$

$$\newcommand{\vectorAt}[1]{\vec{\text{#1}}} % arrow$$

$$\newcommand{\vectorB}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} }$$

$$\newcommand{\vectorC}[1]{\textbf{#1}}$$

$$\newcommand{\vectorD}[1]{\overrightarrow{#1}}$$

$$\newcommand{\vectorDt}[1]{\overrightarrow{\text{#1}}}$$

$$\newcommand{\vectE}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{\mathbf {#1}}}}$$

$$\newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} }$$

$$\newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}}$$

$$\newcommand{\avec}{\mathbf a}$$ $$\newcommand{\bvec}{\mathbf b}$$ $$\newcommand{\cvec}{\mathbf c}$$ $$\newcommand{\dvec}{\mathbf d}$$ $$\newcommand{\dtil}{\widetilde{\mathbf d}}$$ $$\newcommand{\evec}{\mathbf e}$$ $$\newcommand{\fvec}{\mathbf f}$$ $$\newcommand{\nvec}{\mathbf n}$$ $$\newcommand{\pvec}{\mathbf p}$$ $$\newcommand{\qvec}{\mathbf q}$$ $$\newcommand{\svec}{\mathbf s}$$ $$\newcommand{\tvec}{\mathbf t}$$ $$\newcommand{\uvec}{\mathbf u}$$ $$\newcommand{\vvec}{\mathbf v}$$ $$\newcommand{\wvec}{\mathbf w}$$ $$\newcommand{\xvec}{\mathbf x}$$ $$\newcommand{\yvec}{\mathbf y}$$ $$\newcommand{\zvec}{\mathbf z}$$ $$\newcommand{\rvec}{\mathbf r}$$ $$\newcommand{\mvec}{\mathbf m}$$ $$\newcommand{\zerovec}{\mathbf 0}$$ $$\newcommand{\onevec}{\mathbf 1}$$ $$\newcommand{\real}{\mathbb R}$$ $$\newcommand{\twovec}[2]{\left[\begin{array}{r}#1 \\ #2 \end{array}\right]}$$ $$\newcommand{\ctwovec}[2]{\left[\begin{array}{c}#1 \\ #2 \end{array}\right]}$$ $$\newcommand{\threevec}[3]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \end{array}\right]}$$ $$\newcommand{\cthreevec}[3]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \end{array}\right]}$$ $$\newcommand{\fourvec}[4]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \\ #4 \end{array}\right]}$$ $$\newcommand{\cfourvec}[4]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \\ #4 \end{array}\right]}$$ $$\newcommand{\fivevec}[5]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \\ #4 \\ #5 \\ \end{array}\right]}$$ $$\newcommand{\cfivevec}[5]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \\ #4 \\ #5 \\ \end{array}\right]}$$ $$\newcommand{\mattwo}[4]{\left[\begin{array}{rr}#1 \amp #2 \\ #3 \amp #4 \\ \end{array}\right]}$$ $$\newcommand{\laspan}[1]{\text{Span}\{#1\}}$$ $$\newcommand{\bcal}{\cal B}$$ $$\newcommand{\ccal}{\cal C}$$ $$\newcommand{\scal}{\cal S}$$ $$\newcommand{\wcal}{\cal W}$$ $$\newcommand{\ecal}{\cal E}$$ $$\newcommand{\coords}[2]{\left\{#1\right\}_{#2}}$$ $$\newcommand{\gray}[1]{\color{gray}{#1}}$$ $$\newcommand{\lgray}[1]{\color{lightgray}{#1}}$$ $$\newcommand{\rank}{\operatorname{rank}}$$ $$\newcommand{\row}{\text{Row}}$$ $$\newcommand{\col}{\text{Col}}$$ $$\renewcommand{\row}{\text{Row}}$$ $$\newcommand{\nul}{\text{Nul}}$$ $$\newcommand{\var}{\text{Var}}$$ $$\newcommand{\corr}{\text{corr}}$$ $$\newcommand{\len}[1]{\left|#1\right|}$$ $$\newcommand{\bbar}{\overline{\bvec}}$$ $$\newcommand{\bhat}{\widehat{\bvec}}$$ $$\newcommand{\bperp}{\bvec^\perp}$$ $$\newcommand{\xhat}{\widehat{\xvec}}$$ $$\newcommand{\vhat}{\widehat{\vvec}}$$ $$\newcommand{\uhat}{\widehat{\uvec}}$$ $$\newcommand{\what}{\widehat{\wvec}}$$ $$\newcommand{\Sighat}{\widehat{\Sigma}}$$ $$\newcommand{\lt}{<}$$ $$\newcommand{\gt}{>}$$ $$\newcommand{\amp}{&}$$ $$\definecolor{fillinmathshade}{gray}{0.9}$$

