Correlación no implica causalidad: Nicolas Cage es inocente

Existe un dicho en el mundo del análisis de datos que dice que “la correlación no implica causalidad”, es decir, que aunque dos datos sigan el mismo patrón, esto no quiere decir que uno sea la causa del otro.

Por ejemplo, si analizamos el gasto del gobierno de Estados Unidos en Ciencia y Tecnología y lo superponemos con el número de Suicidios por ahorcamiento, estrangulamiento y asfixia, saldría un gráfico como el siguiente:

La verdad es que a simple vista parece que la relación es directa: su evolución a lo largo de 10 años (entre 1999 y 2009) es prácticamente idéntica. Pero no es así.

Las causas por las que se puede producir este fenómeno pueden ser variadas, pero básicamente en la mayoría de los casos se deben a 2 razones:

1. A tiene relación con B porque ambas tienen una causa común C.
2. La relación entre A y B es pura coincidencia.

Veamos algunos ejemplos para entenderlo mejor:

Helados y ataques de tiburones

Según los datos, el consumo de helados y los ataques de tiburones son dos datos directamente relacionados en ciertas zonas costeras de Estados Unidos. ¿Realmente hay una relación directa entre el consumo de helados y el número de ataques de tiburones? ¿Somos más apetecibles para un tiburón cuando comemos helado? ¿Acaso es parte de la cadena alimenticia? Tú te comes el helado y el tiburón de come a ti, es el ciclo de la vida pequeño Simba.

La respuesta a estas preguntas es NO, ya que el motivo de esta relación es que ambos tienen una causa común: Las altas temperaturas.

Apariciones de Nicolas Cages en películas y el número de ahogados en una piscina

Otro ejemplo muy famoso en Internet es el número de apariciones de Nicolage Cage en películas y las muertes por ahogamiento en piscinas:

Viendo el gráfico nos surgen miles de preguntas: ¿La gente odia tanto a Nicolas que cuando aparece en una película se ahogan en piscinas? ¿O es que el bueno del señor Cage celebra sus estrenos ahogando gente en sus pisicnas?

En este caso, la relación es pura coincidencia (la segunda de las razones que comentábamos al principio), pero que es tan ridícula y graciosa que se ha hecho muy popular en las redes sociales.

De hecho, si queréis pasar un buen rato, sólo tenéis que visitar la web de Tyler Vigen donde encontraréis varios ejemplos como este.

Cómo evitarlo en nuestros análisis de datos

Si te dedicas al mundo del análisis de datos, sabrás que encontrar una relación causa-efecto en los datos de un negocio, puede suponer una ventaja competitiva muy importante. Si pudiese probar que, por ejemplo, el margen de beneficio de mi compañía es mayor en países donde el índice de natalidad es más alto, esta correlación podría ser la base de una exitosa internacionalización del negocio.

¿Pero que pasa si esa correlación no era realmente una relación causa-efecto como en los ejemplos anteriores? Seguramente supondrá que nuestra empresa perderá mucho dinero.

Por lo tanto, ¿cómo puedo evitar caer en la trampa de la correlación que no es “causa-efecto”? Existen varias formas de poner a prueba una relación entre dos variables:

1. Conocer el negocio: si conoces bien el origen de los datos y lo que significan, evitarás estos problemas ya que las variables tienen sentido para ti y sabrás si una relación tiene sentido o no.
2. Test A/B: los test A/B son una buena herramienta para poner a prueba las relaciones y ver como los cambios de A afectan a B y viceversa.
3. Añadir más variables o volumen de datos a la receta: incluye más variables/datos y revisa si la correlación sigue siendo consistente o fue fruto de la casualidad.

Espero que este post os haya aclarado el concepto de “La correlación no implica causalidad”, pero si aún os queda alguna duda o queréis compartir con nosotros algún hilarante ejemplo, no tenéis más que dejar un comentario.