Correlación y Causalidad: una guía simple

Publicado el agosto 30, 2022 por Ludwig Ruf

Traductora: Issis A. Pérez Alvarado – Universidad Nacional Autónoma de México

De manera consciente o subconsciente nos esforzamos en encontrar explicaciones en nuestros alrededores sobre el porqué las cosas suceden de la forma que ocurren. Digamos que queremos conocer la causa del dolor de cabeza que sufrí ayer o por qué algunos genes facilitan la transformación de células humanas normales en células cancerosas.    

Encontrar la causa real detrás de un resultado es importante por tres razones principales:

1. Explicar la situación actual
2. Predecir resultados futuros
3. Crear intervenciones dirigidas a la causa para poder cambiar el resultado

Ahora, es obvio que lo complicado es encontrar la causa. La dificultad en establecer causalidad surge debido a la conducta y procesos fisiológicos que suelen ser el resultado de interacciones complejas entre una multitud de factores. Sin embargo, cuando las cosas se vuelven complejas, intentamos descomponerlas en las unidades más pequeñas para investigar las relaciones entre ellas y volver a juntar todo, sacando así conclusiones generales. 

En investigación, esto se suele hacer correlacionando las variables de interés una con otra. Esto es, observando para ver si conforme una variable aumenta, la otra variable también incrementa (correlación positiva) o disminuye (correlación negativa).

Ejemplo 1: el consumo de chocolate y los ganadores del premio Nobel

Digamos por ejemplo, que un estudio encontró que el consumo de chocolate per cápita se correlaciona de manera positiva con el número de ganadores del premio Nobel por diez millones de habitantes; a un mayor consumo, más ganadores del premio Nobel (Messerli, 2012). 

A considerar: la interpretación de la naturaleza de esta correlación no es tan directa.

El estudio no brinda evidencia clara acerca de la dirección del efecto, entonces es imposible hacer una interpretación causal como “comer más chocolate causa más premios Nobel” o “ganar más premios Nobel hace que comas más chocolate”.

En otras palabras, no podemos decir si comer más chocolate incrementará la probabilidad de ganar un premio Nobel o viceversa. En este caso, es importante notar que las correlaciones sólo muestran un patrón, sin probar la naturaleza de este patrón. Podría ser que está correlación ocurriera por casualidad, lo que se conoce como una falsa correlación (donde dos o más eventos no están relacionados por causalidad, pero aparentan que lo están ya sea por coincidencia o debido a que son originados por un factor desconocido). 

Ejemplo 2: exposición a antibióticos durante el primer año de vida y ganancia de peso en la infancia temprana

Examinemos un segundo ejemplo: la posible asociación entre la exposición a antibióticos dentro del primer año de vida y la ganancia de peso durante la primera infancia. La investigación indica que recibir más recetas de antibióticos aumenta el riesgo de tener sobrepeso a edades más tardías durante la infancia (Bailey et al., 2014).

Podría parecer lógico concluir que el consumo de antibióticos en el primer año de vida causa una ganancia de peso excesivo durante la primera infancia. No obstante, de nuevo este tipo de investigación solo muestra una correlación. No examina la causa por la que estos niños desarrollan sobrepeso, al compararlos con aquellos que reciben menos antibióticos o no están expuestos del todo. La pregunta de seguimiento tendría que ser: ¿cuál es el mecanismo fisiológico exacto detrás de esta conexión? Si bien la investigación es útil, deberíamos tomarla sin más que como punto de partida para descubrir los verdaderos mecanismos causales (si es que los hay). Sin hacer eso, las intervenciones podrían ser menos efectivas pues no estamos apuntando a la causa real.

Bailey et al. (2014). En estas figuras se muestra un riesgo aumentado de obesidad cuanto mayor es el uso de antibióticos, en particular para niños con cuatro o más exposiciones a antibióticos.

Ejemplo 3: incremento de índice de masa corporal y mayor riesgo de cáncer

Por último, consideremos un tercer ejemplo. Un mayor índice de masa corporal (IMC) parece asociarse con un riesgo aumentado de padecer varios tipos de cáncer en adultos (Renehan et al., 2008). 