Como discutimos en el Capítulo 15, es un error común confundir la correlación con la causalidad. Al analizar los datos, obtenemos de probar nuestras hipótesis, estamos buscando pasar de la mera observación de correlación a la comprensión de la causalidad. Sin embargo, cómo lo hacemos es complicado. En esta sección, primero veremos algunos factores complicantes y errores descarados que la gente comete al buscar reclamar la causalidad y luego volveremos nuestra atención a algunos métodos que funcionan bien.

## Mal razonamiento causal

Al igual que con otros tipos de razonamiento, el razonamiento causal puede salir mal de muchas maneras diferentes, pero hay varios patrones de razonamiento causal defectuoso que son lo suficientemente comunes como para que deberíamos discutirlos aquí.

## Post Hoc, Ergo Propter Hoc

Esta frase latina (generalmente abreviada a 'post hoc', todavía aparece con la suficiente frecuencia como para que valga la pena aprenderla. Significa: después de esto, por lo tanto por esto. Cometemos esta falacia cuando concluimos que A causó B simplemente porque B siguió a A.

Cuando lo ponemos de esta manera, es probable que parezca un razonamiento tan desesperado que realmente no vale la pena advertirlo al respecto. El día sigue a la noche, pero pocos de nosotros pensamos que ese día causa noche. Hay muchos casos, sin embargo, donde realmente es tentador razonar de esta manera.

Por ejemplo, a veces tomamos alguna acción, descubrimos el resultado y concluimos que nuestra acción condujo al resultado. Encontramos numerosos casos de este tipo cuando aprendimos sobre regresión a la media en 16.7.1).

Por ejemplo, si a la institución de una nueva política le sigue una disminución de algo indeseable o un aumento de algo deseable, puede resultar tentador concluir que la medida provocó para el turno. El índice delictivo subió el año pasado, agregamos más policías o aprobamos leyes de sentencia más duras, y este año volvió a bajar a su nivel normal. En muchos casos este retorno a la normalidad podría haber ocurrido sin la medida, simplemente como consecuencia de la regresión a la media. En tales casos, es probable que expliquemos la reducción de la delincuencia por el aumento del número de policías o las nuevas leyes, pero vamos a estar equivocados, y a la nueva medida se le dará crédito que no merece.

Como último ejemplo, cuando algunas personas se recuperan de una determinada enfermedad después de tomar cierto medicamento, es tentador concluir que el medicamento causó su recuperación. Pero, ¿podrían haberse recuperado de todos modos, sin la droga? En muchos casos, la gente lo hace. Aquí necesitamos comparar la tasa de recuperación entre quienes toman el medicamento con la tasa entre los que no lo hacen. En muchos casos, la mejor manera de hacerlo es con un experimento controlado. La conexión aquí puede ser simplemente una correlación ilusoria (Capítulo 15), y si es así, aquí no hay ninguna conexión causal interesante.

## Causas Comunes

Cuando dos clases de cosas están correlacionadas positivamente, a veces ocurre que una causa la otra. Pero razonamos mal cuando tomamos una correlación entre dos cosas para demostrar que una causa a la otra. Cuando estudiamos muestras y correlaciones (Capítulo 15) notamos que las correlaciones entre dos cosas a menudo se basan en alguna tercera causa común. Por ejemplo, existe una correlación positiva entre un barómetro de caída y una tormenta, pero ninguno causa el otro. Son los efectos conjuntos de una causa común: un frente frío que se aproxima.

