Correlação vs Causalidade

Correlação não é causalidade: duas variáveis podem subir e descer juntas sem que uma cause a outra. A confusão entre as duas é um dos erros mais comuns — e mais caros — da estatística. Este guia explica a diferença com exemplos reais, os critérios de Bradford Hill e um exemplo resolvido com r = 0,964.

Em resumo: correlação mede a força e a direção da associação linear entre duas variáveis (r de −1 a +1); causalidade exige mais — uma relação de causa e efeito, que só se prova com experimentos, mecanismos e os critérios de Bradford Hill. Um r alto, por si só, nunca prova causa.

A frase «correlação não é causalidade» é talvez a mais citada da estatística — e a mais ignorada. Todos os dias, estudos, notícias e relatórios apresentam associações fortes como se fossem provas de causa. O problema não é a correlação em si: é um instrumento poderoso e legítimo. O problema é saltar da associação para a causa sem o desenho de estudo que o justifique.

Neste guia, vai ver a diferença com exemplos que ficam na memória — sorvetes e afogamentos, filmes de Nicolas Cage e afogamentos em piscinas —, os nove critérios de Bradford Hill, um exemplo resolvido com todos os cálculos e as perguntas que deve fazer sempre que alguém lhe apresentar uma correlação.

Correlação significa causalidade?

Não. Correlação significa apenas que duas variáveis variam juntas de forma sistemática: quando uma sobe, a outra tende a subir (correlação positiva) ou a descer (correlação negativa). O coeficiente r de Pearson mede essa associação numa escala de −1 a +1. Causalidade é outra coisa: significa que mudar uma variável provoca uma mudança na outra — e isso exige muito mais do que um r alto.

Para passar da correlação à causalidade, é preciso, pelo menos: que a causa venha antes do efeito no tempo; que não haja uma terceira variável a explicar a associação; e que exista um mecanismo plausível. Na prática, isso consegue-se com experimentos controlados — aleatorizar quem recebe o tratamento e comparar com um grupo de controlo — ou, em estudos observacionais, com os critérios de Bradford Hill, que veremos abaixo.

Um exemplo simples: nas cidades, o número de sorvetes vendidos e o número de afogamentos sobem juntos no verão (r alto e positivo). Ninguém conclui que o sorvete causa afogamentos. A terceira variável — o calor — explica as duas: no calor, vende-se mais sorvete e há mais pessoas na água. É o clássico confundidor.

O que é uma correlação espúria?

Uma correlação espúria é uma associação estatística forte entre duas variáveis que não têm qualquer relação causal — nem direta nem através de um mecanismo real. Surge por acaso, por uma terceira variável escondida ou por um viés na forma como os dados foram recolhidos.

O exemplo mais famoso é o dos filmes de Nicolas Cage e os afogamentos em piscinas: entre 1999 e 2009, o número de filmes de Nicolas Cage por ano correlacionou-se quase perfeitamente com o número de pessoas que morreram afogadas em piscinas nos EUA. Não há mecanismo nenhum — é puro acaso, amplificado pelo facto de ambas as séries terem tendências ao longo do tempo. Com milhares de séries temporais disponíveis, é inevitável que algumas se alinhem por acaso.

As correlações espúrias ensinam duas lições: primeiro, um r alto não é evidência de causa; segundo, quanto mais variáveis se testarem sem uma hipótese prévia, mais correlações espúrias se encontram. É por isso que a correlação deve ser o ponto de partida de uma investigação — nunca a conclusão.

Quais são os critérios de Bradford Hill?

Em 1965, o epidemiologista Austin Bradford Hill publicou «The Environment and Disease: Association or Causation?», com nove critérios para avaliar se uma associação observada pode ser causal. Não são uma lista de verificação rígida — nenhum critério é, por si só, necessário ou suficiente — mas, em conjunto, são o quadro mais usado para julgar a causalidade em estudos observacionais.

CritérioO que pergunta
Força da associaçãoQuanto maior o efeito, mais provável a causa (um r alto pesa mais do que um r fraco).
ConsistênciaA associação repete-se em estudos, populações e contextos diferentes?
EspecificidadeA causa está associada a um efeito específico (ou a poucos)?
TemporalidadeA causa vem antes do efeito? (O único critério verdadeiramente necessário.)
Gradiente biológicoMais exposição → mais efeito (relação dose-resposta)?
PlausibilidadeExiste um mecanismo biológico ou físico que explique a relação?
CoerênciaA associação é coerente com o que já se sabe sobre a doença ou o fenómeno?
Evidência experimentalIntervir na causa muda o efeito?
AnalogiaHá exemplos análogos conhecidos (outra causa semelhante, mesmo efeito)?

