Estatística e evidências
Correlação e causalidade: o que os dados mostram?
Um padrão nos dados é o começo. Confira as variáveis, as explicações alternativas e o desenho do estudo antes de afirmar uma causa.
Correlação e causalidade precisam ser diferenciadas quando uma atividade, um gráfico ou uma manchete sugere que uma coisa produz outra. Duas medidas podem variar juntas sem que alterar uma seja o que provoca a mudança na outra. A resposta útil não é apenas repetir que correlação não implica causalidade. Explique o padrão observado, apresente uma alternativa plausível e indique qual evidência ajudaria a distinguir as possibilidades.
Este guia usa situações escolares e de biblioteca totalmente fictícias. Os pequenos conjuntos de dados foram inventados para praticar o raciocínio: não são resultados reais de estudantes, testes de aplicativo nem pesquisas realizadas. Você pode trabalhar com papel e lápis. O objetivo é interpretar evidências, não calcular um coeficiente de correlação ou um teste de significância. Se a tarefa exigir esses cálculos, separe-os da pergunta sobre o que o desenho do estudo permite concluir.
1. Correlação e causalidade começam pela pergunta
Uma associação descreve como variáveis aparecem juntas nas observações. Uma afirmação causal diz que mudar uma produziria mudança em outra, em condições especificadas. Imagine que uma biblioteca escolar registra que estudantes com mais visitas costumam retirar mais livros. Isso descreve um padrão observado. Dizer que obrigar cada estudante a fazer duas visitas adicionais aumentará os empréstimos acrescenta uma afirmação sobre uma intervenção que os registros não testaram.
Defina exatamente as duas variáveis. São visitas por estudante por mês ou totais diários da biblioteca inteira? A outra medida conta livros, pessoas que fazem empréstimos ou tempo de leitura? São grandezas diferentes. Identifique a unidade de cada observação, o período e o grupo estudado. Uma conclusão sobre totais de dias diferentes não se transforma automaticamente em uma afirmação sobre o comportamento de um estudante específico.
Leia também o verbo da questão. Descrever uma associação pede um padrão; explicar por que não se estabelece causalidade exige examinar alternativas e desenho. Sugerir uma investigação pede uma comparação adicional. Marque palavras como «causa», «melhora» ou «leva a» na conclusão apresentada. Depois confira se a atividade traz evidência de alterar deliberadamente o suposto fator causal ou se apenas mostra duas medidas registradas em conjunto.
2. Preserve os pares e examine o gráfico de dispersão
Use estes seis registros fictícios de visitas mensais e livros retirados: (1, 3), (2, 7), (3, 4), (4, 9), (5, 8), (6, 12). Cada par pertence a um estudante. Coloque visitas no eixo horizontal e livros no vertical. O padrão geral sobe, mas não perfeitamente: quem fez três visitas retirou menos livros que quem fez duas. Uma tendência no conjunto não é uma regra exata para cada pessoa.
Não ordene as duas colunas separadamente, pois isso criaria pares que nunca foram observados. Confira unidades, valores repetidos e registros ausentes antes de interpretar. A referência do NIST sobre gráficos de dispersão, em inglês, ajuda a examinar direção, formato e pontos incomuns. Nossos registros são exemplos didáticos originais. As fotografias ilustram situações de estudo; não representam a pesquisa nem contêm uma resposta numérica para o exercício.
Nomeie os eixos e escolha uma escala que mostre os valores com clareza. Não una esses pontos como uma sequência temporal: eles representam pessoas diferentes, não etapas sucessivas da mesma pessoa. O guia para representar dados com eixos e escalas ajuda nessa parte. Um gráfico organizado facilita observar a associação, mas uma linha crescente bem desenhada não acrescenta evidência causal aos registros que deram origem a ela.
3. Separe descrição, previsão e intervenção
Uma descrição cuidadosa seria: nesses seis registros fictícios, mais visitas geralmente aparecem com mais empréstimos. Isso não afirma que cada visita extra produza uma quantidade fixa de livros. Tampouco demonstra o padrão para todos os estudantes da escola: a seleção não foi descrita e o conjunto é pequeno. Restrinja a conclusão ao grupo e ao período realmente representados, sem ampliar silenciosamente o alcance da informação.
