Estadística y evidencia
Correlación y causalidad: ¿qué muestran los datos?
Una relación entre datos es el comienzo. Revisa las variables, las explicaciones alternativas y el diseño antes de afirmar una causa.
Correlación y causalidad son conceptos que necesitas distinguir cuando una gráfica, una noticia o un ejercicio sugiere que una cosa produce otra. Dos medidas pueden variar juntas sin que modificar una sea lo que cambia la otra. No basta con repetir que la correlación no implica causalidad: explica qué muestran los datos, propone una alternativa razonable y señala qué evidencia permitiría distinguir las posibilidades.
Este artículo utiliza situaciones escolares y de biblioteca completamente ficticias. Los pequeños conjuntos de datos son ejemplos originales para practicar, no resultados reales de estudiantes, pruebas de una aplicación ni investigaciones realizadas. Puedes trabajar con papel y lápiz. El objetivo es interpretar evidencia, no calcular un coeficiente de correlación ni una prueba de significación. Si tu tarea exige esos cálculos, sepáralos de la pregunta sobre qué permite concluir el diseño del estudio.
1. Correlación y causalidad: precisar la pregunta
Una asociación describe cómo aparecen juntas dos variables en las observaciones. Una afirmación causal sostiene que cambiar una produciría un cambio en otra bajo determinadas condiciones. Imagina que una biblioteca escolar registra que quienes la visitan más suelen llevarse más libros. Eso describe un patrón observado. Afirmar que obligar a cada estudiante a realizar dos visitas adicionales aumentará los préstamos añade una intervención que esos registros no han puesto a prueba.
Define ambas variables. ¿Son visitas por estudiante al mes o totales diarios de toda la biblioteca? ¿La otra medida cuenta libros, personas que piden préstamos o tiempo de lectura? Son cantidades diferentes. Identifica qué representa una observación, el periodo y el grupo estudiado. Una conclusión sobre los totales de distintos días no se convierte automáticamente en una afirmación sobre lo que hará cada estudiante.
Revisa también el verbo de la consigna. Describir una asociación pide un patrón; explicar por qué no se demuestra causalidad pide examinar alternativas y diseño. Proponer una investigación pide una comparación adicional. Subraya palabras como «causa», «mejora» o «provoca» en la conclusión. Después comprueba si el enunciado aporta evidencia de modificar deliberadamente el supuesto factor causal o si solo presenta dos medidas registradas juntas.
2. Conservar las parejas y mirar la nube de puntos
Usa estos seis registros ficticios de visitas mensuales y libros prestados: (1, 3), (2, 7), (3, 4), (4, 9), (5, 8), (6, 12). Cada pareja pertenece a un estudiante. Representa las visitas en horizontal y los préstamos en vertical. La tendencia general asciende, aunque no de forma perfecta: quien realizó tres visitas pidió menos libros que quien realizó dos. No conviertas esa tendencia en una regla exacta para cada persona.
No ordenes las columnas por separado: crearías parejas que nunca se observaron. Antes de interpretar, comprueba unidades, valores repetidos y datos ausentes. La referencia del NIST sobre diagramas de dispersión, en inglés, ayuda a revisar dirección, forma y puntos inusuales. Nuestros registros son nuevos ejemplos didácticos. Las fotografías solo ilustran situaciones de estudio; no contienen las respuestas numéricas ni representan una investigación real.
Rotula los ejes y utiliza una escala que muestre claramente los valores. No unas estos puntos como una secuencia temporal: representan personas distintas, no etapas sucesivas de una misma persona. El artículo sobre ejes y escalas al representar datos puede ayudarte con esa parte. Una representación clara facilita observar la asociación, pero una línea ascendente bien dibujada no añade evidencia causal a los registros originales.
3. Diferenciar descripción, predicción e intervención
Una descripción prudente sería: en estos seis registros ficticios, más visitas suelen acompañarse de más préstamos. No afirma que cada visita adicional produzca una cantidad fija de libros. Tampoco demuestra el patrón para todo el centro: la selección no está descrita y la muestra es pequeña. Limita la conclusión al grupo y al periodo que realmente aparecen en los datos, sin ampliar silenciosamente su alcance.
Predecir es otra pregunta. Las visitas podrían ayudar a estimar préstamos entre estudiantes parecidos y en circunstancias similares, aunque no fueran la única causa. Un predictor puede compartir información con otros factores. Sin embargo, una relación observada puede cambiar cuando cambia la población o una norma. Una predicción basada en registros existentes no equivale a una promesa comprobada sobre los efectos de una nueva política.
Una intervención preguntaría qué sucede al fomentar o imponer visitas adicionales entre estudiantes comparables. Tal vez los lectores más interesados ya visitan más, o una tarea de investigación aumenta ambas cantidades. Obligar a visitar no reproduce necesariamente esos motivos. Redacta por separado lo observado, lo que podría predecirse y el cambio que se propone. Así evitas que una gráfica responda una pregunta que el estudio no investigó.
4. Buscar otra dirección o una causa común
Una explicación posible es que visitar ofrezca más oportunidades para pedir libros. Otra es que quien planea pedir varios libros decida visitar más: la dirección propuesta se invierte. No necesitas demostrar que esa alternativa es verdadera para señalar la insuficiencia de los registros. Basta con explicar un proceso creíble que también produciría el patrón y mostrar por qué la información disponible no permite distinguirlo de la primera explicación.
Una tarea de investigación podría aumentar tanto las visitas como los préstamos. Sería un posible factor de confusión porque puede influir en ambas variables. No basta con nombrar una característica cualquiera: explica sus dos conexiones. El material del Tecnológico de Monterrey sobre explicación y predicción presenta el problema de confundir una correlación con una explicación causal. Aquí aplicamos esa distinción a un escenario propio de biblioteca.