O caso clássico é o tabaco e o cancro do pulmão: a associação era fortíssima, consistente em dezenas de estudos, com uma relação dose-resposta clara (mais cigarros → mais risco), um mecanismo plausível (carcinogéneos no fumo) e evidência experimental (deixar de fumar reduz o risco). Foi a acumulação dos critérios — não um único estudo — que estabeleceu a causalidade.

Exemplo resolvido: r = 0,964 — e mesmo assim não é causalidade

Dez alunos registaram as horas de estudo por semana (x) e a nota na prova (y): (1,2), (2,3), (3,5), (4,4), (5,6), (6,8), (7,7), (8,9), (9,11), (10,10). A correlação é fortíssima — mas, como veremos, isso não prova que estudar mais cause notas mais altas.

Passo a passo

  1. Médias: x̄ = 5,50; ȳ = 6,50.
  2. Somas: Sxx = 82,50; Syy = 82,50; Sxy = 79,50.
  3. Correlação: r = Sxy ÷ √(Sxx × Syy) = 79,50 ÷ 82,50 = 0,964.
  4. Variância explicada: r² = 0,929 — a reta explica 92,9% da variação das notas.
  5. Reta de regressão: ŷ = 1,200 + 0,964x (declive 0,964; interceção 1,200).
  6. Teste de significância: t = 10,20 (gl = 8), p < 0,0001 — a correlação é altamente significativa.
  7. Intervalo de confiança de Fisher (95%): z = 1,994 → IC [0,849; 0,992].
  8. Conclusão: a associação é real e fortíssima. Mas a causalidade não está provada: pode haver confundidores — alunos mais motivados estudam mais e têm melhores notas; alunos com mais apoio em casa estudam mais e têm melhores notas. Sem um experimento, não se sabe quanto do efeito é do estudo em si.

Confirme todos os valores na calculadora de coeficiente de correlação e veja a reta na calculadora de regressão linear.

O contraste é instrutivo: com apenas 5 pares — (1,4), (2,6), (3,2), (4,5), (5,3) — o r é −0,30, o t é −0,54 e o valor-p é 0,624. A correlação é fraca e não significativa: não há evidência de associação. O mesmo r de −0,30, com 100 pares, seria altamente significativo — o tamanho da amostra muda tudo. Para entender o valor-p, leia o que é valor-p.

A significância estatística não é causalidade: o teste t apenas diz que o r é improvável sob a hipótese nula. O mesmo vale para outros testes — a calculadora de teste qui-quadrado, a calculadora de probabilidade binomial e a calculadora de distribuição de Poisson avaliam associações e contagens, sem provar causa.

Sorvete e afogamentos: o confundidor escondido

O exemplo do sorvete e dos afogamentos é o mais usado para ensinar confundidores — e vale a pena ver os números. Ao longo de 8 meses de verão, as vendas de sorvete e os afogamentos sobem e descem juntos, com um r próximo de 0,999. A correlação é quase perfeita. E, no entanto, a conclusão «sorvete causa afogamentos» é absurda.

O confundidor é a temperatura (ou a estação do ano): no verão, faz calor; com calor, vendem-se mais sorvetes e há mais pessoas a nadar — e, com mais pessoas a nadar, há mais afogamentos. Controlando a temperatura — comparando meses com a mesma temperatura — a associação entre sorvete e afogamentos desaparece. É isto que significa «controlar um confundidor»: medir a terceira variável e verificar se a associação sobrevive sem ela.

Na prática, os confundidores raramente são tão óbvios como o calor. Em estudos de saúde, rendimento, educação ou comportamento, há sempre variáveis escondidas — idade, rendimento, motivação, contexto social — que podem criar ou inflacionar uma correlação. É por isso que a aleatorização é tão valiosa: ao distribuir os participantes ao acaso entre os grupos, equilibra os confundidores conhecidos e desconhecidos.

Fumar e cancro do pulmão: quando a associação indica causa

Se a correlação nunca prova causalidade, como se concluiu que fumar causa cancro do pulmão? A resposta é a acumulação de evidência: não foi um único r alto, mas dezenas de estudos independentes, em vários países, que mostraram sempre a mesma associação — e que satisfaziam os critérios de Bradford Hill.