De nuevo, podríamos engañarnos por esto. Sería erróneo concluir en términos simples que el tener sobrepeso ocasiona cáncer. En cambio, necesitamos considerar otras variables potenciales que podrían explicar la relación entre el IMC y un incremento en el riesgo de padecer cáncer.Por ejemplo, se puede argumentar que las personas con un nivel socioeconómico más bajo tienen menor educación acerca de los factores de riesgo potenciales, no pueden costearse servicios de salud adecuados (medidas preventivas para reducir el riesgo de cáncer) o tienen un estilo de vida que facilita el desarrollo de ciertas enfermedades (menor actividad física, dieta, etc.). En efecto, el estatus socioeconómico parece asociarse con el IMC en el caso de mujeres británicas entre 37 y 73 años de edad (Tyrrell et al., 2016).

Estos tres ejemplos ilustran algunos de los errores más comunes que se pueden cometer cuando se sacan conclusiones a partir de estudios de correlación. A pesar de estar conscientes de estas trampas, puede ser difícil evitarlas.

No obstante, es recomendable hacerse las siguientes preguntas cuando se trata con correlaciones:

• ¿Hay evidencia científica o una lógica plausible respecto a la dirección del efecto? (ver el ejemplo del chocolate).
• ¿Existen variables intermedias que puedan explicar la correlación? Como un mecanismo biológico que pudiera explicar la relación (ver el ejemplo de los antibióticos).
• ¿Existen variables sin medir qué podrían explicar la correlación? Como un tercer factor, el cual explicaría la relación (ver el ejemplo del cáncer). 

Para concluir, observar correlaciones entre variables puede ser relativamente sencillo, pero establecer que una cosa origina a otra, es difícil. Cuando se leen textos o artículos científicos hay que asegurarse de ser críticos, preguntarse si la supuesta correlación entre dos variables puede tratarse como una relación causal. 

Entonces ¿qué se necesita para el futuro? Necesitamos desarrollar el panorama general de las relaciones interconectadas, antes que encontrar asociaciones aisladas entre variables individuales. Pero antes de que tengamos mejores respuestas relacionadas respecto a la compleja interacción de correlaciones, sería una buena excusa para ir por ese bocado de chocolate… nunca se sabe. 

Autor y artículo originales: Ludwig Ruf, “Correlation and Causation: a simple guide”

Bibliografía:

Bailey, L.C., Forrest, C.B., Zhang, P., Richards, T.M., Livshits, A., DeRusso, P.A. Association of antibiotics in infancy with early childhood obesity. JAMA Pediatr. 2014; 168: 1063-1069. doi: 10.1001/jamapediatrics.2014.1539

Messerli, F.H. Chocolate Consumption, Cognitive Function, and Nobel Laureates. N. Engl. J. Med. 2012; 367: 1562-1564. doi:10.1056/NEJMon1211064

Renehan AG, Tyson M, Egger M, Heller RF, Zwahlen M. Body-mass index and incidence of cancer: a systematic review and meta-analysis of prospective observational studies. Lancet. 2008; 371(9612): 569-78. doi: 10.1016/S0140-6736(08)60269-X.

Tyrrell, J., Jones, S.E., Beaumont, R., Astley, C.M., Lovell, R., Yaghootkar, H., Tuke, M., Ruth, K.S. Freathy, R.M., Hirschhorn, J.N., Wood, A.R., Murray, A., Weedon, M.N., Frayling, T.M. Height, body mass index, and socioeconomic status: mendelian randomisation study in UK Biobank. Br. Med. J. 2016; 352: i582. doi:10.1136/bmj.i582

Aprende más: 

https://exme.cochrane.org/blog/2020/11/10/1-2-las-anecdotas-no-son-evidencia-confiable/

https://exme.cochrane.org/blog/2020/11/19/1-3-asociacion-no-es-lo-mismo-que-causalidad/

https://exme.cochrane.org/blog/2021/01/14/significancia-estadistica-versus-significancia-clinica/

https://exme.cochrane.org/blog/2021/05/25/examinando-las-pruebas-diagnosticas-sensibilidad-y-especificidad/

https://exme.cochrane.org/blog/2022/05/12/heterogeneidad-que-es-y-por-que-es-importante/

Tags: