Correlación vs. causalidad
Que dos variables se muevan juntas no significa que una produzca a la otra
DEFINICIÓN
La correlación cuantifica el grado en que dos variables tienden a variar conjuntamente, ya sea en la misma dirección o en direcciones opuestas. No informa por sí sola si una causa a la otra.
DEFINICIÓN
La causalidad es una relación en la que el cambio en una variable produce, genera o provoca el cambio en otra. Implica un mecanismo, no solo un patrón.
El grado en que dos variables cambian conjuntamente.
QUÉ MIDE
Que el cambio en una variable produce el cambio en otra.
“¿Estas variables se mueven juntas?”
PREGUNTA
“¿Una de ellas produce el cambio en la otra?”
Es simétrica: A se asocia con B tanto como B con A.
DIRECCIÓN
Tiene una dirección causal: la causa antecede y produce el efecto.
Coeficiente de correlación (r de Pearson, rho de Spearman), entre -1 y 1.
MÉTRICA
No existe una única medida; la evidencia causal depende principalmente del diseño del estudio y del conjunto de la evidencia.
Se obtiene incluso con datos puramente observacionales.
DISEÑO
Se puede inferir con mayor solidez mediante experimentos controlados y aleatorizados.
Puede deberse a una variable confusora, causalidad inversa, sesgos o simplemente al azar.
EXPLICACIONES ALTERNATIVAS
Un buen diseño busca precisamente descartar esas explicaciones.
Permite hacer predicciones útiles, aunque no exista una relación causal.
PREDICCIÓN
Permite predecir qué ocurrirá si intervenimos sobre esa variable.
Cambiar A no implica que B cambie.
INTERVENCIÓN
Si modificamos la causa, esperamos modificar el efecto.
Ejemplo clásico: las ventas de helado y los ahogamientos suben juntos en verano. El helado no causa ahogamientos: una tercera variable, la temperatura, aumenta tanto el consumo de helado como la cantidad de personas que nadan. Esto es una variable confusora.
“Los países que más chocolate consumen per cápita tienen más premios Nobel” — es una correlación llamativa, pero no prueba que el chocolate cause genialidad.
En un ensayo clínico aleatorizado, quienes reciben la vacuna enferman menos que el grupo placebo — la aleatorización aporta evidencia de causalidad.
SOLO CON DATOS OBSERVACIONALES
Es posible controlar estadísticamente algunos factores de confusión conocidos mediante modelos como la regresión. Sin embargo, siempre pueden existir factores no medidos que expliquen la relación observada. Por ello, los estudios observacionales pueden aportar evidencia compatible con una relación causal, pero rara vez permiten demostrarla por sí solos.
CON DISEÑO EXPERIMENTAL
La aleatorización reparte de forma equilibrada las variables confusoras, tanto conocidas como desconocidas, entre los grupos. Esto permite atribuir la diferencia observada al tratamiento: es el estándar más sólido para establecer causalidad.
No siempre es posible experimentar: en ecología, epidemiología o ciencias sociales, muchas preguntas no admiten aleatorización (¿fumar causa cáncer? ¿el cambio climático afecta la distribución de una especie?). En estos casos se acumula evidencia observacional usando criterios como los de Bradford Hill (temporalidad, plausibilidad biológica, consistencia entre estudios, gradiente dosis-respuesta) para evaluar una relación causal sin necesidad de un experimento.
EN RESUMEN
La correlación describe un patrón; la causalidad intenta explicar por qué ocurre ese patrón. Una correlación, por sí sola, no demuestra una relación causal: la diferencia la marca el diseño del estudio y la calidad de la evidencia.
Manuel Spínola · ICOMVIS-UNA
Cómo citar
@online{spínola2026,
author = {Spínola, Manuel},
title = {Correlación vs. causalidad},
date = {2026-07-28},
url = {https://mspinola-infografias.netlify.app/infografias/metodologia/correlacion_vs_causalidad.html},
langid = {es}
}