Os números ajudaram: os fumadores tinham um risco de cancro do pulmão 10 a 20 vezes superior ao dos não fumadores (uma força de associação enorme); o risco crescia com o número de cigarros por dia (gradiente dose-resposta); e deixar de fumar reduzia o risco ao longo dos anos (evidência experimental). Juntando o mecanismo — os carcinogéneos do fumo do tabaco danificam o ADN das células do pulmão —, a conclusão causal tornou-se inevitável.

A lição é que a causalidade raramente se prova com um único estudo. Prova-se com convergência: vários tipos de evidência, de várias fontes, a apontar na mesma direção. Uma correlação forte é o primeiro passo — não o último.

Visualizando: correlação não é causalidade

O gráfico de dispersão abaixo mostra os 10 pares do exemplo resolvido (horas de estudo contra nota na prova) com a reta ajustada ŷ = 1,200 + 0,964x. Os pontos seguem a reta de perto — r = 0,964 — e a associação é evidente. Mas o gráfico não diz porquê: não mostra a motivação, o apoio em casa ou a qualidade do ensino — os confundidores que podem explicar a associação.

0 2 4 6 8 10 0 4 8 12 Horas de estudo (x) ŷ = 1,200 + 0,964x r = 0,964
Dispersão das horas de estudo (x) contra a nota na prova (y), com a reta ajustada ŷ = 1,200 + 0,964x. A associação é fortíssima (r = 0,964) — mas o gráfico não mostra os confundidores.

Para calcular o seu próprio r, use a calculadora de coeficiente de correlação. Para perceber como a assimetria dos dados pode distorcer uma correlação, leia o que é assimetria e curtose.

Erros comuns

  • Ler causalidade num r alto: um r de 0,964 é uma associação fortíssima — não uma prova de causa. Pergunte sempre: há um confundidor? Há um experimento?
  • Ignorar a terceira variável: antes de concluir, procure a variável escondida que pode explicar as duas — como o calor no exemplo do sorvete.
  • Confundir significância com importância: um r pequeno pode ser «significativo» com uma amostra grande, e um r grande pode não ser significativo com uma amostra pequena. O valor-p mede a evidência contra a hipótese nula, não a força da relação.
  • Usar Pearson para relações não lineares: o r de Pearson mede relações lineares. Uma relação em forma de U pode ter r ≈ 0 e ser fortíssima. Veja sempre o gráfico de dispersão.

Perguntas frequentes

Não. Correlação mede a força e a direção da associação linear entre duas variáveis; causalidade exige uma relação de causa e efeito, que só se prova com experimentos, mecanismos e os critérios de Bradford Hill. Um r alto, por si só, nunca prova causa.

Uma correlação espúria é uma associação estatística forte entre duas variáveis que não têm qualquer relação causal — surge por acaso, por uma terceira variável escondida ou por um viés na recolha dos dados. O exemplo clássico é o dos filmes de Nicolas Cage e os afogamentos em piscinas.

Um confundidor é uma terceira variável que influencia as duas variáveis em estudo e cria — ou inflaciona — a correlação entre elas. No exemplo do sorvete e dos afogamentos, o confundidor é o calor. Controla-se um confundidor medindo-o ou aleatorizando os participantes.

São nove critérios, publicados por Austin Bradford Hill em 1965: força da associação, consistência, especificidade, temporalidade, gradiente biológico, plausibilidade, coerência, evidência experimental e analogia. A temporalidade — a causa vir antes do efeito — é o único verdadeiramente necessário.

Não. O r de Pearson mede apenas a força e a direção da associação linear, numa escala de −1 a +1. Não diz nada sobre causa: um r de 0,964 é uma associação quase perfeita — e, mesmo assim, não prova causa.

Os experimentos são o padrão-ouro: a aleatorização equilibra os confundidores conhecidos e desconhecidos. Os estudos observacionais podem sugerir causalidade quando satisfazem os critérios de Bradford Hill, mas nunca com a mesma força de um experimento bem desenhado.

Não há um limiar. A força ajuda — um efeito grande é mais difícil de explicar por um confundidor — mas a causalidade depende do conjunto da evidência: consistência, temporalidade, mecanismo e experimentos. Nenhum número, por si só, prova causa.

Quando a associação é forte, consistente em vários estudos, anterior no tempo, com gradiente dose-resposta, mecanismo plausível e apoio experimental — como no caso do tabaco e do cancro do pulmão, em que a acumulação de evidência estabeleceu a causalidade.

Fontes: NIST, Engineering Statistics Handbook, 1.3.5. Exploratory Data Analysis. Metodologia: nossa metodologia.

Por Afan Shafiq — BS AI student

Confira as Ferramentas

Confira os Artigos