## Separando la Causa del Efecto

A veces el problema aquí se describe como causa y efecto confusos. ¿Cómo podría alguien tener un problema con esto? ¿No suele ser obvio? Sí, muy a menudo lo es. Pero en sistemas complejos suele ser difícil determinar qué causa qué.

Las familias con un miembro esquizofrénico tienden a ser disfuncionales de varias maneras. Pero, ¿la esquizofrenia conduce a problemas familiares o los problemas conducen a la esquizofrenia? La respuesta no tiene por qué ser sencilla. Además de estas dos posibilidades, puede ser que haya alguna tercera causa, común. O puede ser que cada cosa empeore a la otra. Puede haber una especie de círculo vicioso con un bucle de retroalimentación.

## Bucles de retroalimentación

Los bucles de retroalimentación ocurren cuando la salida de un sistema se usa entonces como entrada para el mismo sistema. Estos bucles hacen que sea complicado involucrarse en el razonamiento causal porque enredan causa y efecto. Tomemos por ejemplo cambio de temperatura y derretimiento de nieve y hielo. A medida que las temperaturas aumentan la nieve y el hielo se derriten, lo que revela más El suelo expuesto es menos reflectante y absorbe más calor, provocando que las temperaturas suban, lo que a su vez provoca que más nieve se derrita. Terminamos con un sistema donde el aumento de las temperaturas derrite la nieve y el hielo, pero derretirse la nieve y el hielo hacen que las temperaturas aumenten. Entonces, ¿cuál es la causa y cuál es el efecto? Esa forma de pensar es irracional debido al bucle de retroalimentación. La única manera correcta de entender la causalidad en este caso es mirando el sistema como un todo y viéndolo enredado.

## Variables de confusión

En otros casos, una serie de cosas van juntas de maneras que pueden dificultar determinar exactamente qué causa qué. Por ejemplo, las personas de color reciben peor atención de salud, en grupo, que las personas blancas. Pero a veces se argumenta que esto no es un resultado directo de la discriminación racial sino de diferencias económicas (que a menudo son consecuencia de la discriminación), la falta de un buen seguro de salud, o aún otros factores. Cuanto más involucrado esté un sistema, más complicadas son las cosas, y menos probable es que se pueda identificar una sola causa (aunque en el ejemplo anterior, va a darse el caso de que abordar la discriminación y la injusticia sistémica abordaría gran parte del problema).

## Esquemas Causales

Un aspecto final del mal razonamiento causal a tener en cuenta es la existencia de esquemas causales. Un esquema causal es un atajo cognitivo que hemos desarrollado para ayudarnos a explicar la causa y el efecto comunes. Si tu mamá siempre te cocina el desayuno por la mañana, y te despiertas y ves el desayuno en la mesa, inmediatamente concluirás que tu madre fue la causa del desayuno. Nos basamos en esquemas causales todo el tiempo. Si no lo hiciéramos, estaríamos constantemente empezando de cero tratando de averiguar cómo nos encontramos en las situaciones en las que nos encontramos. Teniendo en cuenta el costo de la información de reinvestigar todo todo el tiempo los esquemas causales son necesarios en la vida cotidiana.

Sin embargo, cuando realmente necesitamos entender la causa y el efecto, los esquemas casuales pueden interponerse en el camino de la verdad. Esto se debe a que todo el propósito de los esquemas causales es permitirnos saltarnos la investigación, pero la única manera que podemos saber es si investigamos. Considera el ejemplo de desayuno anterior. Si bien tu madre es la persona que siempre ha preparado el desayuno en el pasado, es posible que tu padre, hermano o un extraño invasor casero haya hecho la comida. También es importante tener en cuenta que nuestros esquemas causales sólo son tan buenos como la investigación que se dedicó a formarlos en primer lugar. Las creencias inexactas conducen a esquemas inexactos.