También pueden intervenir el azar, la selección de resultados y errores de medición. Un caso poco habitual puede pesar mucho en una muestra pequeña. Una noticia podría mostrar solo la clase que encaja con su relato y omitir otras. Eso no demuestra que la asociación sea falsa. Indica por qué debemos preguntar cómo se eligieron los registros, cómo se midieron las variables y si el patrón aparece de nuevo antes de tratarlo como explicación fiable.
5. Un coeficiente no resuelve la cuestión causal
Si estudias el coeficiente r de Pearson, recuerda que resume una asociación lineal entre dos variables numéricas. El signo indica la dirección y su magnitud refleja la proximidad a un patrón lineal. No mide el efecto de una intervención. Incluso un valor cercano a uno o menos uno no identifica por sí solo qué variable causa cuál, ni descarta que un tercer factor explique la relación.
Un valor cercano a cero no excluye toda relación. Puede haber una curva con poca correlación lineal, por lo que debes mirar la nube de puntos. Los valores atípicos, el intervalo observado y la mezcla de grupos también importan. No elimines una observación incómoda para aumentar r. Averigua si es un error de registro, un tipo de caso distinto o un dato auténtico que necesita explicación.
«Estadísticamente significativo», cuando se ha establecido correctamente, tampoco significa causal, importante o válido para cada persona. La prueba se refiere a un modelo y sus supuestos. Aquí no calculamos una para los registros inventados: no atribuyas un valor p a una tendencia visual. Si el ejercicio proporciona un coeficiente o una prueba, comunícalos con precisión y vuelve después al diseño para valorar la afirmación de causa y efecto.
6. Examinar cómo se creó la comparación
Un estudio observacional registra lo que ocurre sin asignar la condición supuestamente causal. Puede aportar patrones útiles y contribuir a investigar causas, pero una comparación sencilla exige analizar alternativas. Aumentar la muestra puede precisar la asociación sin resolver la misma confusión de fondo. Más registros no reparan automáticamente una comparación entre grupos que ya diferían en aspectos importantes antes de recibir el supuesto tratamiento.
Un experimento aleatorizado bien diseñado asigna condiciones al azar y mide los resultados de manera consistente. Como ejemplo escolar inocuo, una profesora podría asignar macetas equivalentes a dos pautas de riego aprobadas, manteniendo comparables las demás condiciones previstas. La asignación aleatoria ayuda a equilibrar otros factores en promedio; no garantiza grupos idénticos ni ejecución perfecta. Habría que comprobar también que se respetaron las condiciones y que las mediciones se hicieron igual.
Distingue muestreo y asignación aleatoria. El primero trata de quién entra en el estudio; la segunda, de qué condición recibe cada unidad incluida. Elegir participantes al azar y dejarles escoger tratamiento no crea un experimento aleatorizado. Asignar al azar a unos pocos voluntarios tampoco garantiza que representen a toda la población. Otros métodos pueden aportar evidencia causal, pero requieren supuestos y análisis explícitos que van más allá de dibujar una nube de puntos.
7. Redactar una conclusión ajustada a la evidencia
Conecta tres ideas: el patrón observado, una alternativa razonable y la evidencia que falta. En los seis registros ficticios, más visitas suelen acompañarse de más préstamos; una tarea de investigación podría aumentar ambos; los datos no muestran qué pasaría si solo cambiaran las visitas. Esta explicación señala la limitación concreta. Repetir únicamente el lema sobre correlación y causalidad no sustituye el análisis de la situación presentada.
Usa «se asocia con» para el patrón, «podría contribuir a explicarlo» para un mecanismo no probado y «el estudio no establece» para el límite causal. No escribas «no existe relación causal» solo porque el diseño no permita demostrarla. La falta de evidencia suficiente de una causa no equivale a evidencia de que no haya causa. Mantén esa posibilidad abierta y aclara exactamente qué se investigó y qué no.
Vuelve a la fuente original, no solo al titular o a una gráfica recortada. La guía para analizar una fuente ayuda a distinguir las afirmaciones de su respaldo. Comprueba fecha, población, definiciones y método. Si el profesor entrega un extracto ficticio breve, evalúa lo que aporta e identifica lo que falta. No inventes asignación aleatoria, tamaño muestral ni mediciones para fortalecer una conclusión que el texto no permite.
8. Aplicar el razonamiento a otro ejercicio
Prueba esta afirmación ficticia: quienes asisten a sesiones optativas de repaso obtienen peores resultados, así que las sesiones perjudican el aprendizaje. Pregunta primero quién asiste. Quizá quienes ya tenían dificultades buscan más ayuda. Esa dificultad previa podría explicar asistencia y resultados posteriores. El patrón no muestra cómo les habría ido sin las sesiones. Nombra la comparación que falta en vez de adivinar si la ayuda funciona o no.
Compara el caso con una investigación propuesta: macetas equivalentes reciben al azar dos pautas de riego aprobadas y se mide su crecimiento durante el mismo periodo. El diseño aborda la causa de forma más directa que observar macetas regadas de cualquier manera. Aun así, revisarías medición, cumplimiento, luz y variación aleatoria. No comuniques un resultado: es un plan que no hemos ejecutado y no demuestra que una pauta sea mejor.
Escribe tu explicación antes de consultar ayuda opcional. Si está permitido, el recorrido de práctica y repaso de Lirno puede ayudarte a convertir una duda concreta en otro ejercicio. La IA puede interpretar mal un estudio o razonar incorrectamente. Siguen vigentes las normas escolares; Lirno no garantiza exactitud, notas, dominio ni permiso de uso. Contrasta cualquier propuesta con el diseño y explica después, sin mirar la referencia, qué conclusión permite la evidencia.
