Atualizado em
Dois fenômenos podem caminhar lado a lado por anos – e ainda assim não ter relação causal. A mente ama coincidências com cara de explicação: “aconteceu junto, logo foi por causa”. Essa pressa produz diagnósticos ruins e certezas barulhentas demais.
A diferença que parece óbvia – e não é
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, sob certas condições.
- Correlação diz: “andam juntas”.
- Causalidade diz: “uma empurra a outra – e eu consigo mostrar por quê”.
A confusão nasce porque “andar junto” é visível, rápido e sedutor – enquanto “o que causa o quê” exige trabalho: hipóteses, controle, comparação, teste, réplica.
Mill tratou isso no Livro III do Sistema de Lógica: separar regularidade de dependência causal é o coração do método indutivo – e o ponto onde a ciência se faz ou se desfaz.
Por que correlação não prova causa
Até textos de estatística para pesquisadores insistem: um teste de correlação mostra que duas variáveis tendem a variar juntas, sem provar dependência ou causa.
Quatro motivos clássicos para duas coisas se correlacionarem sem uma causar a outra:
- Causa invertida – você acha que A causa B, mas é B que causa A. “Pessoas doentes tomam mais remédios; logo, remédios causam doença.” Na prática, é o contrário: a doença leva ao uso do remédio. O erro parece bobo escrito assim – mas em dados complexos, a direção da seta raramente é óbvia.
- Terceira variável – A e B andam juntas porque uma terceira coisa, C, empurra ambas. “Quem toma mais sorvete sofre mais afogamentos.” O sorvete não puxa ninguém para o fundo. O calor aumenta tanto o consumo de sorvete quanto a ida a piscinas e praias. É o caso mais comum – e o mais traiçoeiro, porque C nem sempre é visível.
- Coincidência estatística – às vezes é só ruído que parece padrão, especialmente quando você testa muita coisa ao mesmo tempo. Cruze dezenas de variáveis e “descubra” relações impressionantes que somem quando o conjunto muda. Quanto mais combinações você testa, mais certezas falsas aparecem – por pura matemática.
- Mistura de grupos – o padrão aparece quando você junta tudo, mas some (ou se inverte) quando separa por grupos relevantes. Idade, renda, região, risco prévio: tudo isso pode distorcer o “todo” e criar uma “tendência” que não existe em nenhum grupo isolado.
O erro mais comum no cotidiano é tratar correlação como explicação pronta: “desde que comecei X, minha vida melhorou”, “depois que tal governo entrou, tal indicador subiu”.
Pode ser verdade. Mas sem separar alternativas, isso é só narrativa bem arrumada. É a falácia post hoc com terno.
Como a ciência tenta chegar mais perto da causa
Causalidade exige inferência com disciplina. Na saúde pública, a relação entre causalidade e epidemiologia é um debate antigo.
Os caminhos mais comuns:
- Experimento controlado – você controla condições e randomiza grupos. Se tudo é semelhante e só a intervenção muda, o efeito fica rastreável. É por isso que a ciência inventou o grupo placebo: sem ele, toda melhora pode ser coincidência com jaleco.
- Quase-experimentos – quando não dá para experimentar, você compara “como se” fosse: antes/depois com controle, grupos parecidos, diferenças em diferenças. Menos preciso, mas melhor do que nada.
- Mecanismo plausível – além de “andar junto”, você precisa de uma história testável: como A poderia produzir B? Se não há caminho explicável, a correlação pode ser acidente.
- 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 – como mostram os estudos famosos que não sobreviveram ao reteste.
Coincidência não é explicação
A mente gosta de fechar história rápido.
A ciência tenta fazer o contrário: manter a história aberta até que ela aguente teste. Antes de aceitar “X causa Y”, três perguntas que economizam enganos:
- Existe uma variável de confusão provável?
- O resultado se mantém quando muda a amostra, o período ou o método?
- Há mecanismo plausível – ou só “apareceu no gráfico”?
Correlação é pista. Causa exige controle – ou, no mínimo, comparação séria.
Aprender a separar uma da outra é defesa contra soluções fáceis, políticas apressadas e “descobertas” que só funcionam até a próxima planilha.
Num mundo onde dados são abundantes e gráficos são baratos, a pergunta cara continua sendo a mesma: o que causa o quê – e como você sabe?
Se fizer sentido para você, comente e compartilhe – sobretudo com quem transforma gráfico em sentença. Às vezes, a pergunta “comparado com o quê?” é tudo o que falta.