Dois fenômenos podem caminhar lado a lado por anos – e ainda assim não ter relação causal. O problema é que a mente ama coincidências com cara de explicação: “aconteceu junto, logo foi por causa”. Em ciência (e fora dela), essa pressa produz diagnósticos ruins, políticas ruins e certezas barulhentas demais para pouca evidência.
O que são correlação e causalidade?
Correlação é uma associação: quando uma coisa varia junto com outra. Causalidade é outra conversa: é quando uma coisa produz (ou contribui para produzir) a outra.
Em termos diretos:
- correlação diz: “andam juntas”;
- causalidade diz: “uma empurra a outra” (sob certas condições).
A confusão nasce porque “andar junto” é visível, rápido e sedutor – enquanto “o que causa o quê” exige trabalho: hipóteses, controle, comparação, teste, réplica.
Por que correlação não prova causa?
Existem, pelo menos, quatro motivos clássicos para duas coisas se correlacionarem sem uma causar a outra:
- Causa invertida (o efeito vem antes)
Você acha que A causa B, mas é B que causa A.
Exemplo: “Pessoas doentes tomam mais remédios; logo, remédios causam doença.” O que acontece, na prática, é o contrário: a doença leva ao uso do remédio. - Terceira variável (variável de confusão)
A e B andam juntas porque uma terceira coisa, C, empurra ambas.
Exemplo: “Quem toma mais sorvete sofre mais afogamentos.”
O sorvete não puxa ninguém para o fundo. O calor (C) aumenta tanto o consumo de sorvete quanto a frequência em piscinas e praias. - Coincidência (correlação espúria)
Às vezes é só ruído que parece padrão – especialmente quando você testa muita coisa ao mesmo tempo.
Exemplo típico em dados: você cruza dezenas de variáveis e “descobre” relações impressionantes… que somem quando o conjunto muda. - Mistura de grupos (paradoxo do agregado)
O padrão aparece quando você junta tudo, mas some (ou se inverte) quando separa por grupos relevantes.
Isso acontece quando idade, renda, região, risco prévio ou acesso distorcem o “todo”.
O erro mais comum: “se correla, explica”
No cotidiano, a confusão costuma virar frase pronta:
- “Desde que comecei X, minha vida melhorou.”
- “Depois que tal governo entrou, tal indicador subiu.”
- “Quando a gente faz Y, os resultados aumentam.”
Pode ser verdade. Mas, sem separar alternativas, isso ainda é só narrativa bem arrumada. E narrativa não é prova.
Exemplos cotidianos
Exemplo 1 — Saúde: o suplemento “milagroso”
“Quem usa o suplemento Z relata mais disposição.”
Pode ser o suplemento? Pode.
Mas também pode ser: gente mais ativa compra mais suplementos; quem está motivado muda treino e sono; o efeito é placebo; ou o grupo que respondeu ao questionário já era diferente do resto.
Sem controle, a frase só diz: “há um grupo diferente e ele fez uma coisa diferente”.
Exemplo 2 — Política/dados: o indicador que “melhorou”
“Depois que o prefeito assumiu, o emprego aumentou.”
Pode haver impacto local? Pode.
Mas também pode ser: ciclo econômico, investimentos que começaram antes, mudanças nacionais, sazonalidade, migração, abertura/fechamento de grandes empresas.
Sem comparar com cidades similares, sem olhar tendência anterior e sem isolar fatores, isso é post hoc (falsa causa) com terno.
Como a ciência tenta chegar mais perto da causa?
Causalidade não é adivinhação. Ela é inferência com disciplina.
Os caminhos mais comuns (sem tecnicismo gratuito):
- Experimento (ideal)
Você controla condições e randomiza grupos. Se tudo é semelhante e só uma intervenção muda, o efeito fica mais rastreável. - Quase-experimentos (mundo real)
Nem sempre dá para experimentar. Então você compara “como se” fosse experimento: antes/depois com controle, grupos parecidos, mudanças naturais, diferenças em diferenças. - Mecanismo (história plausível + testável)
Não basta “andar junto”. Você precisa de um mecanismo que faça sentido e possa ser testado: como A poderia produzir B? - Replicação e convergência
Quando métodos diferentes apontam para o mesmo resultado, a hipótese causal ganha força. Um resultado sozinho, isolado e “novo demais” pede cautela.
Checklist rápido (anti-confusão correlação/causa)
Antes de aceitar “X causa Y”, pergunte:
- Isso pode ser causalidade invertida?
- Existe uma variável de confusão provável?
- O efeito aparece em grupos diferentes ou depende de um grupo específico?
- O resultado se mantém quando muda a amostra, o período ou o método?
- Há mecanismo plausível e evidência convergente?
- O tamanho do efeito é relevante ou só estatisticamente “bonito”?
Duas frases que salvam tempo (e reputação)
- Correlação é pista, não sentença.
- Causa exige controle – ou, no mínimo, comparação séria.
Conclusão: coincidência não é explicação
A mente gosta de fechar história rápido. Ciência tenta fazer o contrário: manter a história aberta até que ela aguente teste.
Por isso, aprender a diferenciar correlação de causalidade não é preciosismo; é defesa contra soluções fáceis, políticas apressadas e “descobertas” que só funcionam até a próxima planilha.
Leitura complementar
Se você quer entender como esses erros se disfarçam de lógica impecável (e como eles aparecem em discussões reais), vale ler: Falácias Lógicas: Tropeços ou Armadilhas?
Se esse texto te ajudou, compartilhe com alguém que lê gráfico como sentença – e chama coincidência de “prova”.