## Métodos de Molino

Los métodos de Mill son técnicas diseñadas para ayudarnos a aislar las causas genuinas de una lista de causas potenciales. A menudo se les llama eliminativas porque señalan la verdadera causa (cuando lo hacen) eliminando posibles causas que no son genuinas. Estas técnicas obtienen su nombre de John Stuart Mill (1806—1874), el filósofo británico que las sistematizó. Sin embargo, no fueron inventados por Mill, ya que las personas que se dedicaban a un cuidadoso razonamiento causal siempre empleaban estrategias similares.

Los métodos de Mill no son mágicos. No pueden identificar las causas en el vacío. Requieren que hagamos suposiciones sustantivas sobre el tipo de cosas que podrían haber causado un evento o tipo de evento determinado. En muchas situaciones podemos hacer esto con un grado razonable de confianza, por lo que los métodos suelen ser útiles. Pero no son infalibles; el razonamiento causal es el razonamiento inductivo, y por lo tanto está sujeto a la incertidumbre inductiva estándar. Para ello necesitamos recordar, como siempre, permanecer falibles sobre las conclusiones que sacamos utilizando estos métodos.

## Método de Acuerdo

Idea básica: Tenemos que enfocarnos en cosas que son iguales, que coincidan entre casos. Si una causa potencial A está presente cuando un efecto E está ausente, entonces A no es la causa de E. Si podemos eliminar todas menos una de las causas potenciales en los casos en que se produce E, entonces la causa potencial restante es la causa real o genuina.

Ejemplos

Ostras malas: Tú y varios amigos se enferman después de salir a comer juntos. Cada uno tenía diferentes platos principales y cócteles, pero compartieron el aperitivo de ostras crudas. Puedes eliminar todos los alimentos y bebidas que no todos tuvieras como causas de la intoxicación alimentaria.

Relaciones Tóxicas: Toda relación en la que ha estado Steve no es saludable. Steve y sus diversos compañeros pelean hasta que finalmente se separan. Lo común en todas las relaciones tóxicas es Steve. Nos queda concluir que Steve es la causa de los problemas de relación.

## Método de Diferencia

Idea básica: Necesitamos enfocarnos en lo que es diferente entre casos. Si ocurre un efecto de interés en un caso pero no en un segundo, busque una causa potencial que esté presente en el primer caso pero no en el segundo. Si encuentra uno, es probable que sea la causa (o al menos parte de la causa).

Ejemplos

Cómo arrancar tu auto: Si tu auto arrancó ayer pero no arranca hoy, necesitamos pensar en lo que pudo haber cambiado. Si ayer fue 50 grados y hoy es de 20 grados, podría ser que la temperatura más fría esté impidiendo que tu auto arranque.

Reacción alérgica: Vas a tu patio trasero para disfrutar de las hermosas flores que tu pareja ha plantado. En poco tiempo, tus ojos comienzan a regarse, y tu nariz comienza a correr. Vuelves al interior. Pronto, los síntomas desaparecen. Es probable que la diferencia en su entorno —flores versus ninguna flor— estuviera causando sus síntomas.

Hornear un Pastel: Si la primera vez que hiciste un pastel estuvo bastante bueno, y la segunda vez no tanto, deberías pensar en lo que hiciste diferente. Si decidiste sustituir la sal por azúcar por segunda vez, es probable que esa diferencia sea la causa de que sepa menos bien.

## Método Conjunto de Acuerdo y Diferencia

Idea básica: Estamos combinando los dos métodos anteriores. Entonces, estamos buscando ver qué es diferente entre casos con diferentes resultados y qué es lo mismo de los que tienen el mismo resultado. Si A siempre está presente cuando, pero solo cuando, E está presente, entonces A causó E. Cuando el acuerdo y la diferencia se consideraron separados, podríamos concluir probabilidad de causalidad en cada caso. Ahora que los hemos combinado, parece aún más probable que podamos concluir la causalidad porque A parece necesario y suficiente para E.

Ejemplos

Preparación para exámenes: Todas las personas que tomaron el curso Wilburton Prep para el LSAT (una prueba utilizada para tomar decisiones sobre las admisiones a las facultades de derecho) fueron aceptadas por la facultad de derecho a la que querían asistir. Pero ninguna de las personas que postularon a la misma escuela de derecho pero no tomaron el curso fueron aceptadas.