Prever é outra questão. O número de visitas poderia ajudar a estimar empréstimos entre estudantes semelhantes, em circunstâncias parecidas, mesmo sem ser sua única causa. Um preditor pode compartilhar informação com outros fatores. O capítulo sobre correlação, causalidade e previsão do OTexts explica essa distinção. Uma previsão baseada em registros existentes não equivale a uma promessa comprovada sobre o efeito de mudar uma política ou de introduzir uma nova regra.
A pergunta de intervenção seria o que acontece ao incentivar ou exigir visitas adicionais entre estudantes comparáveis. Talvez leitores mais interessados já escolham visitar mais, ou uma tarefa de pesquisa aumente as duas medidas. Obrigar uma visita não reproduz necessariamente esses motivos. Escreva frases separadas para o observado, o que poderia ser previsto e a mudança proposta. Assim, um gráfico não responde indevidamente a uma pergunta que o estudo nunca investigou.
4. Considere direção inversa, causas comuns e acaso
Uma explicação possível é que visitar crie oportunidades de retirar livros. Outra é que estudantes planejando retirar vários livros decidam fazer mais visitas: a direção proposta se inverte. Você não precisa demonstrar que essa alternativa é verdadeira para apontar a insuficiência dos registros. Basta explicar um processo plausível que também produziria o padrão e mostrar por que as informações disponíveis não distinguem esse processo da explicação inicial.
Uma tarefa de pesquisa poderia aumentar tanto visitas quanto empréstimos. Nesse caso, seria um possível fator de confusão, por poder influenciar as duas variáveis. Não basta citar uma característica qualquer: explique suas duas conexões. Turmas diferentes ou condições diferentes de acesso à biblioteca poderiam importar, mas você precisa justificar como afetariam tanto o suposto fator causal quanto o resultado. Uma palavra técnica sem ligação com o cenário não resolve a análise.
Acaso, seleção de resultados e problemas de medição também podem gerar padrões enganosos. Em um conjunto pequeno, um estudante incomum pode influenciar bastante a aparência. Uma manchete poderia apresentar apenas a turma que combina com sua história e omitir outras. Isso não prova que a associação seja falsa. Mostra por que perguntar como os casos foram escolhidos, como as variáveis foram registradas e se o padrão se repete antes de aceitar uma explicação confiável.
5. Um coeficiente não responde à pergunta causal
Se o curso usa o r de Pearson, lembre que ele resume uma associação linear entre duas variáveis numéricas. O sinal indica a direção, enquanto a magnitude descreve a proximidade dos pontos a um padrão linear. Não mede o efeito de uma intervenção. Mesmo um valor próximo de um ou menos um não revela sozinho qual variável causa qual, nem exclui que um terceiro fator explique a relação.
Um valor próximo de zero não descarta qualquer relacionamento. Uma curva pode apresentar pouca correlação linear, então examine o gráfico em vez de depender apenas do número. Valores atípicos, a faixa observada e a mistura de grupos também influenciam a interpretação. Não exclua uma observação inconveniente para aumentar r. Verifique se é erro de registro, um tipo diferente de caso ou um valor verdadeiro que precisa de explicação.
«Estatisticamente significativo», quando estabelecido de maneira adequada, também não significa causal, importante ou válido para cada indivíduo. O cálculo se refere a um modelo e seus pressupostos. Não fizemos esse cálculo para os registros inventados; não atribua um valor p a uma tendência visual. Quando a atividade fornece um coeficiente ou teste, apresente-o corretamente e volte ao desenho do estudo para avaliar a afirmação mais forte de causa e efeito.
6. Pergunte como a comparação foi construída
Em um estudo observacional, registra-se o que acontece sem atribuir a condição supostamente causal. Esses estudos podem revelar padrões úteis e contribuir para investigar causas, mas uma comparação simples exige examinar alternativas. Aumentar a amostra pode tornar a associação mais precisa sem resolver o mesmo problema de confusão. Mais registros não corrigem automaticamente uma comparação entre grupos que já diferiam em vários aspectos importantes antes da suposta intervenção.
Um experimento aleatorizado bem planejado atribui condições por sorteio e compara resultados medidos de maneira consistente. Em um exemplo escolar simples, uma professora poderia sortear vasos equivalentes entre dois esquemas de rega aprovados, mantendo comparáveis as demais condições previstas. A atribuição aleatória ajuda a equilibrar outros fatores em média, mas não garante grupos idênticos ou execução perfeita. Ainda seria necessário conferir cumprimento do plano e consistência das medições, sem anunciar um resultado que não foi observado.
Amostragem aleatória e atribuição aleatória tratam de problemas distintos. A primeira diz respeito a quem entra no estudo; a segunda, à condição recebida por cada unidade incluída. Sortear participantes e deixá-los escolher o tratamento não cria um experimento aleatorizado. Sortear condições entre poucos voluntários também não garante representatividade de toda a população. Outros métodos podem produzir evidência causal, mas exigem pressupostos e análises explícitas, além de simplesmente desenhar um gráfico de dispersão.
7. Escreva uma conclusão proporcional à evidência
Conecte três ideias: o padrão observado, uma alternativa plausível e a evidência que falta. Nos seis registros fictícios, mais visitas geralmente acompanham mais empréstimos; uma tarefa de pesquisa poderia aumentar ambos; os dados não mostram o que ocorreria se apenas as visitas fossem modificadas. Essa explicação identifica a limitação concreta. Repetir somente o lema sobre correlação e causalidade não substitui o raciocínio aplicado à situação proposta pela atividade.
Use «está associado a» para a relação observada, «poderia ajudar a explicar» para um mecanismo não testado e «o estudo não estabelece» para o limite causal. Não escreva «não há relação causal» apenas porque o desenho não consegue estabelecê-la. Falta de evidência suficiente de uma causa não é o mesmo que evidência de ausência de causa. Preserve essa possibilidade e deixe claro o que foi investigado e o que permaneceu sem resposta.
Procure o contexto original, não só uma manchete ou um gráfico cortado. O guia para analisar uma fonte ajuda a distinguir uma afirmação das evidências que a sustentam. Confira data, população, definições e método. Quando o professor apresenta apenas um trecho fictício, avalie as informações disponíveis e indique o que falta. Não invente sorteio, tamanho da amostra ou medições para fortalecer uma conclusão que o texto não permite.
8. Transfira o raciocínio para uma nova atividade
Analise esta afirmação fictícia: estudantes que frequentam encontros opcionais de revisão obtêm notas menores, portanto os encontros prejudicam a aprendizagem. Pergunte primeiro quem participa. Quem já tinha dificuldade pode procurar mais ajuda. Essa dificuldade anterior poderia explicar a participação e os resultados posteriores. O padrão não mostra como essas pessoas teriam se saído sem os encontros. Nomeie a comparação ausente em vez de adivinhar se a ajuda funciona ou não.
Compare com outra investigação proposta: vasos equivalentes recebem por sorteio dois esquemas de rega aprovados, e seu crescimento é medido durante o mesmo período. O desenho aborda a causa mais diretamente do que observar vasos regados de maneiras diversas. Ainda seria preciso examinar medição, cumprimento, luz e variação aleatória. Não apresente um resultado: é um plano não executado, não evidência de que um esquema seja melhor ou de que causou determinada diferença.
Escreva sua explicação antes de consultar uma ajuda opcional. Quando permitido, o percurso de estudo e prática do Lirno pode ajudar a transformar uma dúvida específica em outra questão. A IA pode interpretar mal um estudo ou raciocinar incorretamente. As regras escolares continuam valendo; o Lirno não garante correção, notas, domínio do conteúdo ou permissão de uso. Confira a sugestão no desenho real e explique depois, sem olhar a referência, qual conclusão os dados sustentam.