Ostras malas Parte II: Esta vez todos deciden pedir los mismos platos principales y cócteles, pero después de la mala experiencia la última vez solo la mitad de ustedes comieron el aperitivo de ostras crudas. Otra vez, algunos de ustedes se enferman. Resulta que sólo la gente que comió el aperitivo se enfermó. Ahora se puede ver que todos los que comieron las ostras crudas se enfermaron y nadie que no se enfermó.

Relaciones Tóxicas Parte II: Toda relación en la que ha estado Steve no es saludable. Steve y sus diversos compañeros pelean hasta que finalmente se separan. Después de dejar atrás a Steve, todos sus socios se encuentran en relaciones amorosas y saludables. Lo común en todas las relaciones tóxicas es Steve, y una vez que Steve está ausente la toxicidad no se manifiesta. Ahora tenemos más evidencias de que Steve es la causa de los problemas de relación.

## Método de Residuos

Idea básica: A veces tenemos una situación complicada con varias causas y resultados. Si se piensa que una serie de factores causan una serie de resultados y todos los factores se han emparejado con resultados excepto uno, entonces el factor restante puede entenderse como la causa del último resultado. Básicamente, podemos desenredar las cosas estrechando nuestro enfoque a las cosas que quedan en el grupo que no han sido igualadas.

Ejemplo

Enfermo en la Feria: Te das cuenta que cada año después de asistir a la Feria Estatal tienes dolor de estómago, estás mareado y mareado, y tu piel se siente muy caliente. Piensas en lo que normalmente es para ti un día en la Feria. Parece que tu día en la feria invariablemente cae en un día caluroso y soleado que es una lástima, ya que hay muy poca sombra y nunca recuerdas usar protector solar. La situación del baño siempre es asquerosa, así que evitas beber lo más posible, para evitar tener que usarlo, pero sí te pasas el día llenándote de todo frito.

Entonces, tienes tres síntomas, un dolor de estómago, mareo y una quemadura solar y tres causas, largas horas al sol, atiborrándose de comida grasienta y no agua potable. Rápidamente juntas que la comida grasienta causó el dolor de estómago y el sol caliente conducen a las quemaduras solares. Como son las únicas cosas que quedan, el hecho de no beber agua debió haber provocado el mareo (aunque podrías notar que también hay un bucle de retroalimentación en juego, aquí, ya que el sol caliente que lleva a la quemadura solar también aceleró la deshidratación cuando no bebiste).

## Método de variación concomitante

Idea básica: Este método está relacionado con nuestra discusión anterior de correlación (Capítulo 15). Es relevante cuando se trata de diferentes cantidades o tasas de algo. La palabra 'concomitante' no es tan común como lo era en los días de Mill, sino que simplemente significa acompañar. Este método se aplica cuando un incremento en una variable va acompañado de un incremento en la otra. Si la cantidad de resultado E aumenta a medida que aumenta la cantidad de evento A, entonces A probablemente causa E.

Ejemplos

Cigarrillos: Aiko ha comenzado recientemente a fumar. Ella ha descubierto que cuantos más cigarrillos fuma, más dolores de cabeza tiene. El método de variación concomitante nos dice que los cigarrillos son la causa probable de los dolores de cabeza.

Podcast: Hace unos meses, Adesh encontró un nuevo podcast que le gusta. Ha pasado de escuchar ocasionalmente a consumir los cientos de episodios pasados y otros nuevos en cuanto salen. A lo largo de este mismo tiempo, personas cercanas a Adesh observan que ha comenzado a hacer comentarios misóginos con frecuencia creciente, proporcionales a la cantidad de tiempo que pasa escuchando el podcast. El método de variación concomitante nos dice que el podcast está ampliando la retórica misógina de Adesh.

This page titled 20.6: Evaluar la correlación y la causalidad reclamante is shared under a CC BY-NC 4.0 license and was authored, remixed, and/or curated by Jason Southworth & Chris Swoyer via source content that was edited to the style and standards of the LibreTexts platform.